Professional Documents
Culture Documents
Profesores:
Luis Jiménez Linares.
Luis Enrique Sánchez Crespo.
Datos de la Asignatura
Temarío
Luis Enrique
Sánchez Crespo
2º Cuatrimestre
Sistemas basados en el conocimiento (Cap. 8-12)
UCLM-ESI 2 de 110
Índice
Luis Enrique
Sánchez Crespo 6.1 Un agente conocimiento-intensivo.
6.2 El ambiente del mundo de wumpus
6.3 Representación, Razonamiento y Lógica
6.4 Lógica propositiva
6.5 Un agente para el mundo de wumpus
Inteligencia Artificial e Ingenieria del Conocimiento
6.6 Resumen
UCLM-ESI 3 de 110
Búsqueda informada
Luis Enrique
Sánchez Crespo
Agente conocimiento-intensivo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 4 de 110
Agentes basados en conocimiento
Introducción
Luis Enrique
Sánchez Crespo Se introduce el diseño de un agente basado en el
conocimiento
Se presenta un lenguaje lógico sencillo pero insuficiente, el
de la lógica propositiva,
Se ejemplifica con un agente capaz de desempeñarse bien
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 5 de 110
Agentes basados en conocimiento
Representación del conocimiento
Luis Enrique
Sánchez Crespo El papel pretendido de la representación del conocimiento
en IA es reducir problemas de acción inteligente en meros
problemas de BÚSQUEDA
Grinsberg
Analogía entre Programación y Problemas de IA
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 7 de 110
Agentes Lógicos
Luis Enrique
Sánchez Crespo
UCLM-ESI 8 de 110
Agentes basados en conocimiento
UCLM-ESI 9 de 110
Agentes basados en conocimiento
Luis Enrique
Sánchez Crespo
Función
– Un agente conocimiento-intensivo tiene como
componente seminal una base de conocimientos.
– Una base de conocimientos es un conjunto de
representaciones de hechos del mundo.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 10 de 110
Agentes basados en conocimiento
Luis Enrique
Sánchez Crespo
El agente opera como sigue (TELL and ASK)
1. Le dice a la base su PERCEPCIÓN
– (añade oraciones a la base)
2. Le pregunta a la base qué ACCIÓN encarar
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 11 de 110
Agentes basados en conocimiento
Arquitectura de dos agentes
Luis Enrique
Sánchez Crespo las dos primeras menciones se refieren a un agente reflejo
simple y las otras dos a un agente conocimiento-intensivo .
loop
loopforever
forever
Input
Inputpercepts
percepts
state
state Update-State(state,
Update-State(state,percept)
percept)
ESTE
ESTEAGENTE
AGENTEsigue
siguelala rule
rule Rule-Match(state,rules)
Rule-Match(state, rules)
action
action Rule-Action[rule]
pista
pistadel
delestado
estadodel
Rule-Action[rule]
Inteligencia Artificial e Ingenieria del Conocimiento
“actualizar”.(Update)
“actualizar”.(Update)
loop
loopforever
Input
forever
Inputpercepts
percepts
ESTE
ESTEOTRO
OTROAGENTE,
AGENTE,aa
KB
KB tell(KB,
tell(KB,make-sentence(percept))
make-sentence(percept)) cada
cadainstante,
instante,
action
action ask(KB,action-query)
ask(KB,
Output
action-query) cualesquiera
cualesquierasean
seansus
sus
Outputaction
action
KB
KB tell(KB,
tell(KB,make-sentence(action))
make-sentence(action)) percepciones,
percepciones,lolohace
haceenen
end
end forma
formade
deoración.
oración.P.ej.
P.ej.
Foundations of Artificial Intelligence
“estoy
“estoyhambriento”
hambriento” 22
UCLM-ESI 12 de 110
Agentes basados en conocimiento
Arq. de un agente con base de conocimiento
Luis Enrique
Sánchez Crespo Nivel de conocimiento
– es el nivel más abstracto - describimos al agente indicando qué
conoce
– ejemplo - un taximetrero automático podría saber que desde la
playa Bristol a la playa La Perla hay una ruta costanera rápida
Nivel lógico
– es el nivel en el cual el conocimiento queda codificado en
Inteligencia Artificial e Ingenieria del Conocimiento
oraciones
– p.ej.: enlaces (Bristol, La Perla, ruta costanera rápida)
Nivel de implementación
– es el nivel en el cual hay una representación física de las oraciones
en el nivel lógico
– p.ej.:”enlaces (Bristol, La Perla, ruta costanera rápida)”
– conexión{B,P,rcr} = 1
– (un 1 en una tabla tridimensional)
UCLM-ESI – (un conjunto de apuntadores dirigidos a los símbolos) 13 de 110
Agentes Lógicos
Luis Enrique
Sánchez Crespo
El mundo de Wumpus
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 14 de 110
El mundo de Wumpus
El ambiente del mundo de Wumpus
Luis Enrique
Sánchez Crespo Percepción = [Hedor, Brisa, Resplandor, Golpe, Grito]
El agente no puede percibir su propia ubicación
Acciones = [avanzar, girarizquierda, girarderecha, capturar,
dispararflecha, trepar]
Agente muere al entrar a un habitáculo con pozo o con wumpus vivo.
