INDICE

SISTEMA INTELIGENTE ................................................................................................................ 2

EJEMPLOS DE SISTEMAS INTELIGENTES ................................................................................... 2
CAPACIDADES REQUERIDAS....................................................................................................... 3
RED NEURONAL ARTIFICIAL ....................................................................................................... 4
OBJETIVOS ................................................................................................................................... 5
ALGORITMOS DE APRENDIZAJE ................................................................................................. 6
CARACTERÍSTICAS DE UNA RNA................................................................................................. 6
PROCESO DE DESARROLLO DE APLICACIONES CON RNA........................................................ 6
FUNDAMENTOS DE UN SISTEMA NEURONAL ARTIFICIAL ....................................................... 7
MODELO DE NEURONA ARTIFICIAL ........................................................................................... 7
APRENDIZAJE SUPERVISADO ................................................................................................... 10
APRENDIZAJE NO SUPERVISADO O AUTO ORGANIZADO ..................................................... 10
APLICACIÓNES DE RNA ............................................................................................................. 10
ALGORITMO GENÉTICO ............................................................................................................. 12
REDES NO RECURRENTES ......................................................................................................... 12
BIBLIOGRAFIA ............................................................................................................................ 13

1
SISTEMA INTELIGENTE
Un sistema inteligente es un programa de computación que reúne características y
comportamientos asimilables al de la inteligencia humana o animal.

La expresión "sistema inteligente" se usa a veces para sistemas inteligentes incompletos, por
ejemplo para una casa inteligente o un sistema experto.

Un sistema inteligente completo incluye "sentidos" que le permiten recibir información de

su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus acciones.
Tiene un objetivo e, inspeccionando su memoria, puede aprender de su experiencia. Aprende
cómo lograr mejorar su rendimiento y eficiencia.

Los sistemas inteligentes deben ser capaces de:

1. Aprender de la experiencia o entender.

2. Sentido a mensajes ambiguos o contradictorios.
3. Responder rápidamente y con éxito a una nueva situación.
4. Utilizar el razonamiento en la solución de problemas de conducta y dirigir de
manera eficaz.
5. Hacer frente a situaciones de perplejidad.
6. Entender y deducir en común, formas racionales.
7. Aplicar los conocimientos para manipular el medio ambiente.
8. De pensar y razonar.
9. Reconocer la importancia relativa de los diferentes elementos de una situación.

EJEMPLOS DE SISTEMAS INTELIGENTES

Los seres humanos y animales son sistemas inteligentes naturales, y los sistemas artificiales
tratan progresivamente de emular sus capacidades. Los sistemas inteligentes se caracterizan
por su capacidad de adaptarse a situaciones cambiantes, capacidad que todavía no logran
cabalmente los sistemas artificiales. La dificultad principal se encuentra en el desarrollo de la
capacidad de aprendizaje.

Ejemplos de algoritmos inteligentes:

• Artificial Neural Networks (ANN / RNA)

• Inductive Learning
• Case-based Reasoning and Analogical Reasoning
• Genetic Algorithms
• Fuzzy Logic

2
CAPACIDADES REQUERIDAS
Para que un sistema inteligente pueda ser considerado completo, debe incluir diversas
funcionalidades que incluyan:

