Agentes Racionales

Inteligencia Computacional
Ing. Enrique Gonzlez Ph.D
Departamento de Ingeniera de Sistemas
Facultad de Ingeniera
Pontificia Universidad J averiana
Agenda General
Agentes Racionales
Conceptos y Arquitecturas
Cooperacin en SMA
Redes Neuronales
Supervisadas
No Supervisadas
Lgica Difusa
Control Difuso
Mtodos Evolutivos
Algoritmos Genticos
Agentes Racionales
Agentes Racionales
Agenda Agentes Racionales
Introduccin Agentes Racionales
Definiciones bsicas
Caractersticas de un agente
Mapeo
Tcnicas de IA para toma de decisiones
Arquitecturas para Agentes Racionales
Estructuras generales
Arquitecturas tpicas
Cooperacin en Sistemas MultiAgentes
Organizaciones SMA
Interaccin y cooperacin
Por Qu Agentes?
Entidad Aut Entidad Aut noma noma
Recursos Recursos
E E
n n
c c
a a
p p
s s
u u
l l
a a
Entidad Racional Entidad Racional
Conocimiento Conocimiento
Servicios Servicios
Conducta Conducta
Entidad Social Entidad Social
C C
o o
o o
p p
e e
r r
a a
Complejidad Complejidad
Manejable !! Manejable !!
Qu es ser Racional?
Hacer lo Correcto Hacer lo Correcto
Actuar Racionalmente Actuar Racionalmente
Metas Metas
Ideal : Maximizar Ideal : Maximizar
Evaluar Evaluar
Situado Situado
Habita Ambiente Habita Ambiente
Agente Agente
ProActivo ProActivo
Alcanza Objetivos Alcanza Objetivos
Aut Aut nomo nomo
Efectua Efectua Acciones Acciones
Control Parcial Control Parcial
Puede Puede
Influenciarlo Influenciarlo
No Intervenci No Intervenci n n
Externa Externa
Estado Interno Estado Interno
Comportamiento Comportamiento
Decidir y Decidir y
Actuar Actuar
Caractersticas de un Agente
Agenda Agentes Racionales
Introduccin Agentes Racionales
Definiciones bsicas
Caractersticas de un agente
Mapeo
Tcnicas de IA para toma de decisiones
Arquitecturas para Agentes Racionales
Estructuras generales
Arquitecturas tpicas
Cooperacin en Sistemas MultiAgentes
Organizaciones SMA
Interaccin y cooperacin
Ambiente
Ti+1
Ambiente
Ti
Sensores
Efectores
Agente y su Entorno
Accin
Correcta
Secuencia de Percepcin
Accin 1
...
Accin M
?
Mapeo
Ambiente
Ti
Ambiente
Ti+n
Metas
Mapeo Percepcin/Accin
Mapeo Toma de Decisiones
Sistema Basados en Reglas
Reglas tipo SI <condicin>ENT <accin>
Evaluacin concurrente y disparo controlado
Sistemas Difusos
Reglas basadas en variables lingsticas
