![BIBLIOGRAFIA[1] [Russell Stuart, 2004] Peter Norving. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO]. Pearson Educación. 2da. Edición. Madrid.[2] [Rodriguez Jorge. 2008]. INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN ARTIFICIAL]. Disponible en http://www.scribd.com/doc/8343510/Vision-Artificial último acceso. Úlitmo acceso 30/01/2010.[3]Artificial Intelligence: A Modern Approach. [ Disponible en: http://aima.cs.berkeley.edu[4][Mira José, 2001] Delgado Esperanza, etc. ASPECTOS BÁSICOS DE LA INTELIGENCIA ARTIFICIAL. Editorial Sanz y Torres. Madrid. [5]Burns Alan, Wellings Andy. 2003]. SISTEMAS DE TIEMPO REAL Y LENGUAJES DE PROGRAMACIÓN. 3ra. Edición. Pearson Educación S.A. Madrid.[6] Malagón Constantino. 2003] SISTEMAS BASADOS EN CONOCIMIENTO. February 17, 2003. Disponible en: http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimiento.pdf Úlitmo acceso 27/01/2010. [6] http://www.bloggadgets.es/1455/eye-stick-el-baston-para-no-videntes-con-sensor/[7] Hernandez Carlos, 2007]. Mejorando la convergencia en búsqueda heurística de tiempo real. Disponible en http://www.iiia.csic.es/~chernan/hernandezcarlos.doc Ültimo acceso 2/02/2010.[8] http://www.w3.org/RDF/Validator/](https://image.slidesharecdn.com/agenteiabastinimplementacionalgoritmo-100218170818-phpapp02/85/Implementacion-Algoritmo-LRTA-11-320.jpg)
Implementacion Algoritmo LRTA*
- 1. ESTUDIO Y ANÁLISIS DE LA INTELIGENCIA ARTIFICIAL EN UN AGENTE RACIONAL APLICADO A LA CIENCIA COGNITIVABASTIN “Bastón Inteligente integrado para personas no videntes”.Implementación del algoritmo LRTA*
- 2. Implementación LRTA*El agente aprende la función heurística admisible, para estimar el costo del camino hacia el objetivo. Y dispone de h 0 en todos los nodos, para comenzar el proceso de aprendizaje. Inicia una búsqueda A*. Conoce el coste correspondiente al movimiento detectado desde el nodo captado en tiempo-on-line a sus nodos sucesores. -Expande n(i) que es el nodo origen, para generar sucesores S(n(i) obstáculos y/o rutas. Para el nodo objetivo h(n(i)), en base al coste de movimiento desde nodo origen n(i) al nodo objetivo n(j) Ec.1: Heurística para mejorar el rendimiento en la búsqueda heurística de tiempo real.
- 3. Como aprende el AGENTE:Fig.2 Heurísticas para la toma de decisiones basadas en el conocimiento, para utilizar una arquitectura híbrida.
- 4. HeurísticasLa medición de obstáculos local se genera por la estimación de las vibraciones generalmente mayores de 20 Db, que determina la distancia del radio admitido como libre de obstáculos.
- 5. La función heurística h(n) ruta visitada y h’(n) ruta actualizada, siempre que esta sea admisible. No así cuando es 0, el algoritmo se comportaría como una búsqueda de anchura, porque aun no hay coste del camino recorrido.
- 6. Complejidad espacio temporal de LRTA* es su almacenamiento en la tabla de valores heurísticos de todos los estados de la ruta inicial al estado objetivo. Dado en:Ec.2: Heurística para mejorar el rendimiento en la búsqueda heurística de tiempo real.
- 7. Algoritmo en pseudocódigoS = EstadoSi = Estado inicial.Sobj = estadoobjetivo.H(s) = heuristic aplicada a ese estado.Max = maximización de la funciónMin = minimización de la función.Succ(s) = sucesores de s->(S’)argMin = minimo valor de un dominio.s:= si.Si s=sobj, entonces detener con éxito.h(s):=max(h(s),min s’’succ(s)(c(s,s’’)+h(s’’))).s’:=argmins’’succ(s)(c(s,s’’)+h(s’’)).Solucionar empates aleatoriamente.s:=s’.Go to 2
- 8. Clase para determinar el coste ruta. Fig3. clases pertenecientes al paquete, se muestran las funciones y librerías.Hemos agregado la heurística de Manhattan como base para implementar herencia y poder derivar la heurística LRTA*Implementación LRTA*Fig.4 Estado inicial en línea, percepción de rutas.
- 9. Implementación LRTA*Fig.5 Heurística en la determinación de rutaImplementación LRTA*Fig.6 En cada iteración vuelve a evaluar el camino mediante heurística
- 10. Implementación LRTA*El algoritmo de aprendizaje en tiempo real (Learning Real-Time A*), Usa heurística en tiempo real, bajo las condiciones que siempre encuentra una solución a un problema y converge a soluciones óptimas cuando lo resuelve repetidas veces.Fig.7 Coste de los tiempos
- 11. BIBLIOGRAFIA[1] [Russell Stuart, 2004] Peter Norving. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO]. Pearson Educación. 2da. Edición. Madrid.[2] [Rodriguez Jorge. 2008]. INTRODUCCIÓN A LOS SISTEMAS DE VISIÓN ARTIFICIAL]. Disponible en http://www.scribd.com/doc/8343510/Vision-Artificial último acceso. Úlitmo acceso 30/01/2010.[3]Artificial Intelligence: A Modern Approach. [ Disponible en: http://aima.cs.berkeley.edu[4][Mira José, 2001] Delgado Esperanza, etc. ASPECTOS BÁSICOS DE LA INTELIGENCIA ARTIFICIAL. Editorial Sanz y Torres. Madrid. [5]Burns Alan, Wellings Andy. 2003]. SISTEMAS DE TIEMPO REAL Y LENGUAJES DE PROGRAMACIÓN. 3ra. Edición. Pearson Educación S.A. Madrid.[6] Malagón Constantino. 2003] SISTEMAS BASADOS EN CONOCIMIENTO. February 17, 2003. Disponible en: http://www.nebrija.es/~cmalagon/inco/Apuntes/sistemas_basados_en_conocimiento.pdf Úlitmo acceso 27/01/2010. [6] http://www.bloggadgets.es/1455/eye-stick-el-baston-para-no-videntes-con-sensor/[7] Hernandez Carlos, 2007]. Mejorando la convergencia en búsqueda heurística de tiempo real. Disponible en http://www.iiia.csic.es/~chernan/hernandezcarlos.doc Ültimo acceso 2/02/2010.[8] http://www.w3.org/RDF/Validator/