Heurística Ciencia que estudia los procesos de decisión respecto a un campo de conocimiento concreto, como son las estrategias cognitivas. Su contrapartida formal en co mputación es el algoritmo. La palabra heurística proviene de la palabra griega heuriskein que significa descubrir, encontrar. Por heurística entendemos una estrategia, método, criterio o truco usado para hacer más sencilla la solución de problemas difíciles. El conocimiento heurístico es un t ipo especial de conocimiento usado por los humanos para resolver problemas complejos. En este caso el adjetivo heurístico significa medio para descubrir. Debido a la existencia de algunos problemas importantes con un gran interés práctico difíciles de resolver, comienzan a surgir algoritmos capaces de o frecer posibles soluciones que aunque no consiguen el resultado óptim ó ptimo, o, si que se acercan en un t iempo de cálculo razonable. Estos algoritmos están basados en el conocimiento conoc imiento heurístico y por lo tanto reciben el no mbre de algoritmos heurísticos. Por lo general, los algoritmos heurísticos encuentran buenas soluciones, aunque a veces no hay pruebas de que la solución pueda hallarse en un tiempo razonablemente corto o incluso de que no pueda ser errónea. Frecuentemente pueden encontrarse e ncontrarse casos particulares del problema en los que la heurística obtendrá resultados muy malos o que tarde demasiado en encontrar una solución. Un método heurístico es un conjunto de pasos que deben realizarse para identificar en el menor tiempo posible una solución de alta calidad para un determinado problema. Al principio esta forma de resolver problemas no fue bien vista en los círculos académicos, deb ido fundamentalmente a su escaso rigor matemático. Sin embargo, gracias a su interés práctico para solucionar problemas reales fue abriendo poco a poco las puertas de los métodos heurísticos, sobre todo a partir de los años 60. Actualmente las versiones matemáticas de métodos heurísticos están creciendo en su rango de aplicaciones, así como en su variedad de enfoques. Nuevas técnicas heurísticas son utilizadas a d iario iario por po r científicos de computación, investigadores operativos y profesionales, para resolver problemas que antes eran demasiado complejos o grandes para las anteriores generaciones de este tipo de algoritmos.
LA HEURÍSTICA La heurística es el análisis y la extrapolaci extrapo lación ón de datos basados en exper iencias pasadas y en sus consecuencias, este apartado es de una importancia vital para la IA interna en los juegos de ordenador. Por ejemplo, un enemigo podrá intentar una aproximación, grabando los resultados de esa aproximación en su memoria. Si fracasa en su intento de eliminar al jugador, la próxima vez que intente algo parecido sabrá que, bajo las mismas circunstancias, ha fracasado una vez e intentará otra ruta de aproximación al jugador. Si por el contrario tiene éxito, aún podrá obtener un aprendizaje de sus actos, y extrayendo aquellas acciones que más han contribuido a la consecución del fin, que es eliminar al jugador; así la próxima vez que el ordenador se encuentre en semejante situación. La heurística, por tanto, permite tener enemigos con co n memoria.
