Clase4 IA2

Inteligencia Artificial
Clase # 5
Bsqueda Heurstica
Dr. Wladimir Rodrguez

Postgrado de Computacin
ULA
SemestreA Dr.Wladimir Inteligencia

BUSQUEDA HEURISTICA O
INFORMADA
Usan algn mtodo para controlar o guiar la bsqueda
Para que son utilizadas las heursticas?
Para ordenar la bsqueda (busqueda plausible) ver primero
los nodos mas prometedores
Para controlar el ancho de la bsquedaprobar ms en
profundidad que a lo ancho
Tipos de Heurstica:
Dirigidas por las metas conociendo que es lo que se quiere
alcanzar
Dirigidas por el conocimiento usando conocimiento
especifico del dominio para reducir la bsqueda

BUSQUEDA EL MEJOR
PRIMERO
Selecciona de la lista de nodos para su expansin el
mejor nodo
Requiere de una funcin de evaluacin f la cual
determinara numericamente que tan bueno es un nodo
dado. (asumir que valores mayores de f indican un mejor
nodo).
Garantia de encontrar una solucin debido a que todos
los nodos sucesores de un nodo son agregados tal como
en la bsqueda a lo ancho. Sin embargo, no garantiza
una respuesta ptima a menos que la funcin de
evaluacin sea escogida correctamente.

ALGORITMO DEL MEJOR
PRIMERO
Poner nodo inicial en la lista.
Si nodo inicial es la meta, fin.
Si la lista est vaca, no hay solucin.
De lo contrario: Seleccionar nodo de la lista tal
que f(nodo) sea mximo.
Si nodo seleccionado es la meta, fin.
De lo contrario: Expandir el nodo seleccionado y
agregar todos los sucesores a la lista.
Repetir.

BUSQUEDA EL MEJOR
PRIMERO
Tambin conocida como bsqueda avara, cuando f(n)
es una funcin heurstica h(n) usada para estimar el costo
para alcanzar la meta desde el nodo actual. Mientras que
f no es necesariamente dirigida a la meta, h si lo es.
Para el 8-puzzle, f(n) podra ser el nmero de piezas en
la posicin correcta. A mayor nmero de piezas correctas
en algn estado, mejor ser el nodo que representa ese
estado.
Tambin podra ser la distancia manhattan para que
todas las piezas estn en la posicin correcta.

8-PUZZLE

BUSQUEDA EL MEJOR
PRIMERO
Mejoras:
Computar f para cada sucesor en el momento de
la expansin, y almacenarlo con el nodo. Esto
significa que f es computada solamente una vez
por nodo.
Ordenar la lista para agregar los sucesores en la
posicin adecuada. Esto implica no tener que
seleccionar el mnimo cada vez.

EJEMPLO

EJEMPLO

Bsqueda Avara
Es una bsqueda mejor el primero con

f(nodo)=h(nodo).
Funcin heurstica (h)
h(nodo)=coste estimado del camino ms
corto desde un nodo hasta el objetivo.
Todas las funciones heursticas deben cumplir
al menos:
h(n)>=0, para todo nodo n
h(n)=0, si n es un nodo objetivo

Navegacin del Robot

Navegacin del Robot
f(N) = h(N), con h(N) = distancia Manhattan a la meta
8 7 6 5 4 3 2 3 4 5 6
7 5 4 3 5
6 3 2 1 0 1 2 4
7 6 5
8 7 6 5 4 3 2 3 4 5 6

Navegacin del Robot
f(N) = h(N), con h(N) = distancia Manhattan a la meta
8 7 6 5 4 3 2 3 4 5 6
7 5 4 3 5
6 3 2 1 00 1 2 4
77 6 Qu paso?
5
8 7 6 5 4 3 2 3 4 5 6

Bsqueda ms Informada
La meta no es minimizar la distancia desde

el ltimo nodo en el camino hasta la meta,
lo que queremos es minimizar el largo
global del camino a la meta.
Dado g(N) como el costo del mejor camino
encontrado hasta el momento entre el nodo
inicial y N
f(N) = g(N) + h(N)