Meta del agente es encontrar oro, volver al habitáculo [1,1] y trepar
Inteligencia Artificial e Ingenieria del Conocimiento
muro.
Razonamiento
– ejemplos de inferencias: ubicación de
• pozos,
• wumpus
• habitáculos sin riesgo
• habitáculo 1-1 al volver
UCLM-ESI 15 de 110
El mundo de Wumpus
El ambiente del mundo de Wumpus
Luis Enrique
Sánchez Crespo
Detalles del ambiente
– mundos de wumpus elegidos al azar
– agentes múltiples, en comunicación
– wumpi móviles
– múltiples piezas de oro
Inteligencia Artificial e Ingenieria del Conocimiento
Detalles de disponibilidades
– lenguaje natural
– aprendizaje
– visión
– habla
UCLM-ESI 16 de 110
El mundo de Wumpus
Ayudas en el mundo de Wumpus
Luis Enrique
Sánchez Crespo
[Hedor, Brisa,
Resplandor, Golpe,
Grito]
[Hedor, Brisa,
Inteligencia Artificial e Ingenieria del Conocimiento
Resplandor, Golpe,
Grito]
[Hedor, Brisa,
Resplandor, Golpe,
Grito]
UCLM-ESI 17 de 110
El mundo de Wumpus
El mundo de Wumpus
Luis Enrique
Sánchez Crespo
El agente arranca de (1,1)
UCLM-ESI 18 de 110
El mundo de Wumpus
Percepciones
Luis Enrique
Sánchez Crespo
Las percepciones forman una vector fila de 1x5 del
tipo
(Hedor,Brisa,Nada,Nada,Nada)
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI
El tercero es Grito 19 de 110
El mundo de Wumpus
PaMA
Luis Enrique
Sánchez Crespo
Percepciones
UCLM-ESI 20 de 110
El mundo de Wumpus
Primer Paso
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 21 de 110
El mundo de Wumpus
Segundo Paso
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 22 de 110
El mundo de Wumpus
¿Por qué (x,y) está bien?
Luis Enrique
Sánchez Crespo
(1,1)` Porque el agente está vivo
UCLM-ESI 23 de 110
El mundo de Wumpus
Tercer Paso
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 24 de 110
El mundo de Wumpus
Cuarto Paso
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 25 de 110
El mundo de Wumpus
¿Por qué (1,3) = wumpus?
Luis Enrique
Sánchez Crespo
Hedor en (1,2) implica que el wumpus está ya sea
en (1,1), ya sea en (2,2), ya sea en (1,3)
Representación, razonamiento y
Inteligencia Artificial e Ingenieria del Conocimiento
lógica
UCLM-ESI 28 de 110
Representación, razonamiento
y Lógica
Luis Enrique
Sánchez Crespo Representar: lograr que lo representado sea entendible para
una computadora; y que así el agente pueda operar y
merecer el nombre de agente
– Sintaxis, forma usada para representar oraciones- cómo están
representadas las oraciones
– Semántica, mapeo desde oraciones hacia hechos del mundo,
Inteligencia Artificial e Ingenieria del Conocimiento
determina los hechos del mundo a los que hacen alusión las
oraciones.
– Razonamiento: Simulador del mundo de wumpus
• Hechos ”son consecuencia" de hechos
• Oraciones ”son consecuencia” de oraciones
• Conjuntos de oraciones “son consecuencia” de conjuntos de oraciones.
UCLM-ESI 29 de 110
Representación, razonamiento
y Lógica
Luis Enrique
Sánchez Crespo
Razonamiento,
– Es el proceso de construir nuevas representaciones, bajo la
forma de oraciones, a partir de representaciones anteriores.