 Inteligencia
Hay muchas definiciones de "inteligencia". Para usos prácticos usamos esta: La
inteligencia es el nivel del sistema en lograr sus objetivos de los sistemas inteligentes.
 Sistematización
Un sistema es parte del universo, con una extensión limitada en espacio y tiempo. Las
partes del sistema tienen más, o más fuertes, correlaciones con otras partes del
mismo sistema; que con partes fuera del sistema.
 Objetivo
Un objetivo es una cierta situación que el sistema inteligente quiere lograr.
Normalmente hay muchos niveles de objetivos, puede haber un objetivo principal y
muchos subobjetivos.
 Capacidad sensorial
Un sentido es la parte del sistema que puede recibir comunicaciones del entorno. Se
necesitan los sentidos para que el sistema inteligente puede conocer su entorno y
actuar interactivamente.
 Conceptualización
Un concepto es el elemento básico del pensamiento. Es el almacenamiento físico,
material de información (en neuronas o electrones). Todos los conceptos de la
memoria están interrelacionados en red. La capacidad de conceptualizar implica el
desarrollo de niveles de abstracción.
 Reglas de actuación
Una regla de actuación es el resultado de una experiencia o el resultado de
interpretar la propia memoria. Relaciona situación y consecuencias de la acción.
 Memoria
La memoria es un almacenaje físico de conceptos y reglas de actuación. Esto incluye
la experiencia del sistema.
 Aprendizaje
El aprendizaje es probablemente la capacidad más importante de un sistema
inteligente. El sistema aprende conceptos a partir de la información recibida de los
sentidos. Aprende reglas de actuación a base de su experiencia. La actuación, a veces
hecha al azar, se almacena con su valor. Una regla de actuación aumenta en valor si
permitió el logro de un objetivo. El aprendizaje incluye la fijación de conceptos
abstractos, a base de ejemplos concretos y la creación de conceptos compuestos que
contienen los conceptos de partes de un objeto. El aprendizaje también es la
capacidad de detectar relaciones (patrones) entre la parte "situación" y la parte
"situación futura" de una regla de actuación.

3
RED NEURONAL ARTIFICIAL
Las redes neuronales (también conocidas como sistemas conexionistas) son un modelo
computacional basado en un gran conjunto de unidades neuronales simples (neuronas
artificiales), de forma aproximadamente análoga al comportamiento observado en los
axones de las neuronas en los cerebros biológicos. Cada unidad neuronal está conectada con
muchas otras y los enlaces entre ellas pueden incrementar o inhibir el estado de activación
de las neuronas adyacentes. Cada unidad neuronal, de forma individual, opera empleando
funciones de suma. Puede existir una función limitadora o umbral en cada conexión y en la
propia unidad, de tal modo que la señal debe sobrepasar un límite antes de propagarse a otra
neurona. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de
forma explícita, y sobresalen en áreas donde la detección de soluciones o características es
difícil de expresar con la programación convencional.

Ilustración 1: Modelo de RNA

Las redes neuronales suelen consistir en varias capas o un diseño de cubo, y la ruta de la señal
atraviesa de adelante hacia atrás. Propagación hacia atrás es donde se utiliza la estimulación
hacia adelante o en el "frente" para restablecer los pesos de las unidades neuronales y esto
a veces se realiza en combinación con una formación en la que se conoce el resultado
correcto. Las redes modernas son un poco más libres en el sentido de que fluye en términos
de estimulación e inhibición con conexiones que interactúan de una manera mucho más
caótica y compleja. Las redes neuronales dinámicas son lo más avanzadas en que se pueden
formar dinámicamente nuevas conexiones e incluso nuevas unidades neuronales.

4
OBJETIVOS
El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro
humano, aunque las redes neuronales son más abstractas. Los proyectos de redes neurales
modernas suelen trabajar desde unos miles a unos pocos millones de unidades neuronales y
millones de conexiones que, si bien son muchas órdenes, siguen siendo de una magnitud
menos compleja que la del cerebro humano, más bien cercana a la potencia de cálculo de un
gusano.

Nuevas investigaciones sobre el cerebro a menudo estimulan nuevos patrones en las redes
neuronales. Un nuevo enfoque está utilizando conexiones que se extienden mucho más allá
y capas de procesamiento de enlace en lugar de estar siempre localizado en las neuronas
adyacentes. Otra investigación está estudiando los diferentes tipos de señal en el tiempo que
los axones se propagan, como el aprendizaje profundo, interpola una mayor complejidad que
un conjunto de variables booleanas que son simplemente encendido o apagado.

Las redes neuronales se basan en los números reales, con el valor del núcleo y del axón siendo
típicamente una representación entre 0,0 y 1.

Un aspecto interesante de estos sistemas es que son impredecibles en su éxito con el auto-
aprendizaje. Después del entrenamiento, algunos se convierten en grandes solucionadores
de problemas y otros no funcionan tan bien. Con el fin de capacitarlos, se necesitan varios
miles de ciclos de iteración.

Las redes neuronales se han utilizado para resolver una amplia variedad de tareas, como la
visión por computador y el reconocimiento de voz, que son difíciles de resolver usando la
ordinaria programación basado en reglas.

