Estudiante Y Matricula:

Carlos Manuel López Méndez - 2022-0019

Profesor:
Jorge Ramon Taveras González

Asignatura:
Inteligencia Artificial

Asignación:
Asignacion 0201- 1807 sobre los agentes lógicos

Fecha de entrega:
15/06/2023

1
Índice

Introducción: ................................................................................................................................. 3
Resumen del capítulo 7 de los agentes lógicos ............................................................................ 4
Sintaxis ........................................................................................................................................... 4
Semántica ....................................................................................................................................... 4
Inferencia ....................................................................................................................................... 5
Patrones de razonamiento en lógica proposicional .................................................................... 5
Resolución ...................................................................................................................................... 6
Forma normal conjuntiva ............................................................................................................ 6
Completitud de la resolución ....................................................................................................... 6
Inferencia proposicional efectiva ................................................................................................. 7
Agentes basados en circuitos ........................................................................................................ 8
Conclusión: .................................................................................................................................. 10
Webgrafía: ....................................................................................................................................11

2
Introducción:
El capítulo 7, titulado "Agentes Lógicos", explora la aplicación de la lógica en la construcción de
agentes inteligentes. Los agentes lógicos son aquellos que utilizan la lógica proposicional y de
primer orden para representar y razonar sobre el conocimiento, y para tomar decisiones basadas
en ese razonamiento.

En este capítulo, Russell y Norvig introducen los conceptos fundamentales de la lógica

proposicional y de primer orden, y explican cómo se pueden utilizar para representar el
conocimiento en un agente inteligente. También exploran cómo se puede realizar el razonamiento
lógico en un agente, utilizando métodos como la resolución y la inferencia hacia delante y hacia
atrás.

Además, el capítulo aborda la cuestión de la incertidumbre y la probabilidad en la lógica, y cómo

se pueden combinar estos dos enfoques para construir agentes lógicos más poderosos. También se
discuten las limitaciones de los enfoques basados en la lógica y se exploran alternativas como los
sistemas basados en reglas y el razonamiento basado en casos.

Este capitulo proporciona una visión general de cómo se puede utilizar la lógica en la construcción
de agentes inteligentes. Presenta las bases de la lógica proposicional y de primer orden, explora el
razonamiento lógico y discute las ventajas y limitaciones de los enfoques basados en la lógica en
comparación con otros métodos de construcción de agentes.

