☆ Salvar Busca AND-OR — Busca por planejamento contingente em ambientes não determinísticos
01/14/2026
A busca AND-OR constrói um plano contingente—e não um caminho linear—modelando ao mesmo tempo as escolhas do agente (OR) e os múltiplos resultados que o agente não controla (AND). Ela é especialmente útil quando as ações são não determinísticas, isto é, quando a mesma ação pode levar a resultados diferentes.
Intuição: decidir levar ou não um guarda-chuva é sua escolha (OR). Mas, ao sair, pode chover ou não—isso você não controla (AND). A busca AND-OR não para em “não levar guarda-chuva”. Em vez disso, ela monta um plano como: “não levo, mas se chover, compro um”. Em outras palavras, ela planeja o que fazer em seguida para cada resultado possível.
As escolhas são nós OR, as ramificações de resultados são nós AND, e a árvore inteira codifica um plano contingente.
Como funciona (mecanismo e características)
-
OR significa “ponto de decisão sob seu controle”
- Um nó OR é um ponto em que o agente escolhe uma ação entre alternativas.
- Ele captura decisões como “ir para a esquerda ou para a direita?” onde o agente controla a escolha.
- Em um nó OR, pode bastar encontrar um bom filho para seguir em frente.
- Por isso, nós OR focam em selecionar a opção mais favorável.
-
AND significa “se há vários resultados, você precisa cobrir todos”
- Um nó AND representa que, após uma ação, podem ocorrer múltiplos resultados.
- Por exemplo, abrir uma porta pode resultar em “abre / não abre / dispara um alarme”.
- Em um nó AND não basta que um resultado funcione: é preciso ter continuação para todo resultado plausível.
- Assim, nós AND testam se o plano é robusto diante da incerteza.
-
O resultado não é um caminho, mas um conjunto de regras
- A busca clássica costuma devolver um caminho único como “A → B → C”.
- A busca AND-OR devolve “se acontecer X, faça isto; se acontecer Y, faça aquilo”.
- Logo, a resposta é um plano ramificado, e não uma rota linear.
- Em resumo: ela constrói um plano que continua mesmo quando o ambiente “surpreende”.
-
Ela é representada como uma árvore de busca AND-OR
- O processo é estruturado como uma árvore de busca AND-OR.
- Nós OR correspondem a escolhas de ação; nós AND correspondem a ramificações de resultados.
- Por isso, a busca vira uma árvore ramificada, e não um único caminho descendente.
- A árvore inteira codifica um plano contingente que cobre diferentes resultados possíveis.
-
Por que isso importa: planeja o fracasso, não apenas o sucesso
- Em problemas reais, a mesma ação nem sempre produz o mesmo resultado.
- Por isso, é preciso ter planos que continuem funcionando mesmo quando algo dá errado.
- A busca AND-OR incorpora explicitamente modos de falha na estrutura do plano.
- Essa ideia se conecta naturalmente a políticas (policy) em tomada de decisão e planejamento robótico.
-
Condições de sucesso: OR precisa de um, AND precisa de todos
- Em um nó OR, basta que pelo menos um filho possa levar ao sucesso.
- Em um nó AND, a ação só é segura se todas as ramificações de resultado puderem ser tratadas com sucesso.
- Quanto mais ramificações AND existirem, maior tende a ser o custo da busca.
- Essa estrutura filtra “planos que só funcionam se você der sorte”.
-
\[ \text{Nó OR: sucesso se um filho pode ter sucesso} \]
\[ \text{Nó AND: sucesso apenas se todos os filhos podem ter sucesso} \]
OR é “basta um ramo bom”, enquanto AND é “cobrir todos os resultados”, o que gera naturalmente planos contingentes.
Relevância e custos
A busca AND-OR é valiosa porque produz planos contingentes para ambientes em que uma ação pode levar a resultados diferentes. Isso combina com muitos cenários reais, como robótica (uma porta pode emperrar) ou interações incertas em que é preciso se preparar para várias possibilidades. A desvantagem é que, conforme aumentam as ramificações de resultado, nós AND exigem cobrir todos os casos, e o custo pode crescer rapidamente. Na prática, usam-se aproximações, profundidade limitada ou restrições do domínio para manter o problema tratável.
Leituras prévias recomendadas (3/5)
+2
- Busca em ambientes complexos — Quando “decidir conforme a situação” importa mais do que um único caminho
- Árvore de jogo — Desdobrar antecipadamente todas as sequências possíveis de jogadas
- Pruning — Como reduzir a busca Brute Force sem perder a solução ótima
- Força bruta — por que a busca exaustiva garante a resposta, mas explode em custo
- Busca no espaço de estados — Uma abordagem de resolução de problemas que alcança o objetivo percorrendo estados
Leituras recomendadas a seguir (5/16)
+5
- Busca clássica — A busca base que resolve problemas por meio de uma sequência de ações
- Ambientes clássicos vs. ambientes complexos — O limite entre problemas computacionais simples e a tomada de decisão sob incerteza
- Estratégia de busca — A regra que decide o que expandir primeiro para alcançar o objetivo
- Função de avaliação — Função de pontuação que define a prioridade na busca
- Busca online — Achar o caminho em movimento, replanejando sem mapa
- Busca local em feixe — Manter em paralelo os k melhores candidatos para ir estreitando o caminho
- Árvore de busca — uma estrutura que desdobra escolhas passo a passo para encontrar a solução
- Resolução de problemas baseada em busca — o raciocínio básico da IA: seguir estados até encontrar a solução
- Heurísticas específicas do domínio — critérios que reduzem drasticamente a busca com conhecimento especializado
- Busca de custo uniforme — Expandir primeiro o caminho de menor custo acumulado
- Busca best-first — Expandir primeiro o nó que parece mais promissor
- Atualização de heurísticas — Ajustar o critério de busca com base na experiência
- Backtracking (Retrocesso) — Uma estratégia de busca que volta atrás quando uma escolha não leva à solução
- Problemas de exploração — Obstáculos ao encontrar caminhos em um ambiente desconhecido
- Fila de prioridade — Estrutura que remove primeiro o item mais prioritário
- Trade-off Exploration–Exploitation — O equilíbrio entre ampliar informação e consolidar desempenho
Artigos sobre o mesmo tema (1/1)
Conceitos relacionados (4/4)
- Busca em Feixe — Geração Estável de Frases Mantendo os Melhores Candidatos
- Exploitation (Exploração) — Maximizar a recompensa repetindo a melhor escolha aprendida até agora
- Exploração — Estratégia de testar deliberadamente opções incertas para descobrir ações melhores
- Random Restart — Como explorar novamente o espaço de busca para escapar de ótimos locais
📍 Onde este conceito se encaixa no mapa de aprendizagem de IA
Veja onde este conceito se encontra no AI Universe.
📍 Posição atual no AI Universe
☰
Redefinir Mostrar concluídos · Login necessário Carregando…
🌌 AI Universe
‹
›
⭐ Conceito
Selecione uma estrela.
« Discrete vs Continuous O…|Estado de crença — Um es… »
🔖 Tags: algoritmos de busca · ambientes complexos · busca não determinística · planejamento contingente · tomada de decisão