SSII UAL TEMA 3 Estrategias Avanzadas de Búsqueda

¿Qué es la heurística?. Un algoritmo específico para resolver problemas. Experiencia basada en técnicas para la resolución de problemas. Un método para generar nuevos estados en un problema de búsqueda. Una función para estimar el costo de la ruta. Un tipo de juego de dos jugadores.

¿Cuál es el propósito principal de las funciones heurísticas en la búsqueda?. Encontrar la solución óptima de un problema. Generar todos los posibles estados en un problema. Estimar el costo de la ruta de un estado a la solución. Simplificar la estructura del árbol de búsqueda. Aumentar la complejidad de la búsqueda.

¿Qué significa la palabra 'heuriskein'?. Encontrar. Descubrir. Ambas (encontrar y descubrir). Ninguna de las anteriores. Un tipo de algoritmo.

¿Qué función cumplen las estrategias avanzadas de búsqueda?. Generar nuevos estados y verificar si son una solución. Utilizar conocimiento específico del problema para buscar soluciones. Emplear información básica a la hora de resolver problemas. Ser ineficientes en la mayoría de las situaciones. No emplean conocimiento especifico del problema.

¿Cuál es la función principal de la heurística en el algoritmo de Búsqueda Primero el Mejor?. Generar nuevos estados. Ordenar los estados abiertos por su evaluación heurística. Determinar si un estado es la solución. Estimar el costo de cada estado al objetivo. Aplicar el algoritmo minimax.

¿Qué implica que una heurística sea admisible?. Que siempre sobreestima el costo de la solución. Que nunca sobreestima el costo del camino hacia la solución. Que es una función compleja de calcular. Que siempre encuentra la solución óptima. Que utiliza conocimiento específico del problema.

¿En qué se diferencia la Búsqueda A* de la Búsqueda Primero el Mejor?. A* utiliza una función de evaluación más simple. A* solo considera el costo de llegar al estado actual. A* también considera el costo acumulado desde el estado inicial. Búsqueda Primero el Mejor es más eficiente. No existen diferencias.

¿Qué es la 'Búsqueda A* por Profundización Iterativa' (IDA*-search)?. Un tipo de búsqueda en anchura. Un método para almacenar muchos estados en memoria. Un método para mantener la lista de estados ordenada. Un método para emplear búsqueda en profundidad iterativa con un límite de valor de la función de evaluación. Un método para estimar el costo de la ruta.

¿Cuál es el objetivo principal de la función heurística al diseñar una búsqueda?. Aumentar el tiempo de cómputo. Minimizar la exactitud de la solución. Encontrar una solución óptima rápidamente. Simplificar el problema sin importar el costo. Maximizar el costo de evaluación.

¿Qué son los juegos de suma cero?. Juegos donde la ganancia de un jugador es la pérdida del otro. Juegos donde los jugadores cooperan. Juegos donde todos los jugadores ganan. Juegos donde la suma de las recompensas es diferente a cero. Juegos deterministas.

¿Cuál es la función del algoritmo Minimax?. Maximizar la ganancia del jugador Max. Minimizar la pérdida del jugador Min. Evaluar la función de evaluación. Encontrar la mejor jugada para Max, asumiendo que Min juega de forma óptima. Generar un árbol de búsqueda completo.

¿Por qué el algoritmo Minimax se limita en profundidad en la búsqueda?. Para acelerar el cálculo de la función heurística. Debido a las restricciones del juego (tiempo, recursos). Porque el algoritmo no es eficiente. Para evitar la optimización. Para que la evaluación de los nodos intermedios sea más sencilla.

¿Qué es la poda alfa-beta?. Un algoritmo para la búsqueda en anchura. Un algoritmo para juegos no deterministas. Una técnica para reducir el tiempo de cálculo en el algoritmo Minimax. Un método para evaluar la función heurística. Un tipo de algoritmo genético.

¿Qué representan los parámetros alfa y beta en la poda alfa-beta?. Los valores máximo y mínimo de la función de evaluación. Los límites de los valores que aparecen a lo largo de cada camino. Los movimientos del jugador Max y del jugador Min. El número de nodos en el árbol de búsqueda. Los nodos hoja.

