- En la búsqueda mediante espacio de estados, ¿qué es una función heurística? A) Es una función que calcula el costo real desde un estado dado a un estado objetivo. B) Es una función que estima el costo desde el estado de inicio a un estado determinado. C) Es una función que calcula una estimación aproximada del costo del camino entre el estado inicial y el objetivo pasando por un estado dado. D) Es una función que estima lo próximo que se encuentra un estado de un estado objetivo.
- En relación al estudio del rendimiento de la resolución de un problema podemos afirmar que: A) La completitud indica cuándo se garantiza que una solución es óptima o completa. B) El factor de ramificación es el número máximo de sucesores de cualquier nodo del árbol de búsqueda. C) La complejidad espacial indica el rendimiento del método atendiendo al tiempo. D) El factor de ramificación eficaz es una forma heurística de caracterizar el espacio de búsqueda.
- Acerca de las búsquedas no informadas sobre una representación por espacio de estados podemos decir: A) La búsqueda primero en profundidad garantiza encontrar la solución óptima. B) La búsqueda primero en profundidad limitada no garantiza encontrar la solución óptima. C) La búsqueda de costo uniforme está guiada por la función g y por tanto es un método de búsqueda heurística eficaz. D) Respecto al uso de memoria, la búsqueda primero en anchura es más eficiente que la búsqueda primero en profundidad.
- Disponemos de un problema cuya representación más adecuada es un grafo. Queremos resolver el problema mediante un procedimiento BPMR (búsqueda primero el mejor recursivo) guiado por una función heurística admisible h(·). ¿Qué podemos afirmar sobre la solución que encontrará el procedimiento? A) Es la solución de costo mínimo. B) Es la solución más corta (menor número de operadores). C) Es una solución pero no podemos asegurar que es la de costo mínimo. D) Es la solución que no es de costo mínimo por tanto solo una cantidad “e”.
- Los métodos basados en búsqueda local tienen las siguientes ventajas clave respecto a la búsqueda global: A) Operan con un único estado actual, reduciendo así el espacio de estados. B) Usan una cantidad de memoria y tiempo constante. C) Usan muy poca memoria y pueden encontrar soluciones razonables es espacios grandes. D) Mejoran siempre el rendimiento al utilizar una componente aleatoria.
- Los métodos basados en búsqueda por Temple Simulado: A) Es un método de búsqueda no informada, basado en un proceso metalúrgico. B) Combina la estrategia de búsqueda de Ascensión de Colinas incorporando un factor de aleatoriedad. C) En un método de búsqueda óptimo bajo ciertas condiciones matemáticas. D) Es una variante de un método de búsqueda por algoritmos genéticos.
- Utilizando el algoritmo minimax con poda alfa-beta, ¿qué podemos afirmar sabiendo que MAX quiere maximizar y MIN minimizar?MIN MAX MIN MAX 0 5 -3 3 3 -1 -5 MAX MIN MAX A B C D E H I J K F G 0 2 3 -3 1 5 7 L M N A) No se generan (se podan) los nodos K, G, M y N. B) No se generan (se podan) los nodos G, M y N. C) Se tienen que generar todos los nodos D) No se generan (se podan) los nodos C, F, G, L, M y N.