Manejo explicito de la ambigedad
Redes Neuronales
Unidades de procesamiento multi-conectadas
Capacidad de aprendizaje a partir de ejemplos
Algoritmos Genticos
Evolucin del sistema basado en su calidad para alcanzar
sus metas en un ambiente particular
Programa Agente
Arquitectura
Hardware
Software
Operativo
Arquitectura del Agente
Ti po de
Agent e
Aspec t o
Pl ani f i c ac in
Repr esent ac in
del Mundo
Agent es
Cogni t i vos
SI - Capacidad de
Anticipar y Predecir
Eventos Futuros
SI - Razonar sobre
las Representaciones
del Mundo
Agent es
Reac t i vos
NO Hay
Reacciones Directas
a los Estmulos
NO Hay
Representacin
Explcita
Tipos de Agentes
Plan Abrir_Puerta
- Ir hasta sito donde est la llave
- Tomar la llave
- Ir hasta la puerta
- Abrir la puerta con la llave
Pb. Abrir puerta cerrada con llave
Tipos de Agentes
Ejemplo Agente Cognitivo
Reglas Condicin-Accin
R1. Estoy frente a la puerta y tengo la llave
Abrir puerta con llave
R2. Estoy frente a la puerta y no tengo la llave
Ir a buscar la llave
R3. Puerta no abre y no tengo la llave
Ir a buscar la llave
R4. Llave frente a mi
Tomar la llave e ir a la puerta
Pb. Abrir puerta cerrada con llave
Tipos de Agentes
Ejemplo Agente Reactivo
Agenda Agentes Racionales
Introduccin Agentes Racionales
Definiciones bsicas
Caractersticas de un agente
Mapeo
Tcnicas de IA para toma de decisiones
Arquitecturas para Agentes Racionales
Estructuras generales
Arquitecturas tpicas
Cooperacin en Sistemas MultiAgentes
Organizaciones SMA
Interaccin y cooperacin
A
m
b
i
e
n
t
e
Agent e
Sensor es
Ef ec t or es
Reglas condicin-accin
Per c epc i n
Dec i si n
Estructura Agente Reactivo
A
m
b
i
e
n
t
e
Agent e
Sensor es
Ef ec t or es
Dec i si n
Reglas condicin-accin
Model o
del Mundo
Estado Interno
Efectos de mis Acciones
Secuencia de Percepcin
Estructura Agente Deliberativo
A
m
b
i
e
n
t
e
Agent e
Sensor es
Ef ec t or es
Metas Explcitas
Model o
del Mundo
Dec i si n
Estado Interno
Secuencia de Percepcin
Efectos de mis Acciones
Pr edi c c i n
Estructura Agente Predictivo
Competencia entre Capas
Mediador
Simplicidad
Reduccin de Interacciones
Capa N-1
......
Capa N
Capa 1
Sensor Accin
Capas Horizontales
Conexin Sensor-Accin
Capas de Diferente
Nivel de Abstraccin
Arquitectura de Agente
Arquitecturas por Capas
C
a
p
a

