P. 1
Ejemplos Inteligencia Artificial

Ejemplos Inteligencia Artificial

|Views: 2.158|Likes:
Publicado porJorge Luis

More info:

Published by: Jorge Luis on Aug 03, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/19/2013

pdf

text

original

“AÑO DEL CENTENARIO DE MACHUPICCHU PARA EL MUNDO”

Universidad Católica Los Ángeles de Chimbote - Piura Facultad de Ingeniería Escuela Profesional de Ingeniería de Sistemas

INTELIGENCIA ARTIFICIAL TRABAJO FINAL AMBULAY ATOCHE JORGE LUIS

PIURA-2011

Trabajo final del curso de Inteligencia artificial: EJEMPLOS

1. Selecciona un caso para aplicar redes neuronales, define el modelo y documéntalo en una monografía, finalmente implementa la solución en el software entregado en el curso. Este modelo que he definido trata de la Simulación de Redes Neuronales como Herramienta para la Docencia en Castellano en España. Trata de cubrir la escasa disponibilidad de software didáctico para la enseñanza práctica de las Redes Neuronales Artificiales en el idioma español o castellano, ya que la mayoría del software de dicho tipo disponible actualmente está en el idioma inglés. Se ha implementado como método de aprendizaje supervisado el algoritmo de retropropagación. El análisis de los resultados arrojados por la aplicación desarrollada revela que los modelos implementados no presentan un problema de sobre ajuste en el proceso de entrenamiento y que los tiempos de ejecución son aceptables para los tamaños de los archivos considerados. En el futuro se tiene previsto la implementación de otras arquitecturas de redes, como las de Hopfield o las Competitivas.El principal objetivo de este trabajo es estudiar e investigar el modo de aprendizaje de las redes neuronales artificiales y sus aplicaciones didácticas. Por esta razón se implementan los algoritmos más conocidos que ellas utilizan. El modelo a emplear sería de arquitecturas.

.

.

.

.

.

.

.

1. 0. 1. 1. 1. 1. 1.0 . 1.0 1. 1.0 0. 1. 1. 0. 0. 0. 1. 1.1 1. 0. 1. 1. 0. 1.Esta también es una solución dada en java con un perceptron multicapa de 5 entradas y 3 salidas con 5 pares de entrenamiento: 5 3 5 1. 1. 0. 0. 1. 1.0 0. 1. 0. 0. 0.

.

.

.

.

Selecciona un caso para aplicar lógica difusa. nacen a inicios de los años 70. y por otra parte. y por otra parte. la necesidad de regular la actividad productiva de la empresa.2. a partir del concepto de conjunto (una colección de objetos). Modelos de datos difusos Algunos investigadores utilizan los modelos de datos difusos. dado por una parte. por una parte. para representar atributos difusos mediante la teoría de conjuntos difusos. para interrogar una BDRD mediante una BDR. por medio de la información. . finalmente implementa la solución en el software entregado en el curso. el crecimiento de la economía. define el modelo y documéntalo en una monografía. Teoría de conjuntos difusos La teoría de conjuntos difusos ha sido propuesta por Zadeh desde 1965. Implementación de una Base de Datos Relacional Difusa Un Caso en la Industria del Cartón Los sistemas de información orientados hacia el sector empresarial.

sobre un universo de discurso U es un conjunto de pares. μA (u)E[0.5)”. Ese límite es difuso y. Obtener los datos de las cartulinas estucadas que su tono de cara sea posiblemente igual a blanco (en grado mínimo 0.5) y que el tono reverso también sea posiblemente igual a blanco (en grado mínimo 0. el conjunto que lo delimita también lo será.Un conjunto difuso A. dado por: A = {μA (u) /u: u E U. por lo tanto. En este caso. el conjunto difuso es representado por escalares simples.esta diseñado FSQL Comenzamos a analizar y dar solución con el software GWIN2 . pues no está claro el límite de altura que se establece a partir de que medida una persona es alta o no lo es.1]}. Tenemos un ejemplo donde utilizamos lógica difusa El conjunto de las personas que son “altas” es un conjunto difuso.