3
Resumen del capítulo 7 de los agentes lógicos
La lógica también debe determinar la semántica del lenguaje. Si lo relacionamos con el lenguaje
hablado, entonces la semántica se ocupa del "significado" de la oración. Lógicamente, esta
definición es más precisa. La semántica del lenguaje determina el valor de verdad de cada oración
en relación con todos los mundos posibles. Cuando se necesite más precisión, usaremos el término
modelo en lugar de "mundo posible". (También usaremos la frase "m es un modelo" para mostrar
que la afirmación es válida para el modelo m.) Aunque podemos considerar que los mundos
posibles son entornos reales (potencialmente posibles). función) donde un agente puede o no estar,
pero los modelos son simples abstracciones matemáticas que nos permiten determinar el verdadero
o falso de cada declaración relevante. Ahora que tenemos el concepto de valor lógico, podemos
hablar de inferencia lógica. Requiere una conexión lógica entre declaraciones (la idea de que una
declaración se sigue lógicamente de otra). Se dice que un algoritmo de inferencia que genera solo
oraciones implícitas es confiable o veraz. La durabilidad es una propiedad muy deseable. Un
increíble proceso de inferencia mostrará cada paso (anunciando el descubrimiento de agujas
inexistentes). Es fácil ver que la prueba de muestras, siempre que sea posible, es un procedimiento
seguro. La propiedad de completitud también es muy deseable: un algoritmo de inferencia está
completo si puede deducir declaraciones.
Hemos descrito un proceso de inferencia en el que se garantiza que las conclusiones son verdaderas
en cualquier mundo donde las premisas sean verdaderas; En particular, si BC es verdadera en el
mundo real, cualquier proposición derivada de BC mediante un procedimiento de inferencia lógica
también será verdadera en el mundo real. Así, mientras que el proceso de inferencia se basa en la
"sintaxis" (configuración física interna, como bits en registros o patrones de impulsos eléctricos
en el cerebro), el proceso corresponde a relaciones en el mundo real, según las cuales algún aspecto
del mundo real es verdad. por el hecho de que otros aspectos del mundo real son verdaderos.
Presentaciones. El último problema a resolver en la computación basada en agentes lógicos es el
problema de la notación (el vínculo, si lo hay, entre los procesos de razonamiento lógico y el
entorno real en el que reside el agente).
Sintaxis
La sintaxis de la lógica proposicional nos define las sentencias que se pueden construir. Las
sentencias atómicas (es decir, los elementos sintácticos indivisibles) se componen de un único
símbolo proposicional.
Semántica
Una vez especificada la sintaxis de la lógica proposicional, vamos a definir su semántica. La
semántica define las reglas para determinar el valor de verdad de una sentencia respecto a un
modelo en concreto. En la lógica proposicional un modelo define el valor de verdad (verdadero o
falso).
La semántica en lógica proposicional debe especificar cómo obtener el valor de verdad de
cualquier sentencia, dado un modelo. Este proceso se realiza de forma recursiva. Todas las
sentencias se construyen a partir de las sentencias atómicas y las cinco conectivas lógicas; entonces
necesitamos establecer cómo definir el valor de verdad de las sentencias atómicas y cómo calcular
el valor de verdad de las sentencias construidas con las cinco conectivas lógicas.

4
Inferencia
El algoritmo es muy sólido porque realiza directamente la definición de participación y se completa
porque funciona para cualquier BC y cualquier oración, y siempre termina (solo el modelo final
debe probarse). (La complejidad espacial es solo (n) debido a la primera transferencia de
profundidad). Desafortunadamente, cada algoritmo de inferencia conocido en lógica proposicional
tiene el peor de los casos cuya complejidad es exponencial al tamaño de la entrada.
El primer concepto es la equivalencia lógica: dos enunciados son lógicamente equivalentes si
tienen el mismo valor real en el mismo conjunto de modelos. El segundo concepto que necesitamos
es el concepto de importancia. Una oración es válida si es verdadera en todos los modelos. Las
oraciones correctas también se conocen como oraciones repetidas y son necesariamente verdaderas
y, por lo tanto, sin sentido.
Dado que el enunciado Verdadero es verdadero en todos los modelos, cualquier enunciado
verdadero es lógicamente equivalente al enunciado Verdadero. inferencia correcta. El último
concepto que necesitamos es el concepto de satisfacción. Una afirmación se considera exitosa si
se cumple para algún patrón. La factibilidad se puede encontrar enumerando los modelos posibles
hasta que uno de ellos satisfaga el enunciado. Determinar la satisfacción de las proposiciones en
lógica proposicional es el primer problema que debe probarse como NP-completo.

