Pesquisa Informada: 

Os algoritmos de Pesquisa Informada têm informações sobre o estado

da meta, o que ajuda na pesquisa mais eficiente. Essas informações são obtidas por uma
função que estima o quão próximo um estado está do estado da meta.
Exemplo: Pesquisa Gananciosa e Pesquisa de Gráficos

Pesquisa Desinformada: Algoritmos de pesquisa não informados não têm informações

adicionais sobre o nó da meta além da fornecida na definição do problema. Os planos para
alcançar o estado da meta desde o estado inicial diferem apenas pela ordem e duração das
ações.
Exemplos: Pesquisa de Profundidade e Pesquisa de Primeira Lugar 

Pesquisa Informada vs. Pesquisa Desinformada: 

Pesquisa Informada Pesquisa Desinformada

Ele usa conhecimento para o processo de
busca.
Ele encontra a solução mais rapidamente.
Pode ou não estar completo.
O custo é baixo.
Consome menos tempo.
Ele fornece a direção em relação à solução.
É menos demorado durante a
implementação.
Pesquisa Gananciosa, Pesquisa A*,
Pesquisa de Gráficos
Ele não usa conhecimento para o processo de
pesquisa.
Ele encontra a solução lenta em comparação com a
pesquisa informada.
Está sempre completo.
O custo é alto.
Consome tempo moderado.
Nenhuma sugestão é dada sobre a solução nele.
É mais demorado durante a implementação.
Pesquisa de Profundidade Primeira, Primeira
Pesquisa de Profundidade

Blind or Uniformed Search

It is a search without "information" about the goal node.

An example an is breadth-first search (BFS). In BFS, the search proceeds one layer after the
other. In other words, nodes in the same layer are first visited before nodes in successive layers.
This is performed until a node that is "expanded" is the goal node. In this case, no information
about the goal node is used to visit, expand or generate nodes. 

We can think of a blind or uniformed search as a brute-force search.

Heuristic or Informed Search

It is a search with "information" about the goal.

An example of such type of algorithm is A*. In this algorithm, nodes are visited and expanded
using also information about the goal node. The information about the goal node is given by
an heuristic function(which is a function that associates information about the goal node to each
of the nodes of the state space). In the case of A*, the heuristic information associated with each
node n is an estimate of the distance from n to the goal node.

We can think of a informed search as a approximately "guided" search.

An uninformed search is a brute-force or "blind" search. It uses no knowledge about problem,

hence possibly less efficient than an informed search. 

Examples of uninformed search algorithms are breadth-first search, depth-first search, depth-
limited search, uniform-cost search, depth-first iterative deepening search and bidirectional
search.

An informed search (also called "heuristic search") uses prior knowledge about problem
("domain knowledge"), hence possibly more efficient than uninformed search.
Examples of informed search algorithms are best-first search and A*.

Difference between uniformed search and informed search are given below :

1. Uniformed search technique have access only to the problem definition whereas
Informed search technique have access to the heuristic function and problem
definition.
2. Uniformed search is less efficient whereas informed search is more efficient.
3. Uniformed search known as blind search whereas Informed search is known as
heuristic search.
4. Uniformed search use more computation whereas Informed search use less
computation.

Diferença entre pesquisa informada e não informada na

IA
8 de setembro de 2020 por ExploringBits
A Pesquisa Desinformada (ou Pesquisa às Cegas), como o nome sugere, está
pesquisando sem “informações” sobre o nó da meta. Por exemplo, no Breadth-First
Search (BFS), os nós no mesmo nível são atravessados primeiro e depois se movem
para o próximo nível sucessivo e não param até encontrar o nó com valores que estava
procurando. Não há necessidade de informações para selecionar os nós a serem
atravessados. Você também pode pensar em uma estratégia de pesquisa desinformada
como uma estratégia de pesquisa de força bruta.

A Pesquisa Informada (ou Pesquisa Heurística) está pesquisando com “informações”

sobre o nó da meta. Por exemplo, no algoritmo de pesquisa A*, primeiro, coletamos
informações sobre o nó de meta, como sua localização na forma de coordenada
cartesiana e, em seguida, escrevemos uma função que pode orientar nossa travessia do
nó, por exemplo, encontrando sua distância euclidiana, também essa função é
chamada de Função Heurística. A função heurística guiará nossa travessia do nó,
indicando a distância deixada de cada nó até o nó de meta. Você também pode pensar
na Estratégia de Pesquisa Informada como uma Estratégia de Pesquisa Guiada.
Além disso, a estratégia de pesquisa informada é mais eficiente do que a estratégia de
pesquisa não informada quando temos informações sobre o nó da meta, mas se as
informações não estiverem presentes, a estratégia de pesquisa não informada deve ser
aplicada.