Históricamente, el uso de modelos de redes neuronales marcó un cambio de dirección a

finales de los años ochenta de alto nivel, que se caracteriza por sistemas expertos con
conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje automático,
caracterizado por el conocimiento incorporado en los parámetros de un modelo cognitivo
con algún sistema dinámico.

MODELOS
Modelos de redes neuronales en la inteligencia artificial se refieren generalmente a las
redes neuronales artificiales (RNA); estos son modelos matemáticos esencialmente simples
que definen una función f: X→Y o una distribución más X o ambos X e Y. Pero a veces los
modelos también están íntimamente asociadas con un algoritmo de aprendizaje en
particular o regla de aprendizaje. Un uso común de la frase "modelo ANN" es en realidad la
definición de una clase de tales funciones (donde los miembros de la clase se obtiene
variando parámetros, los pesos de conexión, o específicos de la arquitectura, tales como el
número de neuronas o su conectividad).

FUNCIÓN DE UNA RED

La palabra de red en el término "red neuronal artificial" se refiere a las interconexiones entre
las neuronas en las diferentes capas de cada sistema. Un sistema de ejemplo tiene tres capas.
La primera capa tiene neuronas de entrada que envían datos a través de las sinapsis a la
segunda capa de neuronas, y luego a través de más sinapsis a la tercera capa de neuronas de
salida. Los sistemas más complejos tendrán más capas de neuronas, algunos habiendo

5
aumentado capas de neuronas de entrada y de salida de las neuronas. Las sinapsis almacenan
parámetros llamados "pesos" que manipulan los datos en los cálculos.

Un ANN se define típicamente por tres tipos de parámetros:

1. El patrón de interconexión entre las diferentes capas de neuronas

2. El proceso de aprendizaje para la actualización de los pesos de las interconexiones
3. La función de activación que convierte la entrada ponderada de una neurona a su
activación de la salida.

ALGORITMOS DE APRENDIZAJE
El entrenamiento de un modelo de red neuronal en esencia significa seleccionar un modelo
de la serie de modelos animales (o, en un bayesiano marco, la determinación de una
distribución en el conjunto de modelos permitidos) que minimiza el criterio de costo. Hay
numerosos algoritmos disponibles para los modelos de redes neuronales de formación; la
mayoría de ellos puede ser vista como una aplicación directa de la optimización de la teoría y
la estimación estadística.

La mayoría de los algoritmos utilizados en las redes neuronales artificiales de formación

emplean alguna forma de descenso de gradiente, utilizando propagación hacia atrás para
calcular los gradientes reales. Esto se hace simplemente tomando la derivada de la función
de coste con respecto a los parámetros de la red y a continuación, cambiar los parámetros
en una relacionada gradiente- dirección. Los algoritmos de entrenamiento de propagación
hacia atrás generalmente se clasifican en tres categorías:

Métodos evolutivos, de programación de la expresión génica, de recocido simulado,

expectativa de maximización, los métodos no paramétricos y optimización de enjambre de
partículas son algunos otros métodos para la formación de redes neuronales.

CARACTERÍSTICAS DE UNA RNA

1. APRENDIZAJE: Una red neuronal puede modificar su comportamiento en respuesta
al medio ambiente.
2. GENERALIZACION: Una vez entrenada, la red neuronal puede ser insensible a
cambios en sus entradas.
3. ABSTRACCION: Una red neuronal puede determinar la esencia o características
principales de un conjunto de datos.

PROCESO DE DESARROLLO DE APLICACIONES CON RNA

1. Recoger datos
2. Separados en grupos de entrenamiento y prueba
3. Definir una estructura de red
4. Seleccione un algoritmo de aprendizaje
5. Establecer los parámetros, valores, Inicialice Pesos
6. Configurar los datos a entradas de la RNA
7. Iniciar el entrenamiento, determinar y revisar los pesos
8. Detener y probar
9. Aplicación: Usar la red con nuevos casos

6
 • Las RNA pueden ayudar a automatizar la toma de decisiones complejas.
• Aprenden de la experiencia del pasado y mejorar sus niveles de rendimiento.
• Máquina de aprendizaje: los métodos que enseñan las máquinas para resolver
problemas, o para apoyar la resolución de problemas, mediante la aplicación de casos
históricos.
• Simular sistemas que no son fácilmente simulables con los métodos lineales
convencionales.