N
-
1
.
.
.
.
.
.
C
a
p
a

N
C
a
p
a

1
Sensor Accin Secuencialidad
No Tolerancia a Fallas
Simplicidad Conceptual
Capas Independientes
Capas Horizontales
Conexin Sensor-Accin
Capas Verticales
Un Nivel Sensor-Accin
Capas de Diferente
Nivel de Abstraccin
Arquitectura de Agente
Arquitecturas por Capas
C
a
p
a

N
-
1
.
.
.
.
.
.
C
a
p
a

N
C
a
p
a

1
Sensor
Accin
Secuencialidad
No Tolerancia a Fallas
Simplicidad Conceptual
Capas Independientes
Capas Horizontales
Conexin Sensor-Accin
Capas Verticales
Un Nivel Sensor-Accin
Capas de Diferente
Nivel de Abstraccin
Arquitectura de Agente
Arquitecturas por Capas
Capas Horizontales
Conexin Sensor-Accin
Capas Verticales
Un Nivel Sensor-Accin
Capas de Diferente
Nivel de Abstraccin
Arquitectura de Agente
Arquitecturas por Capas
Capas Hbridas
Sensor
Accin
.
.
.
.
.
.
C
a
p
a

N
C
a
p
a

1
.
.
.
.
.
.
.
.
.
.
.
.
C
a
p
a

N
C
a
p
a

1
.
.
.
.
.
.
Agenda Agentes Racionales
Introduccin Agentes Racionales
Definiciones bsicas
Caractersticas de un agente
Mapeo
Tcnicas de IA para toma de decisiones
Arquitecturas para Agentes Racionales
Estructuras generales
Arquitecturas tpicas
Cooperacin en Sistemas MultiAgentes
Organizaciones SMA
Interaccin y cooperacin
Organizaciones MultiAgentes
Recursividad Sist Recursividad Sist mica mica
Diferentes Roles Diferentes Roles
Tipos de Interaccin
Objetivos Recursos Capacidad Situaciones Categora
Compatibles Suficientes Suficientes Indepen-
dencia
Indiferencia
Insuficientes Cooperacin
Simple Cooperacin
Insuficientes Suficientes Estorbo
Insuficientes Cooperacin
Coordinada
Tipos de Interaccin
Objetivos Recursos Capacidad Situaciones Categora
No
Compatibles
Suficientes Suficientes Competicin
Individual
pura
Antagnico
Insuficientes Competicin
Colectiva
pura
Insuficientes Suficientes Conflictos
individuales
por Recursos
Insuficientes Conflictos
colectivos por
recursos
Cooperacin
Colaboraci Colaboraci n n
Coordinaci Coordinaci n de Acciones n de Acciones
Soluci Soluci n de Conflictos n de Conflictos
Cooperaci Cooperaci n n
+
Asignacin Tareas/Recursos
Planificar y Sincronizar
Objetivos y Recursos
Comunicaci Comunicaci n n
Explcita - Mensajes
Implcita - Ambiente
Protocolos de Interacci Protocolos de Interacci n n
Asignacin por Oferta
Red Contractual
Mediador
Oferta
Aceptacin
Peticin
Peticin
Peticin
Oferta
Bibliografa Agentes y SMA
Stuart J . Russell, Peter Norvig. "Inteligencia Artificial: Un
Enfoque Moderno", Prentice Hall, 1996.
J acques Ferber. "Multi-Agent Systems: An Introduction To
Distributed Artificial Intelligence". Addison Wesley, 1999.
Gerhard Weiss. "Multiagent Systems". MIT Press, 1999.
Michael N. Huhns. "Readings in Agents". Morgan Kaufmann
Publishers, 1998.
Michael Woolridge. "Introduction to MultiAgent Systems". J ohn
Wiley & Sons, 2002.
J oseph P. Bigus, J ennifer Bigus. "Constructing Intelligent
Agents Using J ava: Professional Developer's Guide". J ohn
Wiley & Sons, 2001.
Gonzlez E., Bustacara C. Desarrollo de Aplicaciones
Basadas en Sistemas MultiAgentes, 1era Edicin, Editorial
PUJ , 2007.
Pontificia Universidad J averiana Ing. Enrique Gonzlez
L
L