Navegacin del Robot
f(N) = g(N)+h(N), con h(N) = distancia Manhattan a la
8+3
8+37+4
8 7+46+5
7 6+35+6
6 5+64+7
5 4+73+8
4 3+82+9
3 2+9
2 3+10
3 4 5 6
7+2
7 5+6
5 4+7
4 3+8
3 5
6+1
6 3 2+9
2 1+10
1 0 1
1+100+11 2 4
7+0
7 6+1
6 5
8+1
8 7+2
7+26+3
7 6+35+4
6 5+44+5
5 4+53+6
4 3+62+7
3 2+73+8
2 3 4 5 6

BUSQUEDA EN ASCENSO DE
CIMA
Seguir el camino que parece estar mejorando ms
rpidamente.
Continuar mientras que el camino siga mejorando.
Necesita de una funcin local que indique que tan
bueno es el camino, conocida como funcin de
evaluacin (similar al f en el mejor primero).
Nunca retrocede.
Rpido, pero no garantiza encontrar una solucin.
La solucin encontrada no es necesariamente ptima.
Funciona si el camino a la solucin es monotnico.

BUSQUEDA ASCENSO A LA
CIMA
Es similar a la bsqueda el primero mejor, pero los
nodos son agregados en forma diferente.
El Mejor Primero:
Escoger para expandir el nodo con el valor de f mnimo.
Ascenso a la Cima:
Escoger el nodo de la lista de sucesores del ltimo nodo
expandido con el valor mnimo de f (una vez que se decide
expandir un nodo, solo considere sus sucesores y nunca trate
un camino alternativo).

BUSQUEDA ASCENSO A LA
CIMA
Problemas:
puede parase en
mnimos locales.
Planicies, no hay
mejora local en f,
por lo que puede
andar sin rumbo.

COMPARACION
ASCENSO A LA EL MEJOR COSTO
CIMA PRIMERO UNIFORME
Garantiza una No Si (finito) Si (finito)
solucin
Siempre para Si Si Si
Optimo No Depende de f Si
Cuando falla Mnimos locales
Eficiencia ++ + +
Requerimientos Funcin de Funcin de Necesita cono-

especoales evaluacin evaluacin cer el costo del
arco


ENDURECIMIENTO SIMULADO
Un mtodo de descenso de gradiente como el ascenso

a la cima.
Usa aleatoriedad para remover los problemas de

mnimos locales.
Similar al proceso metalrgico de endurecimiento.
La temperatura es disminuida en el tiempo: a mayor T,

mayor la aleatoriedad de la seleccin del sucesor.

BUSQUEDA A*
Bsqueda ptima para solucin

ptima
Parecida a el mejor primero, con:
f(n) = g(n) + h(n)
donde:
g(n) = costo mnimo del camino desde
el nodo inicial al nodo n.
f(n) = costo mnimo estimado desde el
nodo n al nodo meta.

BUSQUEDA A*
f, g, h son aproximaciones a los verdaderos

valores de f*, g*, h*, respectivamente.
Requiere conocer el costo de cada uno de los

movimentos, tal como en el costo uniforme,
para calcular g.
Requiere de una funcin de evaluacin

heurstica para juzgar que tan dficil es llegar
desde el nodo actual al nodo final.
Notas sobre g
g se calcula a partir del costo actual del camino

recorrido hasta ese momento.
g se conoce exactamente mediante la suma de
todos costo del camino desde el inicip hasta el
nodo actual (como en el costo uniforme)
Si el espacio de bsqueda es un rbol, g = g*,
debido a que solo hay un camino desde el nodo
inicial al nodo actual.

Notas sobre g
En general, el espacio de bsqueda ser un

grafo. En este caso, g >= g*, esto es, g nunca
puede ser menor que el costo del camino
ptimo. Solo puede sobreestimar el costo.
g puede ser = g* en un grafo si es escogida

apropiadamente.