Patrones de razonamiento en lógica proposicional

La conclusión a la que hemos llegado (el orden en que se aplican las reglas de inferencia) se llama
prueba (o demostración). Obtener una prueba es muy similar a encontrar una solución a un
problema de búsqueda. Puede buscar hacia adelante desde la base de conocimiento original
aplicando reglas de inferencia a la afirmación del objetivo, o viceversa desde la afirmación del
objetivo tratando de encontrar la secuencia de reglas de inferencia que conducen a la base de
conocimiento original. Más adelante en esta sección, veremos dos familias de algoritmos que
utilizan estos métodos.
El hecho de que la inferencia en la lógica proposicional sea NP-completa sugiere que, en el peor
de los casos, la búsqueda de pruebas no será mucho más eficiente que los modelos yuxtapuestos.
Sin embargo, en muchos casos prácticos, encontrar evidencia puede ser muy efectivo, simplemente
porque las oraciones no relacionadas, sin importar cuántas, pueden pasarse por alto en el proceso.
Esta propiedad de los sistemas lógicos en realidad se deriva de una propiedad mucho más
fundamental llamada monotonía. La propiedad de monotonía nos dice que el conjunto de
declaraciones relacionadas solo puede crecer (pero no cambiar) a medida que se agrega
información a la base de conocimiento. O. Este conocimiento puede ayudar al agente a sacar
conclusiones adicionales, pero no puede socavar las conclusiones ya extraídas (por ejemplo,
concluir que no hay un agujero en el cuadrado [1, 2]). La monotonía permite aplicar reglas de
inferencia siempre que se encuentre una premisa adecuada en la base de conocimiento; la salida
de la regla permanecerá independientemente de lo que haya en la base de conocimiento.

5
Resolución
Los algoritmos de búsqueda, como la búsqueda iterativa en profundidad, son completos en el
sentido de que encontrarán cualquier objetivo alcanzable, pero si las reglas de inferencia están
incompletas, entonces el objetivo es inalcanzable; No hay evidencia usando solo estas reglas de
inferencia. En esta sección, presentamos una regla de inferencia simple, una solución que, cuando
se combina con un algoritmo de búsqueda completo, produce un algoritmo de inferencia completo.
En lenguaje natural: si hay un agujero en el cuadrado [1, 1] o en [3, 1] pero no en [1, 1] entonces
está en [3, 1]. Hay un aspecto técnico más en la regla de resolución: la oración resultante debe
contener solo una copia de cada literal. El proceso de eliminar varias copias de texto se denomina
factorización.
Lo más sorprendente de las reglas de decisión es que son la base de toda una familia de
procedimientos de inferencia. Cualquier algoritmo de búsqueda completo que use solo una regla
de resolución puede sacar conclusiones arbitrarias de cualquier base de conocimiento en lógica
proposicional. Pero hay una cosa a tener en cuenta: el permiso es completo en un sentido muy
estricto. Este hecho se denomina integridad del permiso, lo que significa que el permiso siempre
se puede usar para probar o refutar una declaración, pero no se puede usar para enumerar
declaraciones como verdaderas.

Forma normal conjuntiva

La regla de resolución sólo se puede aplicar a disyunciones de literales, por lo tanto, sería muy
importante que la base de conocimiento y las preguntas a ésta estén formadas por disyunciones.
Entonces, ¿cómo nos lleva esto a un procedimiento de inferencia completa para toda la lógica
proposicional? La respuesta es que toda sentencia en lógica proposicional es equivalente
lógicamente a una conjunción de disyunciones de literales. Una sentencia representada mediante
una conjunción de disyunciones de literales se dice que está en forma normal conjuntiva o FNC.

Completitud de la resolución
El cierre de decisión es lo que el procedimiento RESOLUCIÓN-LP evalúa y asigna a una variable
de cláusula su valor final. Cadena de ida y vuelta las bases de conocimiento del mundo real
generalmente contienen solo oraciones de un tipo limitado, llamadas oraciones de Horn. La oración
de Horn es una separación de literales donde a lo sumo uno es positivo. Las oraciones similares a
Horn que contienen solo un literal positivo se llaman oraciones afirmativas. El literal literal
positivo se llama la cabeza, y el sustituto literal negativo se llama el cuerpo de la oración. Una
oración afirmativa sin una negativa literal simplemente establece una proposición dada, que a
veces se llama un hecho.
La oración de Horn que no tiene un significado literal positivo se puede escribir como una
implicación que lleva a un Falso literal. Estos tipos de aserciones se conocen como restricciones
de integridad en el mundo de las bases de datos, donde se utilizan para indicar errores entre datos.
Para simplificar, los siguientes algoritmos asumen que la base de conocimiento contiene solo
declaraciones y no tiene restricciones de integridad. Entonces decimos que estos conocimientos
tienen forma de cuerno.