Heurística e Inteligencia Artificial Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacción dado, como procesos computacionales de algún tipo. En cierto sentido, el enfoque heurístico heur ístico es el característico de la IA. Newell y Simon asoc iaban el "método de búsqueda heurística" con el tipo de representación de soluciones parciales. Nosotros nos vamos a limitar a explicar qué significa el término "heurística" en el ambito de la inteligencia artificial. Desde el inicio de la IA, el término "heurística" osciló entre dos sentidos fundamentales vinculados a la utilización de información del dominio de problemas (con el fin de hacer una búsqueda más eficiente) y a la imposibilidad de garantizar encontrar la solución de un problema. Estas definiciones se refieren, a dos conjuntos diferentes de métodos: dispositivos que mejoran la eficiencia y dispositivos que no garantizan obtener un resultado. El paradigma metaheurístico co nsiste nsiste en una familia de métodos de búsqueda que comenzó a desarrollarse con ese nombre a partir de la década del 80. Estrictamente no se lo considera un paradigma sino simplemente un conjunto de métodos o herramientas de búsqueda, pero es posible que tarde o temprano t emprano entre en esta categoría. Osman y Kelly (1996) describen la metaheurística del siguiente modo: "Estas familias de enfoques incluyen pero no se limitan limitan a procedimientos p rocedimientos adaptativos aleatorios golosos, algoritmos genéticos, búsqueda de umbral y sus híbridos. Incorporan conceptos basados en la evolución biológica, la resolución inteligente de problemas, las ciencias mat emáticas y físicas, el estudio del sistema nervioso y la mecánica estadís estad ística". tica". Un poco po co más adelante los autores describen d escriben a la disciplina de la siguiente forma: "Las metaheurísticas son una clase de métodos aproximados, que están diseñados para atacar problemas de optimización combinatoria difíciles para los que las heurísticas clásicas fracasaron en ser efectivas y eficientes. Las metaheurísticas proporcionan marcos generales que permiten crear nuevos híbridos combinando diferentes conceptos de: d e: heurísticas heurísticas clásicas; inteligencia artificial; evolución biológica; sistemas neuronales y mecánica estad ística". ística". Finalmente, Osman y Kelly comentan: "Debe notarse que existen convergencias teóricas para algunas de las metaheurísticas bajo algunos supuestos. S in embargo, estos supuestos no pueden satisfacerse o aproximarse en la mayoría de las aplicaciones aplicaciones prácticas. práct icas. Por lo tanto, se pierde la capacidad capac idad para demostrar optimalidad y se obtienen soluciones apro ximadas. A pesar de este inconveniente, las metaheurísticas han sido altamente exitosas en enco ntrar soluciones soluciones óptimas ó ptimas o cuasi óptimas en muchas aplicaciones prácticas de optimizaciones en d iversas áreas, más que sus heurísticas subordinadas". Yagiura e Ibaraki (1996) mencionan la combinación de herramientas heurísticas en marcos más sofisticados como característica distintiva de las metaheurísticas y consideran que do s de sus propiedades atractivas son la simplicidad y la ro bustez. Finalmente y para que co nste la estrecha relación entre heurística e inteligencia inteligencia artificial presentamos algunas definiones clásicas de Inteligencia Artificial: y
y
Systems that can demonstrate human-like reasoning capability to enhance the quality of life and improve business competitiveness. (Japan-Spore AI Centre) La
Inteligencia Artificial es el estudio de técnicas de resolución de problemas con complejidad exponencial a partir del conocimiento del campo de aplicación del problema. (Rich)
Tipos de Algoritmos Heurísticos En una primera clasificación podemos pode mos decir que los algoritmos heurísticos pueden ser simples o complejos. Los algoritmos simples tienden a tener reglas de terminación b ien definidas, y se detienen en un óptimo local, mientras que los algoritmos más complejos pueden no t ener reglas de terminación estándar, y buscan soluciones mejores hasta alcanzar un punto de parada arbitrario. Dentro de los algoritmos heurísticos complejos podemos hacer una segu nda clasificación, esta vez orientada a la funcionalidad de los mismos. mismos. En primer pr imer lugar podemos encontrarnos con algoritmos que fueron diseñados para dar solución a problemas de búsqueda de ó ptimos ptimos o clasificación clasificación y por otro lado tenemos los algoritmos que tratan de deducir conocimiento a partir de un conjunto de axiomas, estos últimos conocidos como sistemas basados en el conoc imiento. Entre los algoritmos de busqueda de óptimos ó ptimos se encuentran los siguientes métodos: y y y y
Busqueda Tabú
Temple Simulado Algoritmos Genéticos Redes Neuronales
Los sistemas basados en el conocimi conoc imiento ento definen un área muy concreta dentro d entro de la inteligencia artificial, conocida como Ingeniería del conocimiento. cono cimiento. Los sistemas desarrollados en este campo siguen un patrón heurístico similar al razonamiento hu mano.
usqueda Tabú
B
La búsqueda tabú es un procedimiento o estrategia dado a conocer en los trabajos de Glover, y que esta teniendo grandes exitos y mucha aceptación en los últimos años. Según su creador, es un procedimiento que "explora el espacio de soluciones más alla del óptimo local", (Glover y Laguna). Se permiten cambios hacia arriba o que empeoran la solución, una vez que se llega a un óptimo local.