Notas sobre h
h es una informacin heurstica que representa una
aproximacin a que tan dficil es llegar desde el nodo actual
hasta el nodo meta.
Para que el algoritmo A* encuentre la solucin de costo mnimo:
h(n) debe ser >= 0.
h(n) debe ser <= h*(n), esto es, h nunca debe sobreestimar el
costo actual para alcanzar la meta desde el nodo actual.
Esto es conocido como la CONDICION DE AMSIBILIDAD.
(Si un algoritmo garantiza encontrar un camino solucin de
costo mnimo (si existe), entonces el es ADMISIBLE.)

Ms notas sobre h
Si h = h* (heurstica perfecta), nunca se expandirn

nodos innecesarios.
Si h = 0, entonces A* se reduce al algoritmo de
bsqueda ciega de costo uniforme.
Meta: hacer h tan cercana como sea posible a h* sin
sobreestimar h.
Si h* >= h1(n) > h2(n),
h1 es ms informada que h2.
La condicin de admisibilidad podra ser relajada para
lograr mayor eficiencia, pero aunque se encontrar una
solucin esta puede ser no ptima.

EJEMPLO A*
Usar la menor distancia Euclidiana en lnea

recta como heurstica para h (admisible).

Neamt
71 Oradea
Zerind
87 Iasi
75 151
Arad 92
La ruta optima es (140+80+97+101) = 418 millas
140
118 Vaslui
Sibiu 99 Faragas
Timisoara 142
111 80
Lugoj Rimnicu 211 98
Urziceni Hirsova
70 97 86
Pitesti
Mehadia
146 101 Bucharest 86
75 138
Dobreta
90
120 Craiova Eforie
SemestreA Dr.Wladimir
Giurgui Inteligencia
Distancia en Lnea Recta a Bucharest
Ciudad DLR Ciudad DLR

Arad 366 Mehadai 241
Bucharest 0 Neamt 234
Craiova 160 Oradea 380
Dobreta 242 Pitesti 98
Eforie 161 Rimnicu 193
Fagaras 178 Sibiu 253
Giurgiu 77 Timisoara 329
Hirsova 151 Urziceni 80
Iasi 226 Vaslui 199
Lugoj 244 Zerind 374
Se puede usar la distancia en lnea recta como una heurstica admisible ya que ella nunca
sobre estimar el costo hasta la meta. Debido a que no hay una distancia ms corta entre
SemestreA
dos ciudades Dr.Wladimir
que la distancia en lnea recta. Inteligencia
Zerind F= 75 + 374 Oradea
F= 449 F= 291 + 380
F= 671
F= 0 + 366
Arad F= 366
Fagaras
Sibiu F= 239 + 178
F= 417
F= 140 + 253
F= 118 + 329
F= 220 + 193
F= 393 Bucharest(2)
F= 413 F= 450 + 0
F= 447
Rimnicu F= 450
Timisoara
Bucharest
F= 418 + 0
Pitesti F= 418
F= 317 + 98
Craiova F= 415
F= 366 + 160
F= 526
Mapa de Rumania mostrando los contornos a f = 380, f = 400 and f = 420, con
Arad como estado inicial. Nota: Nodos dentro de un contorno dado tienen costos
de f menor que el valor del contorno.
Zerind Oradea
420
400
380
Arad
Sibiu Fagaras
Rimnicu
Timisoara
Bucharest
Pitesti
Craiova

ALGORITMO A*
1) N lista de todos los nodos iniciales.

2) Si N esta vaco, no hay solucin.
3) Selecione n en N tal que f(n) = g(n) + h(n)
es minimo.
4) Si n es un nodo meta, fin meta encontrada.
5) De lo contrario, remueva n de N, y agregue
todos los hijos de n a N y vaya al paso 3.

A* con Profundidad Iterativa
Usar f(N) = g(N) + h(N) con una h

admisible y consistente
Cada iteracin es bsqueda en profundidad
con un corte (cutoff) con el valor de f de los
nodos expandidos.