Estratégias de Pesquisa Informadas e Desinformadas são o coração e a alma da

Inteligência Artificial. Na vida real, a pesquisa informada e desinformada pode olhar
dessa maneira. A pesquisa desinformada ocorre quando você está olhando de um site
para outro ou folheando os livros de revistas sem realmente qualquer necessidade de
encontrar as informações. Mas a pesquisa informada é o oposto por natureza, por
exemplo, você está no trabalho ou está estudando algo e chega um termo que você não
entende naquele momento em que não estará navegando na internet em busca de
algumas informações aleatórias, mas especificamente deseja encontrar o termo
específico e essa é a pesquisa informada.

Como podemos entender pelos nomes que a pesquisa informada está trabalhando em
algoritmos com base em alguns dados fornecidos e na pesquisa desinformada, não há
dados fornecidos disponíveis para os algoritmos de aprendizado trabalharem. Também
por esse motivo, a pesquisa desinformada é chamada de pesquisa cega

Diferença entre Pesquisa Informada e Desinformada em IA

Pesquisa Desinformada (ou Pesquisa às Cegas) em Inteligência
Artificial
Neste método, o estado inicial e o estado final são fornecidos ao algoritmo de
aprendizado e, inicialmente, ele começa a pesquisar a partir do estado inicial e
continua explorando todos os estados do estado inicial e faz o mesmo para cada estado
e, finalmente, atinge o estado da meta. Isso é semelhante a verificar todas as opções
disponíveis, mas a consequência disso é que a inteligência artificial pode ser capaz de
atingir o estado de meta, mas o método que escolher não será ideal. O algoritmo não
tem nenhum conhecimento sobre o problema e também não há guia como no
aprendizado de máquina supervisionado para dizer se deve tomar o caminho ou não.

A estratégia de busca desinformada também é chamada de estratégia de busca cega e é

usada pelo método de força bruta. Existem dois tipos de método de força bruta -
pesquisa em profundidade e busca em largura. A razão pela qual o BFS e o DFS estão
na estratégia de pesquisa cega é que, quando atravessam os nós em um gráfico, não
têm função disponível para verificar o custo e a distância ideais, em vez disso,
começam de um nó e continuam pesquisando de acordo com seu algoritmo até
chegarem ao nó com o valor desejado. Esses algoritmos como DFS e BFS não têm
algoritmo para determinar a preferência pela seleção do nó filho. As Pesquisas
Desinformadas não usam conhecimento específico do domínio e não têm informações
além da definição do problema.

Exemplos de Pesquisa Desinformada na IA são:

1. Pesquisa de Amplitude e Primeira

2. Pesquisa de Profundidade em Primeiro Lugar
3. Pesquisa bidirecional
4. Pesquisa de Custo Uniforme

Pesquisa Informada (ou Pesquisa Heurística) em Inteligência

Artificial
A estratégia de busca informada em comparação com a pesquisa desinformada tem
mais informações sobre a definição do problema e essas informações do estado do
problema, que é chamado de heurística. Uma pesquisa informada também tenta
otimizar a solução repetidamente com base na função heurística. O método de
pesquisa informada pode nem sempre encontrar a melhor solução, pois funciona em
uma base de aproximação, mas fornece uma solução aceitável dentro de um prazo
razoável.

As coisas fundamentais que são necessárias para realizar um processo de busca ideal
são - o estado inicial, o conjunto de operadores e o estado final. O conjunto de
operadores é a regra que usaremos para dar preferência a alguns nós quando
estivermos atravessando o gráfico. A preferência de um nó filho sobre outro é dada
com base em suposições. E também essas suposições tornam a estratégia de pesquisa
informada mais eficiente do que a estratégia de busca desinformada. Esses valores de
suposição são chamados de valores heurísticos que são calculados a partir da função
heurística.

Por exemplo, na travessia de grafos, a estratégia de pesquisa informada tem

informações como a distância do caminho, que pode sugerir o quão longe estamos da
meta de algum nó arbitrário, e informações como o custo do caminho, que podem
sugerir quanto gastamos para alcançar algum nó arbitrário. Todos esses custos e a
determinação do caminho são feitos através da função heurística.

Vamos entender o que é função heurística:

A heurística é uma técnica para resolver problemas mais rapidamente quando o

método clássico não consegue resolver em um período ideal de tempo. Isso pode ser
feito com algumas compensações, como precisão, integridade ou exatidão para a
velocidade de resolução de problemas.