– La existencia de una base de conocimientos - seminal para el
agente - le permite la creación de razonamientos, con la ayuda
del motor de inferencia.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 30 de 110
Representación
Luis Enrique
Sánchez Crespo Los lenguajes de programación como el C o el Pascal son idóneos para
representar algoritmos y estructuras de datos concretas. Los lenguajes de
programación están diseñados para describir cabalmente el estado de la
computadora y de cómo cambia ésta conforme al programa que se está
ejecutando.
Sin embargo, sería deseable poder contar con otro lenguaje para representar el
conocimiento que sirva para el caso cuando no se cuenta con información
Inteligencia Artificial e Ingenieria del Conocimiento
completa: cuando no hay total certeza de cómo son las cosas, y lo único que se
sabe son algunas posibilidades de cómo son. Un lenguaje que no satisface lo
anterior tiene el defecto de no ser suficientemente expresivo.
El objetivo de un lenguaje para la representación del conocimiento es el de
expresar los conocimientos en una base manejable por el agente, permitiéndole
a éste un buen desempeño, p.ej. en el mundo de wumpus.
El lenguaje representando conocimiento interno de un agente es distinto del
lenguaje externo empleado para comunicarse con otros agentes (JiVE, etc.). En
el ej. se usa sólo interno.
UCLM-ESI 31 de 110
Representación
Luis Enrique
Sánchez Crespo Los lenguajes naturales como el inglés o el español indudablemente
son expresivos. Sin embargo, han experimentado una evolución que
tiende más a satisfacer las necesidades de la comunicación que las de la
representación.
En un buen lenguaje para representar el conocimiento se combinan las
ventajas de los lenguajes naturales y las de los lenguajes formales.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 33 de 110
Semántica - Lenguajes
composicionales
Luis Enrique
Sánchez Crespo
Se llama lenguaje composicional a aquél en que el
significado de una oración es la suma de los
significados de cada parte. Casi todos los lenguajes
tienen una relación sistemática entre las oraciones
y los hechos.
Inteligencia Artificial e Ingenieria del Conocimiento
Ejemplo de la matemática:
– a^2 + b^2
– Su significado es la suma del significado de a^2 más la
de b^2
UCLM-ESI 34 de 110
Inferencia
Luis Enrique
Sánchez Crespo RAZONAMIENTO e INFERENCIA: Son los nombres del
proceso por el cual se obtienen conclusiones.
INFERENCIA LÓGICA y DEDUCCIÓN: Son los nombres
de todo razonamiento o inferencia válidos y confiables.
Implantan las relaciones de implicación que existe entre
oraciones.
Inteligencia Artificial e Ingenieria del Conocimiento
– Inferencia:
• Verificar la validez de oraciones que se toman como verdaderas
pese a desconocerse su real interpretación.
– Verdad :
• Depende del estado del mundo y de la interpretación.
– Validez :
• Una oración es válida si es verdadera independientemente del
mundo o de la interpretación.
UCLM-ESI 35 de 110
Razonamiento
Luis Enrique
Sánchez Crespo Consecuencias o implicaciones generan nuevas oraciones a partir de otras previas, todas
fidedignas.
Teoría de la demostración - conjunto de reglas para deducir las implicaciones de un
conjunto de oraciones - dentro de un lenguaje - ella estudia los pasos confiables de un
razonamiento – motor de inferencia
Semántica - en lógica el SIGNIFICADO de una oración es aquello que ella afirma del
mundo. Restringe a que el mundo sea de la forma expresada y no de otra forma
alternativa. Para poder entender lo que SIGNIFICA una oración, quien la compuso
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 36 de 110
Lógica
Luis Enrique
Sánchez Crespo
Compromiso ontológico
• para el agente, qué existe en el mundo
– en el caso de la lógica propositiva, para el agente existen
hechos que serán verdaderos o falsos.