gica Difusa
gica Difusa
Agenda Lgica Difusa
Introduccin
Naturaleza de lo Difuso
Marco Conceptual
Conjuntos Difusos
Variables Lingsticas
Control Difuso
Fuzzyficacin
Inferencia Difusa
Defuzzyficacin
Introduccin Lgica Difusa
Es un mtodo alternativo para inferir.
Los modelos de lgica difusa son:
Ms entendibles
Definidos en lenguaje casi natural
Ms maleables.
Ms mantenibles.
Menos complejos.
Permiten el manejo de la ambigedad y la
incertidumbre
Lgica Clsica Proposiciones
Verdadero (1) Verdadero (1)
Falso (0) Falso (0)
Conjuntos Clsicos Crisp sets
X universal, A X, x A v x A
XA (x) = 0
XA (x) = 1
Aproximacin Clsica
Limita a Ser o No Ser Limita a Ser o No Ser No Admite Puntos Medios No Admite Puntos Medios
Aproximacin Difusa
No tiene valor excluyentes
Verdadero vs Falso
Rango de valores continuo
Verdadero
Casi verdadero
Medio falso
Falso
Dada la medicin de una variable, cmo
determinar su clase??
Por ejemplo se mide una temperatura de 100
Puedo afirmar que es fro
Puedo afirmar que es tibio
Puedo afirmar que es caliente
Dnde pongo el umbral entre las diferentes
clases??
Naturaleza de lo Difuso
F
V
40 90 110 100 130 120 50 70 60 80
Caliente
Temp
Tibio
Naturaleza de lo Difuso
F
V
40 90 110 100 130 120 50 70 60 80
Tibio
Temp
Tibio = {50,60,70,80}
Naturaleza de lo Difuso
F
V
40 90 110 100 130 120 50 70 60 80
Caliente
Temp
Caliente = {90,100,110,...}
Naturaleza de lo Difuso
Naturaleza de lo Difuso
Temp
Caliente = {(90,0.0) ,(110,0.1),(130,0.4),(150,.09),(180,1.0),...}
Caliente
Falso = 0.0
Verdadero = 1.0
90 130 110 180 150
F
V
9 90 0
50 70 60 80
Tibio
110 100 130 120 140
Caliente
Temp
Naturaleza de lo Difuso
F
V
90 110 100 130 120 140 70 80
Tibio Caliente
Temp
Naturaleza de lo Difuso
Agenda Lgica Difusa
Introduccin
Naturaleza de lo Difuso
Marco Conceptual
Conjuntos Difusos
Variables Lingsticas
Control Difuso
Fuzzyficacin
Inferencia Difusa
Defuzzyficacin
Conjuntos Difusos
Definici Definici n n
Si X es un universo y A es un predicado
vago/impreciso definido en X, entonces
A={x X / ( x / A(x) )}
A
xi
0.5
1
0
A
x1 x2 x3
A = { (x1,0.5) ,
(x2,1.0),
(x3,0.5) }
Funcin Triangular
Funcin Pi
Funciones de Pertenencia
Interseccin (AND)
Unin (OR)
Operadores Difusos
Complemento (NOT)
Operadores Difusos
Representacin Alrededor de
A(x)
50
10
30 30
20
40
1
0
Representacin Alrededor de
Representacin Trapezoidal
0
1
1 4 2 3
(x)
Dominio
7 5 6
Ejemplo Conjuntos Difusos
Representacin Grfica
Ejemplo Conjuntos Difusos
Representacin por Tabla
Fuzzy vs. Crisp
Variables Difusas
Son variables cuyo valores son smbolos
representados por palabras o sentencias
Se enmarcan en un lenguaje predeterminado
Es una quntupla: (X,T(X),U,G,M)
X nombre de la variable
T(x) Conjunto
Interseccin
Unin
Complemento
U Universo
G Gramtica que genera los nombres
M Serie de reglas semnticas para asociar cada X
con su significado
Variables Lingsticas
Variables Lingsticas Ejemplo
Agenda Lgica Difusa
Introduccin
Naturaleza de lo Difuso
Marco Conceptual
Conjuntos Difusos
Variables Lingsticas
Control Difuso
Fuzzyficacin
Inferencia Difusa
Defuzzyficacin
Entrada Fuzzificador
Proceso
lgico
Depsito de Depsito de
conocimiento conocimiento
Reglas de
conjuntos
difusos
Defuzzificacin
Actuador
Dispositivo
Fsico
Sensor
Salida
P(t), T(t)
P T
I
B M a
T T T , ,
B M a
P P P , ,
B M a
I I I , ,
I(t)
IF
.
.
.
T
H
E
N
.
.
.
Controlador Difuso
Sensor de
Temperatura
T(t)
P(t)
I(t)
Controlador
de
Regulacin
de Inyeccin
de Gasolina
Sensor de
Presin
Turbina
Ejemplo Caldera
Variables Lingsticas
Temperatura
{Fro, Fresco, Normal, Tibio, Caliente}
Presin
{Dbil, Baja, Normal, Fuerte, Alta}
Accin
{NA, NM, NB, ZR, PB, PM, PA}
N: Negativa
P: Positiva
A: Alta
M: Media
B: Baja
Conjuntos Difusos
Temperatura
0
1
Fro
Fresco
Normal
Tibio
Caliente
110 220 330
Conjuntos Difusos
Presin
0
1
Dbil
Baja
Normal
Fuerte
Alta
10 120 230
Conjuntos Difusos
Accin del Regulador
0
1
-60 0 +60
NB NM NA PB PM PA ZR
Fuzzificacin
Etapa Inicial
Soportada por la definicin de las Variables Lingsticas
Convierte una seal de entrada en una representacin
de valor difuso
Para cada conjunto difuso se calcula el valor de la funcin
de pertenencia asociado al valor de la entrada fsica

