Inteligencia Artificial 4º 15 de diciembre del 2014 APELLIDOS: NOMBRE: Duración: 30 min No se permiten móviles, libros, apuntes, ni calculadora El examen consiste en preguntas de respuesta múltiple. Se deben completar las frases que se muestran a continuación con las alternativas especificadas. En concreto, en cada una de las casillas de la siguiente tabla, debe indicarse "V" o "F" para respuestas verdaderas y falsas, respectivamente. Las respuestas acertadas suman 2 puntos, las equivocadas restan 1 punto (sobre un total de 100 puntos) Respuesta (a) (b) (c) (d) (e) 1 F V V F F 2 V F F V V 3 F F F F V 4 F F V F F 5 V V V F V 6 F F V V F 7 V F F V F 8 V F F F V 9 V F F F F 10 F V F V F Pregunta Pág. 1 / 4 Inteligencia Artificial 4º 15 de diciembre del 2014 APELLIDOS: Duración: 30 min NOMBRE: No se permiten móviles, libros, apuntes, ni calculadora 1. ¿Cuál(es) de las siguientes afirmaciones acerca del videojuego Buscaminas (suministrado con Windows – ver figura) son verdaderas y cuáles son falsas? (a) Es un juego bipersonal de suma nula. (b) El entorno es discreto. (c) El entorno es estático. (d) El entorno es accesible. (e) El juego es parcialmente cooperativo. 2. Sea S es conjunto de estados del mundo. El conocimiento a priori de un agente de búsqueda incluye (a) Un estado inicial s0∈S (b) Una función acción: a s que a cada acción a le asigna un estado s∈S (c) Una función suspensión: s v; v∈ℵ que determina en qué nivel de profundidad se deja de buscar (d) Una función expandir: s {s1, ..., sn} que asigna un conjunto finito de sucesores si∈S a cada estado s∈S (e) Una función meta?: s verdad | falso que determina si un estado s∈S es un estado meta 3. Contemple el problema de búsqueda de la figura 1. ¿Cuál es factor de ramificación del árbol generado por la búsqueda en amplitud, si no se filtran estados repetidos? (a) 0.5 (b) 2 (c) 4 (d) 6 (e) 8 . . . 2 1 0 ... ... −1 −2 . . . −2 −1 0 1 2 4. Contemple el problema de búsqueda de la figura 1. Suponga que se Figura 1. Red 2D regular e infinito. necesitan 2 movimientos desde el estado inicial para llegar al mejor • Estado inicial (0,0). nodo meta. ¿Cuántos nodos expandiría la búsqueda en amplitud en el • Estado meta (x,y); x,y∈Z. • Movimiento entre estados directamente peor caso (suponiendo que no se filtran estados repetidos)? conectados a coste 1 (a) 16 (b) 24 (c) 73 (d) 85 (e) Un número infinito de nodos. Pág. 2 / 4 Inteligencia Artificial 4º 15 de diciembre del 2014 APELLIDOS: Duración: 30 min NOMBRE: No se permiten móviles, libros, apuntes, ni calculadora 5. Si se aplica el algoritmo A* con una función heurística h1*, tal que h1*(n)=0 para todos los nodos n, entonces (a) la función h1* es optimista. (b) se puede asegurar que el algoritmo A* es óptimo y completo. (c) todas las funciones heurísticas optimistas h2* son más informadas que h1*. (d) no existe ninguna función heurística optimistas h2* con la que el algoritmo A* expande menos nodos que con h1* (e) el algoritmo A* expande los mismos nodos que la búsqueda de coste uniforme. 6. La incorporación de la poda α-β en el algoritmo Mínimax… (a) …suele mejorar la calidad de la solución (i.e. se elige una mejor jugada que el Mínimax simple) (b) …en algunos casos, puede empeorar la calidad de la solución (i.e. es posible que se elija una jugada peor que el Mínimax simple) (c) …produce siempre la misma solución (i.e. se elige la misma jugada) que el Mínimax simple. (d) …puede mejorar la velocidad con la que se encuentra una solución (i.e. se elige una jugada más rápidamente que el Mínimax simple) (e) …suele empeorar la velocidad con la que se encuentra una solución (i.e. se elige una jugada más lentamente que el Mínimax simple) 7. ¿Cuáles de las siguientes afirmaciones acerca de los problemas de satisfacción de restricciones es (son) verdadera(s)? (a) El algoritmo de vuelta atrás cronológica (cronological backtracking) realiza una búsqueda en profundidad en el espacio de asignaciones parciales de valores a variables. (b) El algoritmo de vuelta atrás cronológica (cronological backtracking) realiza una búsqueda en amplitud en el espacio de asignaciones totales de valores a variables. (c) El algoritmo MAC (Maintaining Arc Consistency) combina el algoritmo de comprobación hacia delante (forward checking) y el algoritmo de arco consistencia. (d) El algoritmo MAC (Maintaining Arc Consistency) combina el algoritmo de vuelta atrás cronológica (cronological backtracking) y el algoritmo de arco consistencia. (e) El algoritmo de comprobación hacia delante (forward checking) realiza una búsqueda A* en el espacio de asignaciones totales de valores a variables. Pág. 3 / 4 Inteligencia Artificial 4º 15 de diciembre del 2014 APELLIDOS: Duración: 30 min NOMBRE: No se permiten móviles, libros, apuntes, ni calculadora 8. Sea X = {A,B,C} un conjunto de variables y R = {RA,B, RA,C, RB,C,} un conjunto de restricciones tal que RA,B ≡ (A = B * 2); RA,C ≡ (A > C); y RB,C ≡ (B ≠ C). ¿Con cual(es) de los siguientes conjuntos de dominios D = {DA,DB,DC} se formaría un Problema de Satisfacción de Restricciones (X,D,R) que es arco-consistente? (a) DA = {2,4}; DB = {1,2}; DC = {1,3} (b) DA = {2,4}; DB = {2}; DC = {1} (c) DA = {2,3,4}; DB = {1,2}; DC = {} (d) DA = {2,4,6} DB = {1,2,3}; DC = {1} (e) DA = {2,4,6} DB = {1,2,3}; DC = {0} 9. La Anomalía de Susmann descubre el hecho de que (a) la planificación con heurística STRIPS no siempre es óptima (b) la planificación con heurística STRIPS no siempre es completa. (c) en la planificación con heurística STRIPS es anormal que haya una regresión de operadores (d) en la planificación con heurística STRIPS es anormal que haya estados repetidos (e) el algoritmo A* se comporta de forma anormal si h*=0 para todos los nodos n 10. ¿Cuáles de las siguientes afirmaciones acerca de los algoritmos de aprendizaje son verdaderas y cuáles son falsas? (a) El aprendizaje inductivo infiere hechos concretos a partir de predicados más generales. (b) El algoritmo ID3 para aprender árboles de decisión es un ejemplo de aprendizaje inductivo. (c) El algoritmo ID3 para aprender árboles de decisión es un algoritmo de aprendizaje no supervisado. (d) El Q-learning es un algoritmo de aprendizaje no supervisado. (e) Dado un problema de clasificación binaria, con 30 ejemplos pertenecientes a la clase A y 30 ejemplos pertenecientes a la clase B, un clasificador que clasifica correctamente el 40% de los ejemplos es mejor que un clasificador que asigna a cada ejemplo una de las clases de manera aleatoria. Pág. 4 / 4