FUNDAMENTOS DE UN SISTEMA NEURONAL ARTIFICIAL

Estructura y componentes

• Elementos de procesamiento
• Red
• Estructura de la Red

Procesamiento de la Información por la Red

• Entradas
• Resultados
• Pesos
• Función suma

Se describe la estructura de un sistema neuronal artificial. La pieza básica de las redes

biológicas es la neurona. Las neuronas se organizan en capas, varias de ellas constituyen una
red neuronal, que puede estar compuesta por millones de neuronas, conformando un
subsistema con funcionalidad propia. El conjunto de subsistemas forma el sistema global
(sistema nervioso).

Desde el punto de vista de la confección de SNA orientados a la resolución de problemas

prácticos, se establece una estructura jerárquica similar. El ladrillo básico es la neurona
artificial, que se organiza en capas; varias capas constituyen una red neuronal, y una o más
redes neuronales, junto con los interfaces de entrada/salida y otros módulos adicionales
constituyen el sistema global. Un sistema neuronal (o un sistema conexionista, en general)
se compone de los siguientes elementos: conjunto de neuronas, patrón de conexiones
(arquitectura), dinámicas de recuerdo y de aprendizaje, y entorno. Estos son los puntos que
trataremos en adelante. Para el lector interesado en profundizar en el tema, citaremos una
serie de referencias básicas. Una introducción clásica a los SNA es el artículo de Lippmann
(1987), que ha sido recientemente puesta al día en Hush (1993).

Dos de los mejores libros sobre el tema son el de Hecht-Nielsen (1990) y el de Hertz, Krogh y
Palmer (1991).

MODELO DE NEURONA ARTIFICIAL

Como sabemos, el punto de vista de los SNA es la computación mediante conjuntos de
procesadores sencillos y adaptativos (neuronas), ampliamente conectados y que operan en
paralelo. El elemento básico de este esquema es la neurona artificial.

Se denomina procesador elemental o neurona a un dispositivo simple de cálculo (Fig. 1) que,

a partir de un vector de entradas x(t) provenientes del exterior o de otras neuronas,
proporciona una única respuesta o salida yi (t). Los elementos esenciales que constituyen la
neurona de etiqueta i son los siguientes:

7
  Un conjunto de entradas xj (t) y de pesos sinápticos wij.
 Una regla de propagación hi (t) = s(wij, xj (t)).
 Una función de activación yi (t) = fi (yi (t-1), hi (t)), que proporciona su salida yi (t).

Las entradas y salidas de la neurona artificial pueden ser binarias (digitales) o continuas
(analógicas), dependiendo del modelo y de la aplicación. Por ejemplo, para tareas de
clasificación se emplearían salidas digitales 0, +1, mientras que en un problema de ajuste
funcional de una aplicación multivariable continua, se emplearían salidas continuas dentro de
un cierto intervalo. La regla de propagación, a partir de las entradas de la neurona y de sus
pesos proporciona el valor del potencial postsináptico. La regla más habitual es lineal,
llevando a cabo la suma de las entradas ponderada con los pesos sinápticos. A esta expresión
se suele añadir un parámetro adicional i denominado umbral.

En ocasiones se hace uso de sinapsis multiplicativas, denominadas de orden superior o sigma-

pi (Rumel86). La función de activación o de transferencia f(.) proporciona a partir del
potencial postsináptico hi (t) y del propio estado de activación anterior de la neurona yi (t-1),
su estado de activación actual yi (t). En la mayor parte de los modelos esta función es
monótona creciente y continua, como se observa en muchas de las neuronas biológicas. Las
formas funcionales más empleadas en los SNA se muestran en la Figura 2. Las más simples
de todas son la función identidad (función lineal) y la escalón, empleada en la neurona
original de McCulloch-Pitts. La función lineal a tramos puede considerarse como una lineal
saturada en sus extremos; es de gran sencillez computacional, y más plausible desde un
punto de vista biológico. Cuando los algoritmos de aprendizaje requieren que la función de
activación sea derivable (como en el de retroprogación) se suelen emplear de tipo sigmoideo.

