Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 172 vistas

    ExOrdSA 1929054

    Cargado por

    Alejandro Rodríguez
    El agente busca oro en una matriz de 3x3 comenzando en (0,0). El oro está en (1,2). Usando búsqueda avariciosa, la ruta óptima es (0,0) -> (1,0) -> (1,1) -> (1,2). Se entrena un perceptrón con ejemplos de entrada y salida para reconocer patrones. Los pesos se ajustan iterativamente usando el error entre la salida real y deseada. En la primera iteración, los pesos se ajustan para los dos primeros ejemplos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    ExOrdSA 1929054

    Cargado por

    Alejandro Rodríguez
    172 vistas5 páginas
    El agente busca oro en una matriz de 3x3 comenzando en (0,0). El oro está en (1,2). Usando búsqueda avariciosa, la ruta óptima es (0,0) -> (1,0) -> (1,1) -> (1,2). Se entrena un perceptrón con ejemplos de entrada y salida para reconocer patrones. Los pesos se ajustan iterativamente usando el error entre la salida real y deseada. En la primera iteración, los pesos se ajustan para los dos primeros ejemplos.

    Título original

    ExOrdSA-1929054 (1)

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El agente busca oro en una matriz de 3x3 comenzando en (0,0). El oro está en (1,2). Usando búsqueda avariciosa, la ruta óptima es (0,0) -> (1,0) -> (1,1) -> (1,2). Se entrena un perceptrón con ejemplos de entrada y salida para reconocer patrones. Los pesos se ajustan iterativamente usando el error entre la salida real y deseada. En la primera iteración, los pesos se ajustan para los dos primeros ejemplos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    172 vistas5 páginas

    ExOrdSA 1929054

    Cargado por

    Alejandro Rodríguez
    El agente busca oro en una matriz de 3x3 comenzando en (0,0). El oro está en (1,2). Usando búsqueda avariciosa, la ruta óptima es (0,0) -> (1,0) -> (1,1) -> (1,2). Se entrena un perceptrón con ejemplos de entrada y salida para reconocer patrones. Los pesos se ajustan iterativamente usando el error entre la salida real y deseada. En la primera iteración, los pesos se ajustan para los dos primeros ejemplos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 5

    Examen Ordinario Sistemas Adaptativos N1

    Pablo Alejandro Hernández Barrera 1929054

    I.- Búsqueda (20 puntos). Considera un mundo donde un agente busca oro. Este mundo
    (ver Tabla 1) está representado por una matriz de 3 x 3 y el agente comienza en la casilla
    (0,0). Se sabe que el oro está en la casilla (1,2), y por esta razón se cuenta con información
    acerca de la distancia entre cada casilla y el oro. Utiliza la búsqueda avariciosa para producir
    la ruta que el agente deberá seguir; considera 4-vecindad para determinar casillas
    adyacentes.
    1. Crea el árbol correspondiente.

    2.

    2. Indica la ruta que seguirá el agente.


    R: Ruta a seguir = (0,0)  (1,0)  (1,1)  (1,2)

    II.- Redes neuronales (20 puntos). Considera un perceptrón con función de activación
    escalonada (umbral=0) para reconocer los ejemplos [((-1, 0, 0), 0), ((-1, 0, 1), 1), ((-1, 1, 0),
    1) , ((-1, 1, 1), 1)]. Considera que los pesos empiezan en 0, excepto el del sesgo, que toma el
    valor inicial de 1. Reporta los valores de los pesos (incluye procedimientos de ajuste) para
    los dos primeros ejemplos de la primera iteración para entrenar el perceptrón; la tasa de
    aprendizaje  es de 0.1.

    X0 X1 X2 d❑
    -1 0 0 0
    -1 0 1 1
    -1 1 0 1
    -1 1 1 1

    Umbral= 0
    Ƞ= 0.1

    1. W 0 X 0 +W 1 X 1 +W 2 X 2
    Examen Ordinario Sistemas Adaptativos N1
    Pablo Alejandro Hernández Barrera 1929054
    = 1 ( −1 )+ 0 ( 0 ) +0 ( 0 )=−1
    f(g(x))= 0

    2. = 1(-1) + 0(0) + 0(1)= -1


    f(g(x))= 0

    cambio de pesos W 0 =W + ȠXe e=d-y= 1


    *W 0 =1+ .1 (−1 ) ( 1 )=.9
    *W 1=0+.1 ( 0 )( 1 ) =0
    *W 2=0+. 1 ( 1 ) ( 1 )=. 1
    G(x)= .9(-1) + 0(0) + .1(1)= -0.8
    f(g(x))= 0