.

.

.

3. DEFINE EL MODELO Y DOCUMENTALO EN UNA MONOGRAFÍA. SELECCIONA UN CASO PARA APLICAR ALGORITMOS GENETICOS. para cada una de las “n” personas que se encuentran en un cuarto. La interface del programa tiene la siguiente simbología: Cubos de colores y mas pequeños: Personas Cubos azules: Obstáculos Cuadros rojos: Salidas . Este cuarto contiene obstáculos estáticos y varias salidas. capaz de encontrar la ruta más corta a la salida más cercana. La ruta encontrada para la persona “x” no debe llevarla a chocar con algún obstáculo ni con otra persona que a su vez se está moviendo en el cuarto. La finalidad de este ejercicio es construir un planeador de rutas.

. 0 Camina un paso a la izquierda 1 Camina un paso a la derecha 2 Camina un paso adelante 3 Camina un paso atrás 4 Camina en diagonal izquierda hacia arriba 5 Camina en diagonal izquierda hacia abajo 6 Camina en diagonal derecha hacia abajo 7 Camina en diagonal derecha hacia arriba 8 Quédate en tu lugar En este caso dicha condición es que evolucionen 6 generaciones. 2. i=0 4. La regla utilizada es roulette wheel selection 1. 3.Se multiplica r por la suma de las calificaciones de la población (S). Selección: Se selecciona con la regla de selección explicada a continuación una pareja de individuos..Se establece la calificación acumulada (Ca) y el índice en cero: Ca = 0. ordenando la población del mejor individuo al peor.A la calificación acumulada se le suma la calificación del enésimo individuo: Ca = Ca + calif (i) .. 3. Evaluación: La Función F es computada para cada individuo. 2. obteniéndose c = rS..Los pasos de un algoritmo genético son los siguientes: 1. Inicialización: En este primer paso se crea aleatoriamente un conjunto de individuos Inicialmente se tiene 20 individuos.1].Se genera un número aleatorio r E [0.

.5. incorpora un quinto paso al que llamamos entrenamiento.Reproducción: El algoritmo de reproducción que se ha utilizado es el siguiente: Una vez seleccionados 2 individuos p1 y p2 (llamados padres) se procede a cruzarlos. utilizando las reglas anteriormente explicadas. y la llamamos pasosp2. Nº de entrenamientos: cantidad de veces que se lleva a cabo un entrenamiento entre diferentes generaciones de individuos. llamado n1.. Generamos un camino aleatorio de pasosp1 a pasosp2. no varía. Generamos un número aleatorio entre 1 y (longitud de p1)/2. Tenemos: Nº de generaciones: cantidad de veces que se produce una nueva generación de individuos. a su mejor individuo (lo coloca 2 veces. Nº de individuos por generación: en este ejemplo. Luego un número aleatorio entre (longitud de p2)/2 y longitud de p2. y así sucesivamente hasta n. Por lógica.Si no. 4. el segundo hace lo mismo con el tercero. 5..Si Ca > c entonces el enésimo individuo es seleccionado. la cantidad de individuos de una generación a otra es constante. para asegurarse de que va a preservarse en las siguientes generaciones). Este camino aleatorio verifica que no choque con ningún obstáculo predefinido (estático). entonces se incrementa i y se regresa al paso 4.. cuantas más generaciones produzcamos. CONCLUSIÓN: . llamado camino intermedio. llamado n2. obtendremos mejores individuos. Calculamos la posición en la que se encuentra p2 al dar (longitud de p2)/2 pasos.Entrenamiento: El primer algoritmo genético coloca en la población inicial del segundo algoritmo genético. El algoritmo además de estos pasos. 6.

la principal ventaja de los algoritmos genéticos radica en su sencillez. Se requiere poca información sobre el espacio de búsqueda ya que se trabaja sobre un conjunto de soluciones o parámetros codificados. La programación mediante algoritmos genéticos supone un nuevo enfoque que permite abarcar todas aquellas áreas de aplicación donde no sepamos como resolver un problema. .Como hemos podido observar.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->