Teniendo en cuenta las consideraciones anteriores, el modelo de neurona estándar suele

escribirse (Fig. 3) de la siguiente manera:

8
El modelo de neurona considerado hasta el momento es de carácter determinista. Sin
embargo, puede introducirse una dinámica estocástica en la activación de la neurona, lo que
conduce a que la salida posea carácter probabilístico, como sucede en la máquina de
Boltzmann (Rumelhart, 1986).

ARQUITECTURAS DE REDES NEURONALES

Se denomina arquitectura a la topología, estructura o patrón de conexionado de una red
neuronal. En general, y de modo análogo a lo que sucede en el cerebro, las neuronas se
suelen agrupar en unidades estructurales que denominaremos capas. El conjunto de una o
más capas conforma la red neuronal. Se distinguen distintos tipos de capas: la capa de
entrada o sensorial está compuesta por neuronas que reciben datos o señales del entorno;
la capa de salida es aquella cuyas neuronas proporcionan la respuesta de la red neuronal; las
capas ocultas no tienen conexión directa con el entorno, proporcionando a la red neuronal
grados de libertad adicionales. Se pueden distinguir diferentes tipos de arquitecturas
neuronales, atendiendo a diferentes aspectos. En relación a su estructura en capas, podemos
hablar de redes monocapa, como aquellas compuestas por una única capa de neuronas; y las
redes multicapa (layered networks), cuyas neuronas se organizan en varias capas. Asímismo,
atendiendo al flujo de datos en el seno de la red neuronal, podemos hablar de arquitecturas
hacia-adelante (feedforward) y arquitecturas recurrentes (feedback). En las redes hacia-
adelante, los datos siempre circulan en un único sentido, desde las neuronas de entrada hacia
las de salida. En las arquitecturas recurrentes existe realimentación, de modo que los datos
pueden circular también en el sentido salida-entrada, contrario al convencional. Con
frecuencia se interpreta la operación de una red neuronal como la de una memoria asociativa,
que ante un patrón de entradas responde con un cierto patrón de salida. Si una red se entrena
para que ante la presentación de un patrón A responda con un patrón B (≠A), se dice que la
red es heteroasociativa. Si una red es entrenada para que a un patrón A le asocie el mismo
patrón A, se dice que es una red autoasociativa.

9
MODOS O DINÁMICAS DE OPERACIÓN: RECUERDO Y APRENDIZAJE
Definidos los modelos de neurona y su patrón de conexionado, sobre la arquitectura
resultante se definen dos dinámicas o modos de operación: el modo recuerdo o de ejecución,
y el de aprendizaje o entrenamiento.

MODO APRENDIZAJE
Habitualmente, los pesos sinápticos iniciales de la arquitectura se establecen como nulos o
aleatorios. Ello quiere decir que la red de partida normalmente no almacena ningún tipo de
información útil, para que resulte operativa es necesario entrenarla, fase que constituye el
modo aprendizaje de la red, que consistente esencialmente en encontrar un conjunto de
pesos sinápticos adecuado que permita a la red realizar el tipo de procesamiento deseado. El
aprendizaje se puede llevar a cabo a dos niveles. El más convencional es el del modelado de
las sinapsis, que consiste en modificar los pesos sinápticos siguiendo una cierta regla de
aprendizaje, que normalmente se obtiene de la minimización de una función de error o coste,
que mide el rendimiento actual de la red. Algunos modelos neuronales pueden incluir un
segundo nivel en el aprendizaje, el de la creación y/o destrucción de neuronas, en el que se
lleva a cabo la modificación de la propia arquitectura de la red. Sea de una manera u otra, en
un proceso de aprendizaje la información presente en la capa de entrada modela la
estructura de la red, como resultado la red neuronal incorpora en su propia estructura una
cierta imagen de su entorno.

APRENDIZAJE SUPERVISADO
En este tipo se presenta a la red un conjunto de patrones, junto con la salida deseada u
objetivo. La red iterativamente ajusta sus pesos hasta que su salida tiende a ser la deseada,
utilizando para ello información detallada del error que en cada paso comete. De este modo,
el SNA es capaz de estimar relaciones entrada/salida sin necesidad de proponer una cierta
forma funcional de partida.

APRENDIZAJE NO SUPERVISADO O AUTO ORGANIZADO

En este caso se presentan a la red multitud de patrones, pero sin adjuntar la respuesta
deseada. El sistema, por medio de la regla de aprendizaje definida, debe reconocer en ellos
regularidades, extraer rasgos, estimar densidades de probabilidad o agruparlos según su
similitud.