- Las lógicas monótonas son estáticas, es decir, una vez que se establece que un hecho es cierto, continúa siéndolo siempre. Sobre las lógicas no monótonas se puede decir que: A) Son lógicas que permiten invalidar conclusiones previas al incorporar nuevos hechos, como ocurre cuando el conocimiento es incompleto, el universo es cambiante o se hacen suposiciones temporales. B) Son lógicas que permiten invalidar conclusiones previas al incorporar nuevos hechos, como ocurre cuando el conocimiento es probabilístico, el universo es estático o no se hacen suposiciones temporales. C) Son lógicas que permiten invalidar conclusiones previas al incorporar nuevos algoritmos, como ocurre cuando el conocimiento es incompleto, el universo es cambiante o se hacen suposiciones temporales. D) Son lógicas que permiten invalidar conclusiones previas al incorporar nuevos algoritmos, como ocurre cuando el conocimiento es probabilístico, el universo es estático o no se hacen suposiciones temporales. 2 Curso 2022-23 Test de Teoría - SSII 3º
- Disponemos de un producto “XX” de una empresa “YY”. En Lógica Difusa, ¿puede decirse que ese producto “XX” es “Grande” con grado μ=0.9, y “Peque ̃no” con grado μ=0.1? A) Sí porque el producto “XX” puede pertenecer a más de conjunto (concepto) a la vez. B) No porque el producto “XX” no puede ser “Grande” y “Peque ̃no” a la vez. C) Sí porque la Lógica Difusa representa la probabilidad del producto “XX” y está suma 1. D) No porque si la probabilidad de “XX” a ser “Grande” es 0.9, la probabilidad 0.1 debe ser a “No-Grande” y este recoge a “Mediano” y “Peque ̃no”.
- Respecto a la propiedad de redundancia en la representación del conocimiento podemos afirmar que: A) Su principal ventaja es la unicidad del conocimiento. B) Su principal desventaja es la reducida capacidad de comprensión. C) Su principal ventaja es la diversidad, permitiendo diferentes representaciones se gana en generalidad. D) Su principal desventaja es la representación de procesos de bajo nivel.
- En planificación, de los componentes que describen un operador decimos que: A) La fórmula de precondición establece los elementos que deben a ̃nadirse al estado. B) La fórmula de adición establece la condición de aplicabilidad de la regla. C) La lista de supresión indica los elementos que dejan de ser ciertos. D) La lista de precondición y supresión deben ser conjuntos disjuntos.
- Disponemos de la regla OP definida como: OP(x,y,z): Fórmula de precondición: S(x,y), S(y,z) Lista de supresión: S(x,y), S(y,z) Fórmula de adición: S(x,z), S(y,M) En un sistema de resolución hacia atrás, ¿qué obtiene la función de Regresión R aplicada a la regla OP instanciada por (x = a, y = b, z = c) sobre el literal S(b, M ), es decir, R(OP (a, b, c), S(b, M ))? A) R(OP (a, b, c), S(b, M )) = F B) R(OP (a, b, c), S(b, M )) = V C) R(OP (a, b, c), S(b, M )) = S(b, M ) D) R(OP (a, b, c), S(b, M )) no se puede calcular en esta situación
- ¿Para qué y cómo se utilizan los “arcos amenaza” en la planificación de orden parcial (o parcialmente ordenada)? A) Para construir los planes lineales a partir de los distintos subplanes obtenidos. Estos unen los nodos operador de un subplan con nodos precondición que estén en la lista de supresión (del operador) de otros subplanes. B) Para construir los planes lineales a partir de los distintos subplanes obtenidos. Estos unen los nodos operador de un subplan con nodos precondición que estén en la lista de supresión (del operador) del mismo subplan. C) Para construir los planes jerárquicos a partir de los distintos subplanes obtenidos. Estos unen los nodos opera- dor de un subplan con nodos precondición que estén en la lista de supresión (del operador) del mismo subplan. D) Para construir los planes jerárquicos. Estos unen los nodos operador de un subplan con nodos precondición que estén en la lista de supresión (del operador) de otros subplanes.
- Supongamos que disponemos de las siguientes 5 transacciones a partir del conjunto de items {p1,p2,p3}, las cuales utilizaremos para el aprendizaje de reglas de asociación mediante el algoritmo Apriori. Transacciones = { (p1, p2), (p1, p3), (p2, p3), (p1, p3), (p1, p3) } ¿Cuál es el soporte (cobertura) y confianza (precisión) de la regla p3 → p1? A) Soporte=0 %; Confianza=75 % B) Soporte=80 %; Confianza=60 % C) Soporte=40 %; Confianza=60 % D) Soporte=60 %; Confianza=75 %