6
La inferencia de las oraciones de Horn se puede hacer usando algoritmos de asociación hacia
adelante y hacia atrás que explicaremos en breve. Ambos algoritmos son muy naturales en el
sentido de que los pasos de inferencia son claros y comprensibles para los humanos. Determinar
si hay un beneficio en las propuestas de Horn se puede hacer en tiempo lineal con respecto al
tamaño de la base de conocimiento.
Es fácil descubrir que la cadena de relevos es un proceso confiable: cada resultado es en realidad
una aplicación de Modus Pones. La cadena de transición también está completa: se derivarán todos
los operadores atómicos participantes. La forma más fácil de ver esto es mirar el estado final
esperado de la tabla (después de que el algoritmo haya encontrado un punto fijo del cual no se
puede sacar una nueva conclusión).
Algoritmo de encadenamiento directo para lógica proposicional. La variable agenda realiza un
seguimiento de los caracteres que se sabe que son verdaderos pero que no han sido "manejados".
La tabla de puntuación rastrea los antecedentes de cada implicación desconocida. La secuencia
directa es un ejemplo del concepto general de razonamiento basado en datos, es decir, argumentos
en los que la atención comienza con datos conocidos. Este razonamiento puede ser utilizado por
el agente para sacar conclusiones de la información recibida, generalmente sin una solicitud
especial. Por ejemplo, un agente de wumpus puede informar sus conocimientos a la base de
conocimiento utilizando un algoritmo paso a paso donde se pueden agregar hechos a la agenda
para llegar a una nueva conclusión.
Cuando la nueva información está disponible para todos, se activa una cantidad significativa de
razonamiento basado en datos. El algoritmo de cadena inversa, como sugiere el nombre, funciona
al revés según sea necesario. Si se sabe que la consulta q es correcta no es necesario realizar ningún
trabajo. El enhebrado inverso es una especie de argumento intencionado. Este tipo de argumento
es útil al responder preguntas como "¿Qué debo hacer ahora?" y "¿Dónde está mi llave?" Por lo
general, el costo de backchaining es mucho más bajo que la clasificación lineal para la escala de
la base de conocimiento, porque el proceso solo opera en eventos relevantes. Normalmente, un
agente debe dividir su trabajo entre la inferencia directa y la inversa, limitando la inferencia directa
a generar eventos que puedan estar relacionados con la consulta, y estos deben resolverse
concluyendo.
Inferencia proposicional efectiva
Sin embargo, son extremadamente importantes en sí mismos, porque muchos problemas
combinatorios en informática pueden reducirse a probar la satisfacción de una oración
proposicional. Cualquier mejora en los algoritmos satisfactorios tiene enormes implicaciones para
nuestra capacidad general para manejar la complejidad. Algoritmo de retroceso completo El primer
algoritmo que discutiremos a menudo se denomina algoritmo de Davis y Putnam, en honor al
trabajo muy influyente de Martin Davis y Hilary Putnam (1960). De hecho, el algoritmo es la
versión descrita por Davis, Logemann y Loveland (1962), por lo que lo llamaremos DPLL por las
iniciales de los cuatro autores. DPLL acepta un operador en forma normal asociativa (un conjunto
de oraciones) como entrada. Finalización anticipada: el algoritmo determina si una declaración es
verdadera o falsa, incluso para un modelo parcialmente completado. La proposición es verdadera
si algún literal es verdadero, incluso si los otros literales aún no son booleanos; por lo tanto, todo
el enunciado puede evaluarse como verdadero incluso antes de que se complete el modelo.