0
1
Fresco
110 220 T(t)=115
0.48 0.48

0
1
Baja Normal
10
0.57 0.57
0.25 0.25
P(t)=70
Ejemplo 1
Temperatura
T(t) =115 Fresco(115) =0.48
Presin
P(t) =70 Baja(70) =0.57
P(t) =70 Normal(70) =0.25
Base de Reglas
Caracterizar las acciones a realizar en funcin
de las entradas
Escritas en trminos de las variables lingsticas
Permite la toma de decisiones mediante la
operacin del motor de inferencia
IF<condiciones> THEN<acciones>
Base de Conocimiento
Ejemplo 1:
IF temp es FRESCO AND presin es BAJ A THEN accin
es PM
IF temp es FRESCO AND presin es NORMAL THEN
accin es ZR
Ejemplo 2:
IF temp es FRESCO AND presin es BAJ A THEN
accin es PM
IF temp es FRIO AND presin es BAJ A THEN
accin es PM
Reglas tienen la MISMA accin
Reglas tienen la accin DIFERENTE
T
E
M
P
E
R
A
T
U
R
A
Presin
D B N F A
Fro PA PM PB NB NM
Fresco PA PM ZR NM NM
Normal PM PB ZR NB NM
Tibio PM PB NB NM NA
Caliente PB PB NM NA NA
Tabla de Inferencia
Inferencia Difusa
Reglas tienen la accin DIFERENTE
T
E
M
P
E
R
A
T
U
R
A
Presi n
D B N F A
Fro PA PM PB NB NM
Fresco PA PM ZR NM NM
Nor mal PM PB ZR NB NM
Tibio PM PB NB NM NA
Caliente PB PB NM NA NA
Ejemplo 1:
Temperatura
T(t) =115 Fresco(115) =0.48
Presin
P(t) =70 Baja(70) =0.57
P(t) =70 Normal(70) =0.25
Inferencia Difusa
T
E
M
P
E
R
A
T
U
R
A
Presi n
D B N F A
Fro PA PM PB NB NM
Fresco PA PM ZR NM NM
Nor mal PM PB ZR NB NM
Tibio PM PB NB NM NA
Caliente PB PB NM NA NA
IF temp es FRESCO AND presin es BAJ A THEN accin es PM
IF temp es FRESCO AND presin es NORMAL THEN accin es ZR
Reglas tienen la accin DIFERENTE
Inferencia Difusa
FRESCO and BAJA => PM
0.48 0.57 min
0.48
0.48

