Temario

1. Introducción
2. Métodos de Búsqueda clásicos
   • Sin información (depth-first, breadth-first, Iterative deepening, Bidirectional search, etc.)
   • Con información (best-first, hill-climbing, A*, IDA*, SMA*, RBFS, IE, etc.)
   • Con aprendizaje (Macros)
   • Propiedades formales de algortimos de búsqueda
3. Juegos
   • Algoritmos de juegos (Minimax, Alpha-beta, SSS*, SCOUT, MGSS*, AO*, etc.)
   • Propiedades formales de algoritmos de juegos
4. Métodos aproximados usados en optimización
   • Algoritmos basados en búsqueda local y sus variantes (Local Search, Guided Local Search, Iterated Local Search, Multi-Start Methods, Variable Neighbourhood Search, Greedy Randomized Adaptive Search (GRASP), etc.)
   • Tabu search y extensiones (Reactive Tabu search, continuous RTS, etc).
   • Algortimos de Metropolos, Simulated Annealing y extensiones (Very fast SA, adaptive SA, etc).
   • Algoritmos poblacionales y variantes (Scatter Search y Path Relinking, Algoritmos Genéticos, Algoritmos Meméticos, Dynamic Hill Climbing, Ant Colony Optimization, etc.).
5. Aprendizaje por refuerzo y aprendizaje simbólico
   • Aprendizaje por refuerzo (TD($\lambda$), Q-learnning, etc.)
   • Aprendizaje simbólico como proceso de búsqueda (Espacio de Versiones, Aprendizaje proposicional, etc.).
6. Comparaciones y conclusiones