Simultáneamente los ultimos movimientos se califican como tabús durante las siguientes iteraciones para evitar que se vuelvan a soluciones anteriores y el algoritmo cicle. El termino tabú hace referencia a un tipo de inhibición a algo debido a connotaciones culturales o historicas y que puede ser superada en determinadas condiciones. (Glover).
Temple Simulado El uso del temple simulado en problemas de Optimización se ha extendido desde mediados de los ochenta hasta ahora, a partir de los trabajos de Kirpatrick, Gelatt&Vecchi. Los algoritmos Temple Simulado están basados en una estrecha analogía entre los procesos pro cesos físicos físicos termodinámicos y los elementos de un problema de optimización combinatoria. Aunque asintóticamente estos algoritmos se comportan como exactos, (un análisis exhaustivo de esta afirmación se puede encontrar en el trabajo de Aarts&Korst), en la práctica se diseñan como heurísticos. El campo de aplicaciones se ha extendido durante estos años. En problemas de rutas destacan las aportaciones de Osman, para el VRP; y Aarts y otros, para el problema del viajante de comercio.
Algoritmos Genéticos En los años setenta, de la mano de John Holland surgió surg ió una de las líneas más prometedoras de la inteligencia artificial, la de los algoritmos genéticos. Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinación genética), así como también a una selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados.
Redes Neuronales En inteligencia artificial las redes de neuronas art ificiales ificiales (RNA) son un ejemplo de aprendizaje y procesamiento automático basado en el funcionamiento del sistema nervioso animal. Se trata de simular el comportamiento observado en las redes neuronales biológicas a través de mode los matemáticos mediante mecanismos artificiales (circuitos integrados, ordenadores...). Con las RNA se pretende conseguir que las máquinas den repuestas similares a las del cerebro hu mano, caracterizadas por su generalización y robustez.
Sistemas expertos Los sistemas expertos se basan en simular el razonamiento humano con un doble interés: en pr imer lugar el del analizar el razonamiento de un experto en la materia para poder codificarlo con la ayuda de un determinado lenguaje informático; por otra parte, la síntesis artificial artificial de los razonamientos razonamiento s para que se parezcan a los del experto humano en la resolución de un determinado problema. Estos dos intereses han hecho que los investigadores del campo de la IA intenten establecer una metodología que les permita verificar la "comunicación" con los expertos y separar los distintos tipos de razonamiento (formal, deductivo, inductivo...), además de co nstruir los elementos necesarios necesarios para modelizarlos. modelizarlos. Mientras que en la programaci pro gramación ón clásica c lásica se diferencia solamente entre el programa y los dato s, en los sistemas expertos se diferencian tres componentes:
y y y
Una base de
conocimientos Una base de hechos Un motor de inferencia
La base de conocimientos almacena toda la información específica relativa al campo de conocimiento deseado. Para ello se hace uso de un lenguaje específico para representar los conocimientos y que permite definir al experto su propio prop io vocabulario técnico. En la base de hechos se encuentran los datos dato s relativos a los problemas que se quieren resolver con la ayuda del sistema. La memoria de trabajo almacena los resultados intermedios, pudiendo guardar el rastro de las inferencias realizadas. Es por eso q ue puede utilizarse para explicar la forma en la que el sistema ha deducido la información durante una sesión de trabajo o describir el comportamiento del propio sistema. Al comienzo del período de trabajo, en la base de hechos sólo se encuentran los datos introducidos por el usuario del sistema, pero a medida que actúa el motor de inferencia, almacena las inducciones y deducciones que ha llevado a cabo el sistema para conseguir las conclusiones. El motor de inferencia, es un programa pro grama que a partir de l "conocimiento" puede resolver el problema especificado. Esto se consigue gracias a los datos de la base de hechos hec hos del sistema. Por lo general, las reglas de la base de co nocimiento son silogismos demostrativos (si A es cierto entonces deducimos B). En este caso, el motor de inferencias selecciona, valida y activa las reg las que permiten obtener la solución correspondiente al problema en cuest ión. Existen dos tipos de motor de d e inferencia: los que emplean el razonamiento aproximado (cuyo resultado puede ser erróneo) y los que usan un tipo de razonamiento a partir del que se puede obtener resultado verdadero. Introducción
a la Verificación en la Ingeniería del Conocimiento
Al igual que la ingeniería del de l software, la ingenieria del conocimiento conoc imiento cuenta entre sus fases con una destinada a la evaluacion del sistema desarrollado. Fases habituales en la ingenieria del conocimiento: 1.