8-Puzzle
f(N) = g(N) + h(N)

con h(N) = nmero de fichas fuera de lugar
Cutoff=4

8-Puzzle
f(N) = g(N) + h(N)

Cutoff=4 4
6 6

8-Puzzle
f(N) = g(N) + h(N)

Cutoff=4 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

con h(N) = nmero de
5 fichas fuera de lugar
Cutoff=4 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

con h(N) = nmero de
6 5
fichas fuera de lugar
Cutoff=4 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

Cutoff=5

8-Puzzle
f(N) = g(N) + h(N)

Cutoff=5 4
6 6

8-Puzzle
f(N) = g(N) + h(N)

Cutoff=5 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

Cutoff=5 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

4 5
Cutoff=5 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

4 5 5
Cutoff=5 4 5
6 6

8-Puzzle
f(N) = g(N) + h(N)

4 5 5
Cutoff=5 4 5
6 6

JUEGOS
Crear programas en el computador para jugar

Emular el razonamiento humano en el computador
Construir sistemas que sean capaces de tomar
decisiones en un entorno adverso

JUEGOS: Caractersticas y Ejemplos
Caractersticas de los juegos que vamos a estudiar:
Juegos bipersonales.
Los jugadores mueven alternativamente.
La ventaja para un jugador es desventaja para el otro.
Los jugadores poseen toda la informacin sobre el estado del
juego.
Hay un nmero finito de estados y decisiones
No interviene el azar (dados, cartas).
Ejemplos de juegos validos:
Ajedrez, damas, go, otelo, 3 en raya, nim,
Ejemplos de juegos que no son validos
Backgammon, poker, bridge.

EJEMPLO DE JUEGO: NIM
Situacin inicial:
Una pila con N
fichas.
Jugadas: Coger 1, 2
3 fichas de la pila.
Objetivo: Obligar al
adversario a coger la
ltima ficha.
Desarrollo completo
del juego con 4
piezas:

Estrategia ganadora: NIM
Estrategia ganadora:
El movimiento que,
haga lo que haga el
adversario, nos
lleve a una situacin
ganadora o a la que
nos favorezca ms.
Estrategia ganadora
en el NIM

Desarrollo Incompleto
Funcin de
evaluacin esttica
Lmites inferior y
superior
Valores
programados,
mximo y mnimo.
Desarrollo del NIM
con valores
programados.

Ejemplo de poda alfa-beta: NIM 4
Principio alfa-beta: si se tiene una buena

(mala) idea, no perder tiempo en averiguar
lo buena (mala) que es.

Ejemplo de poda alfa-beta: NIM 7

Complejidad de minimax y alfa-beta
Complejidad:
R : factor de ramificacin.
P : profundidad de la bsqueda.
Complejidad en tiempo de minimax: O(rp).
Complejidad en tiempo de minimax con poda alfa-
beta, en el mejor caso: O(rp/2).

Complejidad de minimax y alfa-beta
Aplicacin al ajedrez
Factor de ramificacin : 35
Nmero de movimientos en una partida media: 50
Numero de nodos analizados por minimax: 35100
10154
Numero de nodos analizados por minimax con
poda alfa-beta : 3550 1077
Nmero de posiciones legales: 1040

Complejidad en el NIM
Estados evaluados:
Empezando la mquina,
Con profundidad 20 y
Eligiendo el humano siempre 1.
8 12 16 20
Minimax 192 2223 25472 291551
Minimax-a-b 16 67 294 1023
Tiempo y espacio para orden 16