Inteligencia Artificial e Ingenieria del Conocimiento
Compromiso epistemológico
• para el agente, cuál es la actitud con respecto a los hechos
– en el caso de la lógica propositiva, el agente cree que una
oración es verdadera o falsa, o no ha llegado a conclusión
alguna
UCLM-ESI 37 de 110
Tipos de lógicas y sus
preocupaciones
Luis Enrique
Sánchez Crespo
Lenguaje Ontología Epistemología
(lo que existe) (qué cree de los hechos)
-----------------------------------------------------------------------------------
Lógica Propositiva hechos verdadero/falso/no sabe
Lógica de primer hechos, objetos, enlaces
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 38 de 110
Lógica
Luis Enrique
Sánchez Crespo
La meta del agente racional consiste en que:
– El conocimiento aparezca explícitamente
– Se logren conclusiones del conocimiento incorporado
– Para ello es indispensable la LÓGICA
– Una dada lógica es una notación matemática (un lenguaje
matemático) para declarar el conocimiento
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 39 de 110
Agentes Lógicos
Luis Enrique
Sánchez Crespo
Lógica propositiva
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 40 de 110
Lógica proposita
Luis Enrique
Sánchez Crespo Lógicas y símbolos
Conceptos asociados
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 41 de 110
Lógica proposita
Luis Enrique
Sánchez Crespo
Proposición es una afirmación que puede ser
verdadera o falsa
Conceptos relacionados
– Oración atómica
– Literal
Inteligencia Artificial e Ingenieria del Conocimiento
– Oración molecular
Una proposición es verdadera
– si está de acuerdo con los hechos del mundo real
– si está de acuerdo con otro mundo supuesto con algún
motivo, siendo falsa en el otro caso
UCLM-ESI 42 de 110
Lógica y símbolos
Luis Enrique
Sánchez Crespo LPC =LCP Lógica basada en el cálculo propositivo
LI Þ Lógica de primer orden
– con dos signos adicionales = cuantificadores
LI I ÞLógica de segundo orden
LIPML Þ Lógica propositiva modal
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 43 de 110
Breve concepto de Lógica
prepositiva
Luis Enrique
Sánchez Crespo El ALFABETO consiste de
– VARIABLES PROPOSITIVAS P, Q
– CONECTIVOS FUNCIONALES
GRAMÁTICA -sin cuantificadores - con oraciones
atómicas y moleculares
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 44 de 110
Sintaxis en lógica propositiva
Luis Enrique
Sánchez Crespo La sintaxis de la lógica propositiva es sencilla. Los
símbolos utilizados en la lógica propositiva son las
constantes lógicas Verdadero y Falso, símbolos de
proposiciones tales como P y Q, los conectivos lógicos /\,
\/, , => y ¬ y paréntesis ( ). Todas las oraciones se
forman combinando los signos anteriores mediante las
siguientes reglas:
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 46 de 110
Ejemplos de oraciones
moleculares
Luis Enrique
Sánchez Crespo
P ( Q R)
P (Q Q) ( R P)
Inteligencia Artificial e Ingenieria del Conocimiento
( P Q) (Q P)
( P Q) ( P Q)
UCLM-ESI 47 de 110
Sintaxis y semántica:
Oraciones atómicas
Luis Enrique
Sánchez Crespo Las oraciones atómicas afirman hechos. Una oración atómica está
formada por un símbolo de predicado seguido de una lista entre
paréntesis de términos.
Ejemplo:
Hermano(Ricardo,Juan)
Afirma que para alguna interpretación Ricardo Corazón de León es
hermano del Rey Juan.
Inteligencia Artificial e Ingenieria del Conocimiento
– Conectivos , , , ,
• Se usan mucho , ,
– Mediante los conectores lógicos se pueden construir oraciones más complicadas. Ejemplos:
– Hermano(Ricardo,Juan) /\ Hermano(Juan,Ricardo)
– Mayor(Juan,30) \/ Menor(Juan, 30)
– Mayor(Juan,30) Þ ¬Menor(Juan, 30)
– ¬Hermano(Robin, Juan)
UCLM-ESI 49 de 110
Modelo
Luis Enrique
Sánchez Crespo Disponemos de una oración bajo una cierta interpretación.
Entonces cualquier mundo desde esa misma interpretación,
será un modelo para dicha oración.
Modelos: mundos en los cuales una oración dada es verdad
– En lógica propositiva es un renglón en la tabla de
Inteligencia Artificial e Ingenieria del Conocimiento
verdad
UCLM-ESI 50 de 110
Modelos analizados con un
diagrama de Venn
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
EJEMPLO:
PQ
P Q (todo excepto )
UCLM-ESI 51 de 110
Definición semántica
Luis Enrique
Sánchez Crespo
Sean F y G dos fórmulas propositivas y sea M una
interpretación cualquiera.
– F G será verdad en M si tanto F como G son
verdaderas en M
– F G será verdad en M si por lo menos uno de F o G
Inteligencia Artificial e Ingenieria del Conocimiento
es verdad en M
F será verdad en M si tanto F como G son falsos en
M.