FRESCO and NORMAL=>ZR
0.48 0.25 min
0.48 0.25
Reglas tienen la accin DIFERENTE
0
1
-60 0 +60
PM ZR
0.25
0.25
0.48
0.48
Reglas tienen la accin DIFERENTE
Defuzzificacin
Etapa Final
Transformar acciones de tipo difuso a tipo
cuantitativo o determinstico
Si la salida es simple, la transformacin es directa
Si la salida es compuesta, hay que combinar las salidas
para producir un nico valor aplicable al control del
proceso
Ejemplo - Accin del Regulador
0
1
-60 0 +60
PM ZR
+42
0.48
0.25
+20 +20
0
1
-60 0 +60
PM ZR
+23 +23
Ejemplo - Accin del Regulador
Redes Neuronales
Redes Neuronales
Agenda Redes Neuronales
Introduccin
Motivacin y Aplicaciones
Neurociencias
Redes Neuronales Naturales
Neuronas Artificiales
Modelo y Topologas
Clasificacin
Aprendizaje
Modelo Supervisado y Metodologa
Adalina
Problema de Separacin Lineal
Agenda Redes Neuronales
Redes Prealimentadas
Perceptrn
Retropropagacin
Metodologa de Desarrollo RN
Redes Auto-Organizadas
Mapas AutoOrganizados de Kohonen
LVQ
Ejemplos de Aplicacin
Taller de Aplicacin
Introduccin - Neurociencias
Base Biolgica de la Mente
Encfalo
compuesto de 10
11
neuronas
procesamiento relativamente lento
posee regiones especializadas
facultades elaboradas
producto de la interconexin
serie/paralelo de funciones elementales
Comportamiento de la Mente
afectado y modulado por el medio
produce la individualidad de ser humano
conocimiento se almacena por
subcategoras
Reconocimiento de Patrones
Minera de datos
Lectura de cdigos postales
Anlisis e interpretacin de fonemas
Automatizacin y Control
Regulacin de sistemas dinmicos
Robtica y percepcin
Modelos predictivos
Introduccin - Aplicaciones
Agenda Redes Neuronales
Introduccin
Motivacin y Aplicaciones
Neurociencias
Redes Neuronales Naturales
Neuronas Artificiales
Modelo y Topologas
Clasificacin
Aprendizaje
Modelo Supervisado y Metodologa
Adalina
Problema de Separacin Lineal
Neurociencias Neurona Natural
Componentes
Dendritas apicales y basales
Nucleo y soma
Axn y terminales presinpticas
Divergencia sistemas sensoriales
Convergencia motoneuronas
Neurociencias Organizacin
Regiones Funcionales
Entrada seales locales graduadas
Activador generacin de potencial de accin
Conductor propaga potencial todo o nada
Salida libera trasmisores
Neurociencias Funcionamiento
Agenda Redes Neuronales
Introduccin
Motivacin y Aplicaciones
Neurociencias
Redes Neuronales Naturales
Neuronas Artificiales
Modelo y Topologas
Clasificacin
Aprendizaje
Modelo Supervisado y Metodologa
Adalina
Problema de Separacin Lineal
Componentes
x
i
seales de
entrada
w
ki
pesos sinpticos
integrador de
seal
funcin activacin