7
El programa AGENTE-WUMPUS-LP funciona bien en el pequeño mundo de wumpus. Sin
embargo, algo profundamente insatisfactorio está pasando con la base de conocimientos del
distribuidor. BC contiene declaraciones que definen "físico" como se indica en las ecuaciones (7.1)
y (7.2) para cada celda individual. Cuanto mayor sea el entorno, mayor será la base de
conocimiento inicial. Solo queremos dos declaraciones que definan cómo se representa el viento
o el hedor en un área. Esto va más allá de la expresividad de la lógica proposicional. En el próximo
capítulo, veremos un lenguaje lógico más claro que facilita este tipo de declaraciones.
Agentes basados en circuitos
Un agente basado en circuitos es un tipo especial de agente de reflexión de estado. La percepción
es la entrada a un circuito en serie (una red de puertas, cada una de las cuales implementa un enlace
lógico y registra, cada una con el valor lógico de una oración atómica). Las salidas del esquema
son registros correspondientes a acciones, por ejemplo, la salida Grab se establece en verdadero si
el agente quiere descargar algo.
De hecho, esta es la propiedad del propio mundo wumpus; decimos que un vecindario exhibe
localidad si el verdadero valor de la oración correspondiente se puede obtener observando solo un
número constante de otras oraciones. Hay un problema con el que hemos sido muy cuidadosos: el
problema es la propiedad de la aciclicidad. Se dice que un circuito es acíclico si cada uno de sus
caminos en los que la salida de un registro está conectada en sentido inverso a su entrada es tomado
por un elemento de retardo. ¡Queremos que todos los circuitos sean periódicos porque los circuitos
no cíclicos, como los artefactos físicos, no funcionan!
Los agentes basados en circuitos e inferencias representan los extremos declarativos y
procedimentales del diseño de agentes. Se pueden comparar de diferentes maneras:
• Precisión: el agente basado en circuitos, a diferencia del agente basado en inferencia, no
necesita disponer de copias diferentes de su «conocimiento» para cada instante de tiempo.
En vez de ello, éste sólo se refiere al instante actual y al previo. Ambos agentes necesitan
copias de la «física» de cada casilla (expresada mediante sentencias o circuitos), y, por lo
tanto, no se amplían adecuadamente a entornos mayores.

• Eficiencia computacional: en el peor de los casos, la inferencia puede tomar un tiempo

exponencial respecto al número de símbolos, mientras que evaluar un circuito toma un
tiempo lineal respecto al tamaño del circuito (o lineal respecto a la intensidad de integración
del circuito, si éste se construye como un dispositivo físico).

• Completitud: anteriormente insinuamos que el agente basado en circuitos podría ser

incompleto, debido a la restricción de que sea acíclico. Las causas de la incompletitud son
en realidad más básicas.

• Facilidad de construcción: este es un aspecto muy importante acerca del cual es difícil ser
precisos. Desde luego, los autores encontramos mucho más fácil especificar la «física» de
forma declarativa, mientras que idear pequeños circuitos acíclicos, y no demasiado
incompletos, para la detección directa de hoyos, nos ha parecido bastante dificultoso. Los
humanos también disponen de circuitos para implementar sus reflejos, y quizá, también
para compilar sus representaciones declarativas en circuitos, cuando ciertas inferencias

