IA Pauta 2certamen 2004

Pauta Inteligencia Artificial
Certamen # 2
Profesor: Marı́a Cristina Riff
7 de Mayo de 2004
Nombre y Rol:
Instrucciones:
Escriba las respuestas con tinta para tener derecho a eventuales recorrecciones.
• Tiempo: Partes I y II : 70 minutos; Parte III: 30 minutos.
• No se permite ningún material adicional.
• Parte IV, a entregar en Secretarı́a de Informática (sra. Lidia Yañez) el Lunes 10 de Mayo 2004 antes de
las 9h05. No se acepta el envı́o por e-mail.
1. Parte I: Materia (60 puntos)
1. Considere un HC que permite soluciones infactibles. ¿ Cuál es el vecindario de la candidata a solución

[1, 0, 0, 1, 1] en el problema de la mochila?, explique (7 p.)
Dependerá del movimiento que use HC. Por ejemplo si el movimiento es tipo switch el vecindario
estará dado por [0, 0, 0, 1, 1], [1, 1, 0, 1, 1], [1, 0, 1, 1, 1], [1, 0, 0, 0, 1], [1, 0, 0, 1, 0].
Si el movimiento es agregar un objeto, el vecindario es [1, 1, 0, 1, 1], [1, 0, 1, 1, 1].
2. ¿Cuál es la mejor combinación entre exploración y explotación? (7 p.)
Comenzar con exploración porque le permite al algoritmo diversidad e ir concentrándose en explotación
para lograr la convergencia
3. Escriba un algoritmo greedy para resolver el problema de minimizar el número de colores al colorear un
mapa (9 p.)
Representación: Color de la región i.
Regla: Elegir la región aún sin colorear con menor dominio y asignarle el color factible más usado
hasta ahora
Pseudocódigo.
Inteligencia Artificial, Departamento de Informática, UTFSM Nombre y Rol
4. Explique si es verdadero o falso:

“Las Metaheurı́sticas tratan de encontrar el Mejor óptimo local” (7 p.)
Verdadero, las metaheurı́sticas no pueden asegurar la obtención del óptimo global, sin embargo
tratan de encontrar el Mejor óptimo local, que en el caso ideal corresponde al óptimo global
“El cruzamiento en un punto no es útil para la resolución de problemas de optimización” (7 p.)
Falso, cuando el problema no tiene restricciones es una buena Metaheurı́stica.
“La mutación de un algoritmo genético standard es un algoritmo de búsqueda local” (7 p.)
Falso, la búsqueda local trata de optimizar la búsqueda en un vecindario, la mutación no tiene

objetivo de optimización.
5. ¿ Qué alternativas tiene para manejar las restricciones en Simulated Annealing?. Ejemplifique (7 p.)
Función objetivo + Penalización, Movimiento, Representación, Descarte posterior al movimiento previa

condición de aceptación.
6. Compare Simulated Annealing con Tabu Search (9 p.):

Aspectos comunes: Búsqueda Local dentro de un vecindario, requieren una solución completa inicial
Diferencias: Criterio de aceptación del movimento y forma de elegir soluciones candidatas
Mecanismo de exploración: En SA la temperatura, en TS la forma de elegir el siguiente movimiento.
2. Parte II: Papers (15 p.)
1. Explique la forma de comparar los resultados de las diferentes metaheurı́sticas usadas para 2D Packing
Problem (5 p.)
(aqui se refiere a las formas de medir ”en numeros”, las tablas que miden? y como las comparan en el
paper?..)
En el paper el objetivo principal s comparar la actuacin de algoritmos genéticos, los de evolución Ingenua
y Simulated Annealing que sean pequeos para llevarlos a problemas de embalaje grandes. Para lo cual
se usan dos metaheurı́sticas distintas:
2 La técnica BL
3 La técnica BLF, la cual es más sofisticada, y computacionalmente más cara.
El resultado de algoritmos metaheurı́sticos se compara con estas dos técnicas as como con otras técnicas
como Hill Climbing y la de búsqueda aleatoria (TS)
Se compara los AG, con los algoritmos de evolución ingenua. Los resultados indican que la actua-
ción de los algoritmos hı́bridos es fuertemente dependiente de la naturaleza de la rutina, de colocación
y el tamao del problema
1.- los métodos meta heurı́sticos que usan el decodificador BL, son comparados
2.- La misma comparación para los algoritmos meta heurı́sticos que generan hı́bridos con la rutina
BLF más sofisticada.
3.- El desempeo de los 2 tipos de combinaciones hı́bridas son analizados
Para poder estudiar la eficiencia de los métodos meta heurı́sticos simples los resultados son compara-
dos por las rutinas que evalúan las mismas rutinas de empaquetamiento sobre la misma cantidad de
iteraciones usando la secuencia de entrada al azar.
2. ¿ Qué tipo de operadores de cruzamiento se proponen para TimeTabling? (5 p.)
La tendencia ha sido aplicar soluciones algorı́tmicas a problemas generales o meta heurı́sticas a los
problemas del horario.
Los operadores que se utilizan o proponen son el cruce (Normal) y mutación de los que pueden ser una
combinación o servir para combinar partes del horario, para producir uno nuevo. Desgraciadamente, el
cruce normal toma los valores binarios de uno en otro horario propuesto para producir el nuevo. Con
esto no se puede cubrir la naturaleza del espacio de búsqueda de la cruza. La solución era calificar ms
fuertemente en un operador más inteligente de la mutación que designan esas partes del horario que se
benefician ms al cambiar.
3. ¿ Cuál es la diferencia entre métodos de descomposición y métodos de partición? (5 p.)
Existen distintos tipos de heurı́sticas según el modo en que buscan y construyen sus soluciones. Una clasifi-
cación es la siguiente:
Método de descomposición: se trata de dividir el problema en sub problemas más pequeos siendo el out-
put de una el input de la otra, de forma que de resolverlas todas obtengamos una solución para el problema
global (divide y venceras)
Método de Partición: consiste en dividir el problemas en partes independientes de tal forma de tener una
mayor comprensión del problema.
Begin
Mochila-sobrecargada := false
x’ P
:= x
n 0
if i=1 x [i] ∗ P eso[i] > C
then Mochila-sobrecargada := true
While (Mochila-sobrecargada) do
begin
i := Seleccionar un objeto de la mochila
0
Pn el 0 objeto de la mochila: x [i] := 0
Saque
if i=1 x [i] ∗ P eso[i] ≤ C
then Mochila-sobrecargada := false
end
end Figura 1: Esquema del Algoritmo
3. Algoritmo (25 puntos): Dado el algoritmo de la figura 1
1. Explique lo que hace este algoritmo (2 p.).