¿Cuándo se realiza la poda en la poda alfa-beta?. Cuando alfa es menor que beta. Cuando el valor actual es peor que el valor actual de alfa (para Max) o beta (para Min). En cada nivel del árbol. Cuando se encuentra la solución óptima. Cuando el número de nodos es demasiado grande.

¿Cuál es el objetivo principal de los algoritmos de mejora iterativa?. Encontrar la solución óptima de un problema. Explorar todos los estados posibles. Moverse en el espacio de búsqueda hasta una solución casi-óptima. Simplificar el espacio de búsqueda. Construir un árbol de búsqueda completo.

¿Qué problema puede presentar el algoritmo de Ascenso de Colinas?. Encontrar la solución óptima siempre. Evitar los máximos locales. No ser afectado por las planicies y crestas. Quedar atrapado en máximos locales. Explorar todos los estados del problema.

¿Cómo se define un máximo local?. Una cima cuya altura es inferior a la cima más alta de todo el espacio de estados. El máximo global. El punto de partida del algoritmo. Un valor irrelevante para el algoritmo. El mínimo valor del algoritmo.

¿Qué son las planicies en el contexto del algoritmo de Ascenso de Colinas?. Regiones donde la función heurística tiene un valor variable. Regiones donde la función heurística tiene un valor constante. El mejor estado encontrado. La solución óptima. Un tipo de problema de búsqueda.

¿Qué problema presentan las crestas para el algoritmo de Ascenso de Colinas?. El algoritmo avanza de forma rápida. El algoritmo avanza en zig-zag y lentamente hacia una mejor posición. El algoritmo nunca encuentra la solución. El algoritmo siempre encuentra la solución óptima. Las crestas no causan problemas.

¿Qué es el Recocido Simulado?. Un algoritmo para problemas deterministas. Una meta-heurística probabilística general. Un tipo de juego de dos jugadores. Un algoritmo de búsqueda en anchura. Un algoritmo genético.

¿En qué se basa el Recocido Simulado?. En el ascenso de colinas. En la evolución biológica. En el proceso metalúrgico del recocido (o temple). En el algoritmo Minimax. En la exploración exhaustiva.

¿Cuál es la característica principal del Recocido Simulado que le permite evitar los óptimos locales?. Siempre elige la mejor solución. Realiza movimientos al azar. Usa una función heurística simple. No utiliza una función de evaluación. Explora todos los estados del problema.

¿Qué efecto tiene la temperatura en el Recocido Simulado?. No tiene ningún efecto. Influye en la probabilidad de aceptar soluciones peores. Determina el número de iteraciones. Aumenta la complejidad del algoritmo. Disminuye la complejidad del algoritmo.

¿Qué son los Algoritmos Genéticos?. Un tipo de algoritmo de búsqueda local. Un método basado en la evolución biológica. Un tipo de juego de dos jugadores. Un algoritmo que siempre encuentra la solución óptima. Un algoritmo para problemas deterministas.

¿Cuáles son los operadores genéticos básicos?. Selección, mutación y evaluación. Cruce, mutación y reemplazamiento. Cruce, selección y evaluación. Inicialización, cruce y mutación. Selección, cruce y evaluación.

¿Qué función cumple el operador de cruce?. Seleccionar a los individuos más aptos. Crear nuevos individuos a partir de la combinación de genes de los padres. Modificar aleatoriamente los genes de un individuo. Medir la calidad de la solución representada. Reemplazar a los individuos menos aptos.

¿Cuál es el propósito de la mutación en los Algoritmos Genéticos?. Asegurar que el algoritmo siempre converja a la solución óptima. Crear la población inicial. Mantener la diversidad genética y explorar nuevas regiones del espacio de búsqueda. Seleccionar a los individuos más aptos. Disminuir la complejidad del algoritmo.

¿Qué es la selección por ruleta?. Un método para elegir los individuos con mejor aptitud. Un método para generar la población inicial. Un tipo de operador de cruce. Un método para la mutación. Un tipo de juego de dos jugadores.

¿Cuál es la función de la función de aptitud en un Algoritmo Genético?. Generar la población inicial. Medir la calidad de la solución representada por un individuo. Realizar el cruce entre los individuos. Aplicar la mutación a los individuos. Seleccionar los individuos para la siguiente generación.