– F G será verdad en M si ya sea F es falso en M o G
es verdad en M
– F G será verdad en M si ambos, F y G, son verdad
en M o ambos, F y G son falsos en M
UCLM-ESI 52 de 110
Verdad
Luis Enrique
Sánchez Crespo
Depende del estado del mundo y de la
interpretación de quien construyó las oraciones
Una oración es válida independientemente del
mundo o de la semántica
Una oración es insatisfactible si el mundo nunca es
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 53 de 110
Lógica Propositiva: Semántica
Luis Enrique
Sánchez Crespo En lógica propositiva, la semántica de los conectivos se especifica mediante
tablas de verdad:
P Q P P Q P Q P Q P Q
F F T F F T T
F T T F T T F
T F F F T F F
Inteligencia Artificial e Ingenieria del Conocimiento
T T F T T T T
Las tablas de verdad también se pueden usar para determinar la validez de las
oraciones:
P Q P P Q P Q (P Q) ( P Q)
F F
F T
T F
T T
UCLM-ESI 54 de 110
Inferencia propositiva
Método de la enumeración
Sea A B KB ( A C) ( B C)
Luis Enrique
Sánchez Crespo y
¿La base de conocimiento garante a a?
– Verificar todos los modelos posibles – en todos ellos a debe ser verdadera
siempre que la BC sea verdadera.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 55 de 110
Reglas de Inferencia
Luis Enrique
Sánchez Crespo Modus Ponens
Y--Eliminación
a1 & a2 & a3 & a4 an (n = 1..4)
Y--introducción
a1, a2, a3, a4 a1 & a2 & a3 & a4
O--Introducción
Inteligencia Artificial e Ingenieria del Conocimiento
a1 a1 V an
Doble-negación eliminación
- (-
Resolución Unitaria
V
Resolución (difícil)
V V V
-
UCLM-ESI 56 de 110
Reglas de Inferencia (lógica
propositiva)
Luis Enrique
Sánchez Crespo
(MP) Modus Ponens (Implicación-eliminación)
,
(AI) =(YI) Y-introducción (OI) O-introducción
1 , 2 ,, n i
1 2 n 1 2 n
Inteligencia Artificial e Ingenieria del Conocimiento
(AE)=(YE) Y-eliminación
1 2 n
i
(NE) Negación-eliminación
UCLM-ESI 57 de 110
Reglas de Inferencia (lógica
propositiva)
Luis Enrique
Sánchez Crespo (UR)Resolución Unitaria ,
(R) Resolución General ,
Notas:
Inteligencia Artificial e Ingenieria del Conocimiento
1 , 2 ,, n , 1 2 n
– es completa para bases de conocimiento de Horn y puede ser usada en
encadenamientos hacia atrás y hacia adelante.
UCLM-ESI 58 de 110
Ejemplo: Base de
Conocimiento
Luis Enrique
Sánchez Crespo
Ejemplo: construir una base de conocimiento
para el mundo Wumpus.
– Vocabulario de símbolos proposicionales:
• Hi,j es verdadero si hay un hoyo en la casilla [i,j].
• Bi,j es verdadero si hay brisa en la casilla [i,j].
Inteligencia Artificial e Ingenieria del Conocimiento
• Percepciones de brisas
– R4: B1,1
– R5: B2,1
• La BC actual estará formada por R1 R2 R3 R4 R5
UCLM-ESI 61 de 110
Equivalencia, validez,
satisfacibilidad
Luis Enrique
Sánchez Crespo
Equivalencia: dos sentencias son equivalente
lógicamente cuando si tienen los mismos valores
de verdad en el mismo conjunto de modelos.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 62 de 110
Equivalencia, validez,
satisfacibilidad
Luis Enrique
Sánchez Crespo
Validez: una sentencia es válida si es verdadera en
todos los modelos. Las sentencias validas se
conocen como tautologías.
Satisfacibilidad: Una sentencia es satisfactoria si
es verdadera para algún modelo.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 63 de 110
Agentes Lógicos
Luis Enrique
Sánchez Crespo
Patrones de razonamiento en
Inteligencia Artificial e Ingenieria del Conocimiento
lógica proposicional
UCLM-ESI 64 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo Resolución: nos lleva a un algoritmo de inferencia completo cuando se
empareja a un algoritmo de búsqueda completo.
Forma normal conjuntiva (FNC): es una sentencia representada
mediante una conjunción de disyunciones de literales.