    Cambio de pesos 2.2 e=d-y= 1-(-.8)=1.8

    *W 0 =1+ .1 (−1 ) ( 1.8 )=.82


    *W 1=0+.1 ( 0 )( 1.8 )=0
    *W 2=0+. 1 ( 1 ) ( 1. 8 ) =.18
    G(x)= .82(-1) + 0(0) + .18(1)= -.64
    f(g(x))= 0

    Cambio de pesos 2.3 e=d-y= 1-(-.64)=1.64

    *W 0 =1+ .1 ( −1 ) ( 1.64 ) =.836


    *W 1=0+.1 ( 0 )( 1.64 )=0
    *W 2=0+.1 (1 ) ( 1.64 )=.164
    G(x)= .836(-1) + 0(0) + .164(1)= -0.672
    f(g(x))= 0

    3. = 1(-1) + 0(1) + 0(0)= -1


    f(g(x))= 0

    Cambio de pesos 3.1 e=d-y= 1-0=1

    *W 0 =1+ .1 (−1 ) ( 1 )=.9


    *W 1=0+.1 (1 ) ( 1 )=.1
    *W 2=0+. 1 ( 0 )( 1 )=0
    G(x)= .9(-1) + .1(1) + 0(0) = -0.8
    f(g(x))= 0

    Cambio de pesos 3.2 e=d-y= 1-(-.8)=1.8

    *W 0 =1+ .1 (−1 ) ( 1. 8 ) =. 82
    *W 1=0+. 1 ( 1 ) ( 1. 8 ) =.18
    *W 2=0+.1 ( 0 )( 1.8 )=0
    G(x)= .82(-1) + .18(1) + 0(0) = -0.64
    f(g(x))= 0
    Examen Ordinario Sistemas Adaptativos N1
    Pablo Alejandro Hernández Barrera 1929054

    Cambio de pesos 3.3 e=d-y= 1-(-.64)=1.64

    *W 0 =1+ .1 (−1 ) ( 1. 64 )=. 836


    *W 1=0+. 1 ( 1 ) ( 1. 64 )=. 164
    *W 2=0+.1 ( 0 )( 1.64 )=0
    G(x)= .836(-1) + .164(1) + 0(0) = -.672
    f(g(x))= 0

    4. = 1(-1) + 0(1) + 0(1)= -1


    f(g(x))= 0

    III.- Sistemas expertos: Lógica difusa (30 puntos) . Teniendo los dominios U={5,40} y V={2,3}
    y la regla “Si x es Caliente, entonces y es Alto”, donde Caliente={(5, 0.2), (40, 0.9)} y Alto={
    (2, 0.5), (3, 0.9)}, calcula la implicación de producto Mamdani QMP (x,y)= FP1(x)FP2(y).

    U={ 5, 40} x = caliente and y=alto


    V={ 2, 3} caliente= {(5, 0.2), (40, 0.9)}
    Alto= {(2, 0.5), (3, 0.9)}

    *Q MM = {

    ((5, 2), .2 ) ((5, 3), .2 )

    ((40, 2), .9 ) ((40,3), .9 )

    }
    Examen Ordinario Sistemas Adaptativos N1
    Pablo Alejandro Hernández Barrera 1929054

    IV.- Sistemas multiagente: Contract Net (30 puntos). El agente jugador (J) desea realizar
    un centro (ver Figura 1). Para ello, se vale del protocolo Contract Net y publica una
    tarea para los delanteros de su equipo (D); cada agente delantero contesta
    indicando su distancia con respecto al agente jugador, su distancia con respecto a la
    portería (P) y la cantidad de defensas (F) adyacentes (considera 8-vecindad). Para
    escoger al delantero, el jugador suma estas tres cantidades y prefiere la suma
    menor. Considera que las distancias son Manhattan.

    Contesta lo siguiente:
    1. ¿Cuál es el agente contratante y cuáles son los agentes postores en este caso?
    R= el jugador J y los delanteros D1, D2
    2. ¿Qué agentes responden a la publicación del agente jugador?
    R= D1 y D2
    3. ¿Qué capacidades tienen los agentes delanteros?
    R=
    4. ¿Cuál de los agentes será escogido para llevar a cabo la tarea?
    R=D2
    Examen Ordinario Sistemas Adaptativos N1
    Pablo Alejandro Hernández Barrera 1929054

    V.- Sistemas multiagente: subastas (20 puntos). Existe una serie de agentes que desean
    adquirir un bien y se llevará a cabo una subasta Vickrey para asignarlo. El valor interno del
    bien para cada agente se encuentra en la Tabla 2. Reporta lo siguiente:
    1. Oferta que hará cada agente.
    R= Agent 1= $50, Agent 2= $60, Agent 3 $50, Agent 4 $55
    2. Agente ganador de la subasta.
    Precio que pagará el agente ganador por el bien.
    R= El agente ganador es el N°2, ya que fue la apuesta mas alta y pagará $55 ya que
    esa fue la segunda más alta

    También podría gustarte