tiempo espacio
Minimax 14.55 sec. 3245720 bytes
Minimax-a-b 0.23 sec 69812 bytes

3 en raya: Evaluacin

Ejemplo Alpha-Beta
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 -3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 -3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 -3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 3
0 -3 3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 3
0 -3 3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 3
0 -3 3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 3
0 -3 3 5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 3 2
0 -3 3 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 3 2
0 -3 3 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 2
0 2
0 3 2
0 -3 3 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0 2
0 2
0 3 2
0 -3 3 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2
0 2
0 3 2
0 -3 3 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2
0 2
0 3 2
0 -3 3 2 5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2
0 2
0 3 2 1
0 -3 3 2 1
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2
0 2
0 3 2 1
0 -3 3 2 1 -3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2
0 2
0 3 2 1
0 -3 3 2 1 -3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2 1
0 2 1
0 3 2 1
0 -3 3 2 1 -3
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2 1
0 2 1
0 3 2 1
0 -3 3 2 1 -3 -5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2 1
0 2 1
0 3 2 1
0 -3 3 2 1 -3 -5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
0
0 2 1
0 2 1 -5
0 3 2 1 -5
0 -3 3 2 1 -3 -5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
1
0 2 1
0 2 1 -5
0 3 2 1 -5
0 -3 3 2 1 -3 -5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
1
0 1
0 2 1
0 2 1 -5
0 3 2 1 -5
0 -3 3 2 1 -3 -5
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
1
0 1
0 2 1 2
0 2 1 -5 2
0 3 2 1 -5 2
0 -3 3 2 1 -3 -5 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Ejemplo Alpha-Beta
1
0 1
0 2 1 2
0 2 1 -5 2
0 3 2 1 -5 2
0 -3 3 2 1 -3 -5 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2
Qu ganamos?
1
Tamao del rbol = O(bh)

En el peor de los casos 0todos 1
los nodos deben ser 0examinados

2 1 2
En el mejor de los casos, solo
O(bh/2) nodos deben
0 ser2 1 -5 2
examinados
0 3 2 1 -5 2
0 -3 3 2 1 -3 -5 2
0 5 -3 3 3 -3 0 2 -2 3 5 2 5 -5 0 1 5 1 -3 0 -5 5 -3 3 2

Clase4 IA2

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Clase4 IA2

Caricato da

Copyright:

Formati disponibili

Inteligencia Artificial

Dr. Wladimir Rodrguez

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

Es una bsqueda mejor el primero con

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

f(N) = h(N), con h(N) = distancia Manhattan a la meta

SemestreA Dr.Wladimir Inteligencia

f(N) = h(N), con h(N) = distancia Manhattan a la meta

SemestreA Dr.Wladimir Inteligencia

La meta no es minimizar la distancia desde

SemestreA Dr.Wladimir Inteligencia

f(N) = g(N)+h(N), con h(N) = distancia Manhattan a la

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

Cuando falla Mnimos locales

Requerimientos Funcin de Funcin de Necesita cono-

SemestreA Dr.Wladimir Inteligencia

Un mtodo de descenso de gradiente como el ascenso

Usa aleatoriedad para remover los problemas de

Similar al proceso metalrgico de endurecimiento.

La temperatura es disminuida en el tiempo: a mayor T,

SemestreA Dr.Wladimir Inteligencia

Bsqueda ptima para solucin

SemestreA Dr.Wladimir Inteligencia

f, g, h son aproximaciones a los verdaderos

Requiere conocer el costo de cada uno de los

Requiere de una funcin de evaluacin

g se calcula a partir del costo actual del camino

SemestreA Dr.Wladimir Inteligencia

En general, el espacio de bsqueda ser un

g puede ser = g* en un grafo si es escogida

SemestreA Dr.Wladimir Inteligencia

SemestreA Dr.Wladimir Inteligencia

Si h = h* (heurstica perfecta), nunca se expandirn

SemestreA Dr.Wladimir Inteligencia

Usar la menor distancia Euclidiana en lnea

SemestreA Dr.Wladimir Inteligencia

Ciudad DLR Ciudad DLR

SemestreA Dr.Wladimir Inteligencia

1) N lista de todos los nodos iniciales.

SemestreA Dr.Wladimir Inteligencia

Usar f(N) = g(N) + h(N) con una h

SemestreA Dr.Wladimir Inteligencia

f(N) = g(N) + h(N)

SemestreA Dr.Wladimir Inteligencia

f(N) = g(N) + h(N)

SemestreA Dr.Wladimir Inteligencia

f(N) = g(N) + h(N)

SemestreA Dr.Wladimir Inteligencia

f(N) = g(N) + h(N)

SemestreA Dr.Wladimir Inteligencia

f(N) = g(N) + h(N)