Algoritmos de resolución: Los procedimientos de inferencia basados
en la resolución trabajan mediante el principio de pruebas mediante
contradicción. Para demostrar BC |= demostraremos que (BC
Inteligencia Artificial e Ingenieria del Conocimiento
es insatisfacible.
Completitud de la resolución: A partir del teorema fundamental de la
resolución, determinamos que si un conjunto de cláusulas es
insatisfacible, entonces el cierre de la resolución de esas cláusulas
contiene la cláusula vacía.
UCLM-ESI 65 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo
Encadenamiento hacia delante y hacia atrás:
– Cláusulas de Horn: disyunción de literales de los
cuales, como mucho uno es positivo.
• Cabeza: literal positivo.
• Cuerpo: disyunción de literales negativos.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 67 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo DPLL - Algoritmo de David y Putnam (basado en
Backtracking): Determina si una sentencia de entrada
con lógica proposicional es satisfacible.
– Terminación anticipada:
Una cláusula es verdadera si cualquier literal es verdadero.
Una cláusula es falsa si algún literal es falso.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 68 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 69 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo
WalkSAT - Algoritmo de búsqueda: Determina
si una sentencia de entrada con lógica
proposicional es satisfacible. Nuestro objetivo es
encontrar una asignación que satisfaga todas las
cláusulas.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 70 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 71 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo
Problemas duros de satisfacibilidad:
– Considerando 3-CNF sentencias. Ej:
(D B C) (B A C) (C B
E) (E D B) (B E C)
Inteligencia Artificial e Ingenieria del Conocimiento
m = número de cláusulas.
n = número de símbolos.
UCLM-ESI 72 de 110
Patrones de razonamiento
Luis Enrique
Sánchez Crespo
Inteligencia Artificial e Ingenieria del Conocimiento
b) Gráfico del tiempo de ejecución promedio del DPLL y del SAT sobre 100
sentencias en FNC-3 aleatorias con n=50 para un rango reducido de valores de
m/n alrededor del punto crítico.
UCLM-ESI 73 de 110
Agentes Lógicos
Luis Enrique
Sánchez Crespo
proposicional
UCLM-ESI 74 de 110
Conclusiones
Luis Enrique
Sánchez Crespo Un agente del mundo de Wumpus usando lógica
proposicional:
– P1,1
– W1,1
– Bx,y (Px,y+1 Px,y-1 Px+1,y Px-1,y)
– Sx,y (Wx,y+1 Wx,y-1 Wx+1,y Wx-1,y)
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 77 de 110
Agentes Lógicos
Luis Enrique
Sánchez Crespo
Conclusiones
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 78 de 110
Conclusiones
Luis Enrique
Sánchez Crespo Los agentes inteligentes necesitan el conocimiento acerca del mundo
para tomar las decisiones acertadas.
Los agentes contienen el conocimiento en forma de sentencias
mediante un lenguaje de representación del conocimiento, las cuales
quedan almacenadas en una base de conocimiento.
Un agente basado en conocimiento se compone de una base de
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 80 de 110
Conclusiones
Luis Enrique
Sánchez Crespo El conjunto de modelos posibles, dado un vocabulario
proposicional fijado, es finito, y así se puede comprobar la
implicación tan sólo enumerando los modelos. Los algoritmos de
inferencia basados en la comprobación de modelos más eficientes
para la lógica proposicional, entre los que se encuentran los
métodos de búsqueda local y backtracking, a menudo pueden
resolver problemas complejos muy rápidamente.
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 81 de 110
Conclusiones
Luis Enrique
Sánchez Crespo Se pueden diseñar dos tipos de agentes que utilizan la lógica
proposicional: los agentes basados en inferencia utilizan algoritmos
de inferencia para guardar la pista del mundo y deducir propiedades
ocultas, mientras que los agentes basados en circuitos representas
proposiciones mediante bits en registros, y los actualizan utilizando
la propagación de señal de los circuitos lógicos.
La lógica proposicional es razonablemente efectiva para ciertas
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 82 de 110
Ejercicios
Luis Enrique
Sánchez Crespo Ejercicio1: Dado el juego del buscaminas con una matriz de 4x4 y
3 minas situadas de forma aleatoria, establecer:
– El modelo REAS del buscaminas.
– Las reglas que componen la BC inicialmente.
– Y una simulación del juego que acabe en éxito, mostrando las reglas
que componen la BC final.
Ejercicio2: Dado el párrafo “Si el unicornio es un animal
Inteligencia Artificial e Ingenieria del Conocimiento
UCLM-ESI 83 de 110
Universidad de Castilla-La Mancha