k
umbral de
disparo
y
k
seal de salida
Neurona Artificial Modelo
Analoga Neuronas Naturales
Neurona Artificial Modelo
Funcin Activacin
Umbralizada - Signo
Lineal por Segmentos
Neurona Artificial Modelo
Funcin Activacin
Sigmoide
Neurona Artificial Modelo
Representacin Grfica
n Grafo de Flujo de Seales n Grafo Arquitectural
Neurona Artificial Modelo
Neurona Artificial Topologa
Red Prealimentada
n Monocapa
n Multicapa
Red Prealimentada
n Conexin Parcial
Retroalimentada
n Recurrente
Neurona Artificial Topologa
Neurona Artificial Clasificacin
Supervisadas
requieren maestro proporciona ejemplos
basada en reduccindel error
basada en matching
NO-Supervisadas
auto-organizadas descubren propiedades
competitivas
correlacionales
Retroalimentadas
redes dinmicas atractores en funcin
energa
Adalina Estimador Lineal
Neurona Artificial Clasificacin
Agenda Redes Neuronales
Introduccin
Motivacin y Aplicaciones
Neurociencias
Redes Neuronales Naturales
Neuronas Artificiales
Modelo y Topologas
Clasificacin
Aprendizaje
Modelo Supervisado y Metodologa
Adalina
Problema de Separacin Lineal
Presentar Ejemplos
Asociacin Conocida
entrada salida deseada
Calcular Pesos
Adaptacin
correccin minimiza error
Generalizacin
entradas similares
producensalidas similares
Aprendizaje Modelo Supervisado
Ajuste Pesos Sinpticos Depende del Error
Aprendizaje Modelo Supervisado
Aprendizaje Modelo Supervisado
Ajuste Pesos Sinpticos Depende del Error
Generar Ejemplos deben ser representativos
Separar Ejemplos aleatoriamente
conjunto entrenamiento usados para calcular pesos
conjunto prueba usados para verificar calidad RN
Calcular Pesos Sinpticos
Entrenamiento Red hasta minimizar error
determinar topologa capas-conexiones-funciones
inicializar red aleatorio uniforme en rango pequeo
aplicar algoritmo de aprendizaje ajustar parmetros
Validar Calidad
evaluar error con conjunto de prueba generalizacin
Aprendizaje Metodologa
Clasificacin de Formas
n 4 clases de aviones
n 48 descriptores caractersticas medibles
Aprendizaje Ejemplo
Clasificacin de
Formas
n 48 descriptores
n nmero neuronas capa
entrada
n 4 clases de aviones
n nmero neuronas capa
salida
n 26 neuronas en capa oculta
n inferior al nmero de capa
entrada
Aprendizaje Ejemplo
Agenda Redes Neuronales
Introduccin
Motivacin y Aplicaciones
Neurociencias
Redes Neuronales Naturales
Neuronas Artificiales
Modelo y Topologas
Clasificacin
Aprendizaje
Modelo Supervisado y Metodologa
Adalina
Problema de Separacin Lineal
Adalina - Widrow-Hoff
Adapter Lineal Element Estimador Lineal
Adalina Estimador Lineal
Minimizar Error Cuadrtico
Descenso por Gradiente
Frontera Lnea Recta/Hiperplano
clases deben ser linealmente separables
Adalina Separacin Lineal
Ejemplos Reconocimiento Patrones
proceso progresivo de aprendizaje
Adalina Separacin Lineal
Ejemplos Separacin por Lneas Rectas
reconstruir cualquier frontera requiere 3 capas
RN Separacin Por Rectas
RN emulan el comportamiento de las neuronas naturales
sin embargo es muy difcil lograr en forma artificial el nivel de
complejidad de los sistemas naturales
Familias de RN dependiendo del tipo de aprendizaje
supervisado se debe suministrar un conjunto significativo de
ejemplos a partir de los cuales la red pueda generalizar
no-supervisado se basa en la auto-organizacin
Desarrollo de una RN es un trabajo artesanal
requiere generacin de ejemplos significativos
determinacin la topologa y caractersticas de la red
Aplicaciones ms corrientes de la RN son las de mapeo
reconocimiento de patrones o respuesta a estimulos.
Conclusiones Redes Neuronales
Funcin de activacin Salida Activacin tasa de disparo
Funcin de propagacin o de red Efecto combinado de las sinpsis
Signo del peso de una conexin Efecto excitatorio o inhibitorio
Peso de las conexiones Efectividad de las sinpsis
Conexiones ponderadas Conexiones sinpticas
Unidades de proceso Neuronas
Redes Neuronales Artificiales Redes Neuronales Biolgicas
Conclusiones Comparacin
Bibliografa Redes Neuronales
Ham F.M., Principles of Neurocomputing for Science &
Engineering, McGraw Hill, 2001.
Haykin S., Neural Networks : a Comprehensive Foundation,
Prentice Hall, 1994.
Freeman J., Redes Neuronales : Algoritmos, Aplicaciones y
Tcnicas de Programacin, Addison-Wesley, 1993.
Li H.X., Fuzzy Neural Intelligent Systems : Mathematical
Foundation and the Applications in Engineering, CRC Press,
2001.
Martn del Ro B., Redes Neuronales y Sistemas Difusos, Alfa
Omega, 2002.
M
M