2. 3. 4. 5. 6.
Estudio de viabilidad Adquisición del conocimiento Conceptualización (análisis) Formalización (diseño) Implementación Evaluación
La fase de evaluación en la ingenieria del conocimiento se caracteriza por los siguientes aspectos a tener en cuenta y
Verificación
y
Sintaxis y estructura adecuada (no redundante, completa, co nsistente) Se realiza en modelos conceptuales, formales y computables o Validación Semántica adecuada [experto] o Se realiza en modelos conceptuales, formales y computables o o
Por lo tanto podemos considerar como un proceso fundamental en la evaluacion de "software inteligente" la creación de modelos matematicos. M
odelos Matemáticos
Una de las fases del método heurístico se basa en construir modelos. Aunque existen muchas definici de finiciones ones de modelo, una de las más interesantes es la de Aracil: "Un modelo constituye una representación abstracta de un cierto aspecto de la realidad, y tiene una estructura que está formada por los elementos que caracterizan el aspecto de la realidad modelada y por las relaciones entre estos elementos". Nosotros estamos interesados en modelos formales basados en la lógica matemática, y estos están basados en un conjunto de relaciones matemáticas (relaciones lógicas, ecuaciones, inecuaciones, etc) que representan las relaciones existentes en el mundo real. Un modelo queda por lo tanto definido por las relaciones que contiene. Podemos clasificar los modelos matemáticos según su función: y
y
y
Modelos
predictivos: Son aquellos que nos informan sobre el comportamiento de la variable en el futuro, esto es, lo que debería ser. Los modelos basados en técnicas estadísticas se corresponden con este tipo. Modelos evaluativos: Se basan en medir las diferentes alternativas para comparar los resultados de ellas. Este es el caso de los árboles de decisión. (g eneralmente el Modelos de optimización: Estos modelos tratan de loc alizar un optimo del problema (generalmente óptimo global), es decir, buscan la m ejor alternativa posible. Están basados en técnicas de programación matemática.
Una vez se ha mostrado una breve clasificación de los modelos, es n ecesario aportar una medida de su solución, puesto que el objetivo de definir un modelo es, resolverlo "cómodamente" y extraer los resultados necesarios para tomar alguna decisión. La resolubilidad de los problemas depende de tres características: 1.
El tamaño del problema: La variables y ecuaciones que contiene. para un mayor número de éstas resultará más dificil resolver el problema. 2. El tipo del problema: entero, lineal y no lineal. Los problemas lineales son "fáciles" de r esolver, mientras que los no lineales son muy m uy difíciles. 3. El tipo de instancias: Deterministas o ciertas, con riesgo (conociendo la probabilidad de ocurrencia), con incertidumbre (se conocen los posibles resultados pero no la probabilidad de que ocurran) y turbulencia (no conocemos ninguna cosa).