8
 pasan a ser una rutina. En este sentido, el diseño de un agente híbrido podría poseer lo
mejor de ambos mundos.
En resumen, Los agentes inteligentes necesitan el conocimiento acerca del mundo para tomar las
decisiones acertadas.
• Los agentes contienen el conocimiento en forma de sentencias mediante un lenguaje de
representación del conocimiento, las cuales quedan almacenadas en una base de
conocimiento.
• Un agente basado en conocimiento se compone de una base de conocimiento y un
mecanismo de inferencia. El agente opera almacenando las sentencias acerca del mundo
en su base de conocimiento, utilizando el mecanismo de inferencia para inferir sentencias
nuevas, y utilizando estas sentencias nuevas para decidir qué acción debe tomar.
• Un lenguaje de representación del conocimiento se define por su sintaxis, que especifica la
estructura de las sentencias, y su semántica, que define el valor de verdad de cada sentencia
en cada mundo posible, o modelo.
• La relación de implicación entre las sentencias es crucial para nuestro entendimiento acerca
del razonamiento.
• La inferencia es el proceso que consiste en derivar nuevas sentencias a partir de las ya
existentes. Los algoritmos de inferencia sólidos sólo derivan aquellas sentencias que son
implicadas; los algoritmos completos derivan todas las sentencias implicadas.
• La lógica proposicional es un lenguaje muy sencillo compuesto por los símbolos
proposicionales y las conectivas lógicas. De esta manera se pueden manejar proposiciones
que se sabe son ciertas, falsas, o completamente desconocidas.
• El conjunto de modelos posibles, dado un vocabulario proposicional fijado, es finito, y así
se puede comprobar la implicación tan sólo enumerando los modelos. Los algoritmos de
inferencia basados en la comprobación de modelos más eficientes para la lógica
proposicional, entre los que se encuentran los métodos de búsqueda local y backtracking,
a menudo pueden resolver problemas complejos muy rápidamente.
• Las reglas de inferencia son patrones de inferencia sólidos que se pueden utilizar para
encontrar demostraciones. De la regla de resolución obtenemos un algoritmo de inferencia
completo para bases de conocimiento que están expresadas en forma normal conjuntiva.
El encadenamiento hacia delante y el encadenamiento hacia atrás son algoritmos de
razonamiento muy adecuados para bases de conocimiento expresadas en cláusulas de Horn.
• Se pueden diseñar dos tipos de agentes que utilizan la lógica proposicional: los agentes
basados en inferencia utilizan algoritmos de inferencia para guardar la pista del mundo y
deducir propiedades ocultas, mientras que los agentes basados en circuitos representan
proposiciones mediante bits en registros, y los actualizan utilizando la propagación de señal
de los circuitos lógicos.
• La lógica proposicional es razonablemente efectiva para ciertas tareas de un agente, pero
no se puede escalar para entornos de tamaño ilimitado, a causa de su falta de poder
expresivo para manejar el tiempo de forma precisa, el espacio, o patrones genéricos de
relaciones entre objetos.

9
Conclusión:
En conclusión, el capítulo 7 del libro de Stuart Russell nos ofrece una valiosa perspectiva sobre
los agentes lógicos y su aplicación en la inteligencia artificial. Hemos explorado cómo la lógica
proposicional y de primer orden se utilizan para modelar el conocimiento y la toma de decisiones
de estos agentes.

A lo largo del capítulo, hemos aprendido sobre la representación del conocimiento mediante la
lógica, la inferencia lógica y la resolución de problemas. La comprensión de los agentes lógicos
nos brinda una base sólida para comprender y diseñar sistemas inteligentes capaces de razonar y
tomar decisiones basadas en reglas y conocimiento declarativo.

El capítulo también subraya la importancia de la inferencia lógica y la resolución de problemas en

la toma de decisiones de los agentes. La capacidad de aplicar reglas y deducir conclusiones a partir
de premisas es fundamental para el razonamiento lógico y la resolución de problemas complejos.
Los agentes lógicos pueden utilizar técnicas como el encadenamiento hacia adelante y el
encadenamiento hacia atrás para inferir información y tomar decisiones adecuadas.

En resumen, el capítulo 7 del libro "Inteligencia Artificial: Un Enfoque Moderno" presenta los
agentes lógicos como una herramienta valiosa en la construcción de sistemas inteligentes. La
lógica proposicional y de primer orden ofrecen una base sólida para la representación del
conocimiento y el razonamiento deductivo, lo que permite a los agentes lógicos inferir
conclusiones y tomar decisiones de manera inteligente. La elección adecuada del lenguaje de
representación y la formulación precisa del conocimiento son aspectos fundamentales para el éxito
de los sistemas basados en lógica.

10
Webgrafía:
Russell, S. J. (2017). Inteligencia Artificial: Un Enfoque Moderno. Recuperado el 10 de junio de
2023 de https://luismejias21.files.wordpress.com/2017/09/inteligencia-artificial-un-
enfoquemoderno-stuart-j-russell.pdf

11