todos Evolutivos
todos Evolutivos
Agenda Mtodos Evolutivos
Introduccin
Computacin Evolutiva
Algoritmos Genticos
Aplicaciones e Inspiracin Natural
Componentes, Elementos y Algoritmo
Validacin Terica
Computacin Evolutiva
Programacin Evolutiva
Estrategas Evolutivas
Programacin Gentica
Clasificadores con Aprendizaje
Computacin Evolutiva
Idea Bsica
Hacer evolucionar una poblacin de soluciones candidatas a
un problema.
Origenesaos 50s
Propsito Aprendizaje de Mquina y Optimizacin
Idea de bsqueda evolutiva (Turing)
Autmata autoreplicante (Von Newman)
Generacin autonma de programas (Friedberg)
Evolucin simulada para solucin de problemas
matemticos (Bremermann)
Tipos de Aplicaciones
El gran campo de aplicacin de
los Algoritmos Genticos se
relaciona con aquellos problemas
para los cuales no existen
tcnicas o modelos
especializados
Agenda Mtodos Evolutivos
Introduccin
Computacin Evolutiva
Algoritmos Genticos
Aplicaciones e Inspiracin Natural
Componentes, Elementos y Algoritmo
Validacin Terica
Computacin Evolutiva
Programacin Evolutiva
Estrategas Evolutivas
Programacin Gentica
Clasificadores con Aprendizaje
Conceptos Bsicos AGs
A lo largo de las generaciones las
buenas caractersticas se propagana
travs de la poblacin
Elementos Bsicos AGs
Bsqueda en el Espacio del Problema
Generacin de estados a partir de los conocidos
Elementos Bsicos AGs
Evaluacin de Alternativas
Evaluacin de Calidad
Criterio de optimizacin ligado al problema
Elementos Bsicos AGs
Explotacin
Generar alternativas a partir de lo
conocido
Mezclar las conocidas como buenas
Elementos Bsicos AGs
Exploracin
Buscar nuevas alternativas
Modificar las ya conocidas como
buenas
Conceptos Bsicos AGs
Poblacin de Individuos
Individuo representa una solucin factible a un problema
equivale al conjunto de organismos que estn vivos
Conceptos Bsicos AGs
Evaluacin de Individuos
Cada individuo es evaluado para medir su calidad
calidad con respecto al problema
asigna de un valor puntuacin
Equivale a la efectividad de un organismo para
competir
por unos determinados recursos
en un ambiente determinado
Conceptos Bsicos AGs
Seleccin
A mayor adaptacin del individuo, mayor es la probabilidad
de ser seleccionado para reproducirse
solo los mejores sobreviven
Conceptos Bsicos AGs
Reproduccin
Se produce una nueva poblacin de posibles soluciones
individuos generados mediante operadores genticos
reemplazo de la poblacin anterior
El proceso evolutivo no tiene memoria
un nuevo individuo no recuerda quienes son sus antecesores
Algoritmo Gentico Bsico
NO
Verificar si la
Poblacin ha
Convergido
Producir Nueva
Generacin
Generar Descendientes
Aplicar Operadores
Genticos
Computar Funcin de
Evaluacin de los
Descendientes
Producir Nueva
Generacin
Insertar Descendientes
en la Poblacin
Generar
Poblacin Inicial
Evaluar
Poblacin Inicial
SI
FIN
Conclusiones AGs
Los AGs se basan en reproducir la idea bsica de
la evolucin
las buenas caractersticas se propagan a
travs de la poblacin
Los elementos bsicos de un AG son:
la poblacin
el fitness
la seleccin y los operadores genticos
Matemticamente se puede demostrar que los
AGs convergen a una buena solucin
en la prctica es indispensable disear una
buena funcin de fitness
El principal tipo de aplicacin de los AGs es la
bsqueda de una solucin ptima en un
espacio-problema
Conclusiones AGs
Bibliografia AGs
E. Falkenauer, Genetic Algorithms and Grouping
Problems, 1998.
D. Dumitrescu, Evolutionary Computation, CRC
Press, 2000.
Gracias por su Atencin
Ing. Enrique Gonzlez Ph.D.
Pontificia Universidad J averiana
Departamento Ingeniera de Sistemas
email: egonzal@javeriana.edu.co