J. Marcos Moreno Vega, José A. Moreno Pérez.Heurísticas Pérez.Heurísticas en Optimización. Optimización . Colección Textos Universitarios. Consejería de Educación, Cultura y Deportes (2000) Se
tratan gran parte de los tópicos recogidos en los descriptores y contenidos de la asignatura. Asimismo, se relacionan éstos con los que se tratan en diversas asignaturas del plan de estudio. El texto consta de seis capítulos que se dedican, respectivamente, a introducir la materia, describir representaciones y estructuras de entorno y estudiar diferentes búsquedas por entornos, Algoritmos Genéticos y Optimización por medio de Colonias de Hormigas. Adenso Díaz. Optimización heurística y redes neuronales.Editorial neuronales. Editorial Paraninfo (1996) Primer libro en español que trató sobre heurísticas de optimización. Aborda el estudio de diferentes heurísticas: Recocido Simulado, Algoritmos Genéticos, Búsqueda Tabú, GRA SP, ... Colin R. Reeves (editor).Modern (editor). Modern Heuristic Techniques for Combinatorial Problems.Backwell Problems. BackwellScientificPublications (1993)
Se
describen los procedimientos heurísticos más importantes aparecidos en la literatura: Recocido Simulado, Búsqueda Tabú, Algoritmos Genéticos, Redes Neuronales Artificiales y Relajación Lagrangiana. La descripción de cada uno de estos algoritmos es realizada por algunos de los más prestigiosos investigadores en cada procedimiento. Además de describir el procedimiento, se aporta una valiosísima bibliografía y líneas de investigación futuras. Asimismo, se profundiza en la idea de que estos algoritmos pueden ser integrados en un mismo procedimiento para mejorar la eficiencia de la búsqueda. Gilbert Laporte, Ibrahim H. Osman (editores)Metaheuristics (editores) Metaheuristics in Combinatorial Optimization.Annals Optimization. Annals of OperationsResearch, Vol. 63. BaltzerSciencePublishers (1996) Se
encuentran trabajos de investigación recientes sobre Recocido Simulado, Búsqueda Tabú, Algoritmos Genéticos y Técnicas Híbridas. Asimismo, se suministra una amplia bibliografía con 1380 referencias bibliográficas catalogadas de acuerdo a la heurística que estudian o aplican. Fred Glover, Manuel Laguna.Tabu Laguna. Tabu SearchKluwer earchKluwer Academic Publishers (1997). Monografía en la que se presenta un estudio amplio y detallado de las características, propiedades, perspectivas y aplicaciones de la Búsqueda Tabú. Es muy interesante, aunque sólo trata del uso de la memoria en el proceso de búsqueda. Recientemente se ha publicado la segunda edición en la que se actualizan las referencias y se clarifican algunas partes del texto.
ZbigniewMichalewicz. bigniewMichalewicz.Genetic Genetic
Algorithms + Data Structures = Evolution Programs.Springer
(1996). Trata en detalle el paradigma de los Algoritmos Genéticos y su uso como herramienta para resolver diversos problemas combinatorios y numéricos. Su uso está recomendado para quienes deseen adquirir sólidos conocimientos en este tópico. Emile Aarts, Jan KarelLenstra (editores).Local (editores). Local Search in Combinatorial Optimization.John Optimization. John Wiley& Sons (1997). Este libro consta de varios capítulos escritos por algunos de los más importantes investigadores en el campo de las Heurísticas aplicadas a Problemas Combinatorios. Entre los capítulos más interesantes para la asignatura se encuentran los dedicados a Recocido Simulado, Búsqueda Tabú y Algoritmos Genéticos. Cabe destacar también el capítulo de Introducción en el que, entre otras cosas, se encuentra una pequeña reseña histórica de la aplicación de técnicas heurísticas a problemas combinatorios, se enumeran estructuras de entorno para diferentes problemas y se describen brevemente algunas de las principales heurísticas. Eric Bonabeau, Marco Dorigo, Guy Theraulaz Systems. ystems.Oxford Oxford University Press, 1999
Swarm
Intelligence. From Natural to Artificial
C.C. Ribeiro, P. Hansen. Essays and Surveys in Metaheuristics. Kluwer Academic Publishers, 2001 David Corne, Marco Dorigo, Fred Golver. New Ideas in Optimization.McGraw Optimization. McGraw Hill, 1999 Manuel Laguna, José Luis Gonzalez Velarde. Computing Tools for Modeling: Optimization and Simulation. imulation.Kluwer Kluwer Academic Publishers, 2000 P.M. Pardalos, M.G.C. Resende (eds.). Handbook of Applied Optimization.Oxford Optimization. Oxford University Press, 2001.
Rafael Bello, Métodos de Solución de Problemas de la Inteligencia Artificial, Universidad Central de Las Villas, 2007. Ivan Bratko, Prolog programming for Artificial Intelligence. Addison-Wesley Publishing Company, Reading, Mass, 1986.
