Sugestão para Busca em Projeto

O quê? São “palpites educados” ou estimativas que ajudam a guiar a busca de forma mais inteligente, sem precisar explorar todas as opções. Uma heurística é uma função que estima o custo restante para alcançar o objetivo.

No sistema: Se você tem informações heurísticas (ex: estimativa de distância, custo aproximado), responda SIM e o sistema usará busca informada (A*, Gulosa). Se não tem, usará buscas cegas (BFS, DFS, UCS, IDDFS).

O quê? É a melhor solução possível para o problema, com o menor custo (tempo, distância, dinheiro, etc.).

No sistema: Se você responde que precisa da solução ótima, o sistema vai sugerir algoritmos como A* ou UCS. Se não precisa, ele aceita soluções mais rápidas, mesmo que não sejam perfeitas (como Gulosa).

O quê? Cada ação (mover, comprar, ligar) pode ter um custo diferente.

No sistema: Se você responde SIM, ele sugere UCS (Uniform Cost Search) ou Dijkstra, que lidam bem com custos diferentes. Se NÃO, assume custos iguais.

O quê? É o conjunto de todas as situações possíveis que seu problema pode assumir.

No sistema: Se o espaço é muito grande (>10^9) e a memória é limitada, sugere IDA* em vez de A*.

Completamente observável: Você sabe tudo sobre o estado atual. Ex: Robô num grid 3×3 vê exatamente onde está.
Parcialmente observável: Você tem informação incompleta. Ex: Aspirador não sabe se o quarto ao lado está sujo até ir lá.
No sistema: Se é parcial, sugere POMCP ou LRTA*. Se completo, segue para outras perguntas.

Determinístico: A ação sempre leva ao mesmo resultado. Ex: Andar uma casa pra frente sempre te leva àquela casa.
Estocástico: O resultado tem aleatoriedade. Ex: Dados: você pode andar 1, 2 ou 3 casas com certa probabilidade.
No sistema: Se estocástico com adversário → MCTS. Se determinístico e jogo → Minimax.

O quê? Quantos movimentos à frente você pode olhar até o final do jogo.

No sistema: Se profundidade pequena (≤6) → Minimax. Se grande → MCTS.

O quê? Problemas onde você tem variáveis com domínios e regras que ligam elas.

No sistema: CSP pequeno (≤30 variáveis) → Backtracking + MRV. Médio/grande → Forward Checking com propagação.

O quê? Escolher a melhor combinação dentre muitas possibilidades discretas.

No sistema: Se SIM, entra no ramo das meta-heurísticas (Hill Climbing, Simulated Annealing, Tabu Search, Algoritmo Genético).

O quê? Estratégias de alto nível para buscar soluções boas em problemas difíceis, sem garantia de ótimo.
Exemplos: Hill Climbing (sobe a montanha), Simulated Annealing (aceita pioras no início), Tabu Search (evita ciclos), Algoritmo Genético (evolução de população).
No sistema: Você escolhe o tipo preferido conforme seu problema.

O quê? Problema com variáveis verdadeiro/falso e fórmulas lógicas em CNF (forma normal conjuntiva) que precisam ser satisfeitas.

No sistema: Se SIM, sugere um SAT Solver (DPLL ou CDCL).

O quê? Variáveis podem assumir qualquer valor real dentro de um intervalo.

No sistema: Se contínuo, pergunta sobre gradiente. Se discreto, segue para outras perguntas.

O quê? É a inclinação da função objetivo. Mostra a direção de maior crescimento.

No sistema: Se você tem acesso ao gradiente → Gradiente Descendente (L-BFGS, Adam). Se não tem → CMA-ES ou Otimização Bayesiana.

O quê? Lógica de primeira ordem: ∀x P(x) significa “para todo x, P(x) vale”. ∃x P(x) significa “existe algum x tal que P(x)”.

No sistema: Se seu problema usa quantificadores (QBF) → QBF/QCSP Solver (mais difícil, PSPACE-completo).

O quê? Mais de uma entidade tomando decisão, podendo ser cooperativa ou competitiva.

No sistema: Se tem múltiplos agentes, vai para Dec-POMDP (geral) ou MCTS (competitivo).

O quê? Um jeito matemático de modelar problemas de decisão sequencial com estados, ações, recompensas e transições probabilísticas.

No sistema: Se pode ser modelado como MDP → Value/Policy Iteration.

O quê? Capacidade de recalcular um plano quando algo dá errado ou o ambiente muda.

No sistema: Se precisa replanejar dinamicamente → D* Lite. Caso contrário → Busca Local simples.