Conforme citado pela Wikipedia:

 “ Uma Função Heurística, também chamada simplesmente de heurística, é uma

função que classifica alternativas em algoritmos de pesquisa em cada etapa de
ramificação com base nas informações disponíveis para decidir qual ramificação
seguir.”

Por exemplo, no algoritmo A*, a soma da função heurística e da função de

movimento:

f(n)=g(n) + h(n)

Onde, g(n) = custo do movimento no gráfico do nó inicial ao nó 'n'.

E, h(n) = função heurística que estima o caminho mais barato que resultará na
travessia.

Agora, você deve ter entendido quanta função heurística é importante para pesquisas
informadas, pois a função heurística é o que diferencia a pesquisa informada da
pesquisa não informada. Se você remover a função heurística do algoritmo A*, obterá
o algoritmo de pesquisa abrangente, que é uma estratégia de pesquisa desinformada.
Por algum fato interessante, se você remover a função de movimento do algoritmo
A*, acabará na Melhor Primeira Pesquisa, que será baseada apenas na função
heurística e fará parte da estratégia de pesquisa informada.

Algoritmo de Pesquisa A* (Uma Estrela)

Exemplos de Pesquisa Informada em IA são:

1. Algoritmo A*
 2. Melhor Primeira Pesquisa
3. Algoritmo AO*
4. Constra a satisfação
5. Algoritmo de escalada de colina
6. busca de feixe

Diferença entre pesquisa informada e não informada com TSP

Vamos dar um exemplo, o Problema do Vendedor Viajante (TSP), no qual o vendedor
tem que viajar de sua cidade de origem para outra cidade e depois retornar à cidade de
origem cobrindo a distância mínima possível. Quando aplicamos a pesquisa
desinformada neste problema, temos que verificar (n-1)! estados dizem, por exemplo,
que existem 5 cidades e a pesquisa desinformada é aplicada nela, então 4! estados
serão verificados pela pesquisa desinformada e isso aumentará muito o tempo
necessário para resolver o algoritmo e, portanto, esse tipo de pesquisa pode não ser a
melhor abordagem. Além disso, se você aumentar o número de cidades em até 100 e
aplicar o método de pesquisa desinformado, o tempo gasto aumentará
exponencialmente e essa é a maior desvantagem.

Na busca informada, usamos o método heurístico, o método heurístico é mais sobre

fazer uma solução aproximada para o problema. O método heurístico é usado quando
o espaço de estados cresce em poder exponencial e, portanto, aumenta o espaço, bem
como a complexidade temporal do problema. Nesses casos, a complexidade pode
aumentar drasticamente e o problema pode se tornar um problema NP ou problema
não polinomial e isso aumentará a complexidade do tempo. Quando a complexidade
do espaço e do tempo aumenta, o custo de resolver o problema no mundo real
aumenta. Nesses casos, precisamos que nosso problema possa ser resolvido em tempo
polinomial, mas fazê-lo não é uma tarefa fácil.

Para resolver o problema em tempo polinomial, o método heurístico é usado. Por

exemplo, o mesmo problema do vendedor ambulante, é aplicado o método heurístico
que usa o conhecimento da cidade vizinha. A pesquisa desinformada usou o método
em que está tomando toda a combinação possível que pode ser boa para um pequeno
número da cidade, mas à medida que o número de cidades aumenta, os estados se
tornam praticamente impossíveis de seguir, mas na abordagem heurística usada na
pesquisa informada podemos pegar as informações sobre a cidade vizinha e, com
essas informações, agir sobre nossa complexidade temporal e a complexidade do
espaço diminui.

Além disso, a abordagem heurística nem sempre pode ser capaz de fornecer a solução
ideal, mas a pesquisa desinformada será garantida para encontrar a solução ideal
sempre, pois a pesquisa desinformada a quantidade de tempo necessária para
encontrar a solução ideal, mas isso também aumenta o espaço e a complexidade do
tempo e, assim, aumentará o custo da operação.
Exemplos de busca informada e desinformada em inteligência
artificial
Há muitos exemplos de aprendizagem desinformada e aprendizagem informada. Por
exemplo, a pesquisa em profundidade em primeiro lugar, bem como a pesquisa em
amplitude, são o exemplo do aprendizado desinformado, pois começa a partir de um
estado inicial e, a partir daí, cobre todo o estado que é possível formar o estado inicial,
há mais espaço de estado nesse tipo de algoritmo. O algoritmo A-star, a pesquisa
heurística de amplitude, a pesquisa heurística de profundidade primeira e a melhor
pesquisa são exemplos da pesquisa informada.