Dada una solución inicial, pueden darse dos casos:
si es factible, es decir, no sobrepasa el peso admitido (C)
No realiza operaciones y simplemente termina.
si es infactible, es decir, sobrepasa el peso admitido (C)
En cada paso de un ciclo finito va sacando un elemento de la mochila hasta que ya no este
sobrecargada, es decir, que no sobrepase el peso admitido (C).
2. Determine una función de evaluación (3 p.). Función de evaluación:
Pn
F e[X 0 ] = |C − i=1 X 0 [i] ∗ P eso[i]|
Mientras menor sea el valor de Fe, mejor será la solución.

3. Cree una rutina Seleccionar basada en Hill Climbing (10 p.).
Definiciones
Idea:
Realizar un movimiento para contar con una solucin inicial que servir como punto de comparacin.
En cada paso realizar un movimiento, y si mejora con respecto a la solución inicial, entonces retornar
el movimiento que logró esa mejora. Sino mejora se prueba otro movimiento hasta que se acaben las
iteraciones.
En el caso que no mejora, se retorna el movimiento de la solución inicial.
Parmetros para Hill Climbing:
# de restart: 0
# de iteraciones: nmero de elementos que quedan en la mochila
Movimiento:
Elegir una casilla del arreglo X 0 que este en 1 y cambiarlo por 0.
Algoritmo:
begin
z=x’
y=Generar solucin inicial (movimiento sobre z)
m=Guardar movimiento
fe[0]=Fe[y]
While(hay mas iteraciones)
r=Realizar movimiento sobre z
fe[1]=Fe[r]
If (|fe[1]|<|fe[0]|)
Salir del While
endIf
endWhile
Retornar m
end
Explicaciones:
El Realizar movimiento sobre z asegura que en cada paso se realiza un movimiento sobre un ele-
mento distinto (el número máximo de movimientos es n).
4. Cree una rutina Seleccionar basada en Tabú Search(10 p.).

Definiciones
Idea:
Realizar un movimiento para contar con una solución inicial y agregar el movimiento en la lista tab.
En cada paso revisar todo el vecindario de la solucin inicial y de ellos elegir el mejor de todos. Notar que
el vecindario de la solucin inicial no considera el movimiento que la generó porque este movimiento se
encuentra en la lista tabú.
Al final retorna el movimiento de la mejor solución que pertenezca al vecindario, el que corresponderá al
que posea el mnimo f e.
Parmetros para Tab Search:
# de restart: 0
# de iteraciones: 1
Tamao de la lista tabú: 1
Mejor de todos: en este caso no se considera porque es slo una iteración
Movimiento:
Elegir una casilla del arreglo X 0 que este en 1 y cambiarla por 0.
Algoritmo:
begin
z=x’
y=Generar solucin inicial (movimiento sobre z)
Lista Tab [0]=m
E=numero de elementos que estn en 1 en z
For(i=0 to E)
r=Realizar movimiento sobre z
fe[i][0]=Fe[r]
fe[i][1]=m
endFor
Retornar fe[i][1] del Min{|fe[i][0]|}
end
Explicaciones:
El Realizar movimiento sobre z asegura que en cada paso se realiza un movimiento sobre un ele-
mento distinto (el número máximo de movimientos es n).

IA Pauta 2certamen 2004

Cargado por

Copyright:

Formatos disponibles

IA Pauta 2certamen 2004

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IA Pauta 2certamen 2004

Cargado por

Copyright:

Formatos disponibles

Pauta Inteligencia Artificial

1. Parte I: Materia (60 puntos)

1. Considere un HC que permite soluciones infactibles. ¿ Cuál es el vecindario de la candidata a solución

4. Explique si es verdadero o falso:

“El cruzamiento en un punto no es útil para la resolución de problemas de optimización” (7 p.)

Falso, cuando el problema no tiene restricciones es una buena Metaheurı́stica.

“La mutación de un algoritmo genético standard es un algoritmo de búsqueda local” (7 p.)

Falso, la búsqueda local trata de optimizar la búsqueda en un vecindario, la mutación no tiene

Función objetivo + Penalización, Movimiento, Representación, Descarte posterior al movimiento previa

6. Compare Simulated Annealing con Tabu Search (9 p.):

2. Parte II: Papers (15 p.)

3. Algoritmo (25 puntos): Dado el algoritmo de la figura 1

1. Explique lo que hace este algoritmo (2 p.).

Mientras menor sea el valor de Fe, mejor será la solución.

4. Cree una rutina Seleccionar basada en Tabú Search(10 p.).

También podría gustarte