APLICACIÓNES DE RNA
RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un
modelo identificable que pueda ser programado, pero se dispone de un conjunto básico de
ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas
tanto al ruido como a la disfunción de elementos concretos y son fácilmente paralelizables.

Esto incluye problemas de clasificación y reconocimiento de patrones de voz, imágenes,

señales, etc. Asimismo se han utilizado para encontrar patrones de fraude económico, hacer
predicciones en el mercado financiero, hacer predicciones de tiempo atmosférico, etc.

También se pueden utilizar cuando no existen modelos matemáticos precisos o algoritmos

con complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un éxito más
que razonable al clásico problema del viajante (un problema para el que no se conoce
solución algorítmica de complejidad polinómica).

10
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los
algoritmos genéticos (AG) para crear controladores para robots. La disciplina que trata la
evolución de redes neuronales mediante algoritmos genéticos se denomina Robótica
Evolutiva. En este tipo de aplicación el genoma del AG lo constituyen los parámetros de la
red (topología, algoritmo de aprendizaje, funciones de activación, etc.) y la adecuación de la
red viene dada por la adecuación del comportamiento exhibido por el robot controlado
(normalmente una simulación de dicho comportamiento).

APLICACIONES DE LA VIDA REAL

Las tareas se aplican a las redes neuronales artificiales tienden a caer dentro de las siguientes
categorías generales:

 Aproximación de funciones, o el análisis de regresión, incluyendo la predicción de

series de tiempo, aproximación de la capacidad y el modelado.
 Clasificación, incluyendo el patrón y la secuencia de reconocimiento, detección y de
la toma de decisiones secuencial.
 Procesamiento de datos, incluyendo el filtrado, el agrupamiento, la separación ciega
de fuentes y compresión.
 Robótica, incluyendo manipuladores, que dirigen la prótesis.
 De control, incluyendo control numérico por ordenador.

Las áreas de aplicación incluyen la identificación del sistema y el control (control del vehículo,
predicción de la trayectoria, el control de procesos , recursos naturales gestión), la química
cuántica , juego de papeles y la toma de decisiones (backgammon, ajedrez, póquer ), el
reconocimiento de patrones (radar sistemas, identificación de la cara , reconocimiento de
objetos y más), de reconocimiento de secuencia (gesto, voz, reconocimiento de texto escrito
a mano), diagnóstico médico , aplicaciones financieras (por ejemplo, sistemas automatizados
de comercio ), minería de datos (o descubrimiento de conocimiento en bases de datos,
"KDD"), la visualización y el spam de correo electrónico filtrado.

Las redes neuronales artificiales se han utilizado también para el diagnóstico de varios tipos
de cáncer. Un sistema de detección de cáncer de pulmón híbrido basado ANN llamado HLND
mejora la precisión del diagnóstico y la velocidad de la radiología cáncer de pulmón. Estas
redes también se han utilizado para diagnosticar el cáncer de próstata. Los diagnósticos se
pueden utilizar para hacer modelos específicos tomados de un gran grupo de pacientes en
comparación con la información de un paciente dado. Los modelos no dependen de
suposiciones acerca de las correlaciones de diferentes variables. El cáncer color rectal
también se ha previsto el uso de las redes neuronales. Las redes neuronales podrían predecir
el resultado de un paciente con cáncer color rectal con más precisión que los métodos
clínicos actuales. Después del entrenamiento, las redes podrían predecir múltiples resultados
de los pacientes de instituciones relacionadas.

11
ALGORITMO GENÉTICO
Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir,
para dar solución a un problema específico.

La antena 2006 de la nave espacial de la NASA ST5. Esta forma complicada fue encontrada
por un programa evolutivo del diseño de computadora para crear el mejor patrón de la
radiación. Se conoce como una antena evolucionada.

En los años 1970, de la mano de John Henry Holland, surgió una de las líneas más
prometedoras de la inteligencia artificial, la de los algoritmos genéticos, (AG).12 Son llamados
así porque se inspiran en la evolución biológica y su base genético-molecular.

Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones

aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y
recombinaciones genéticas), así como también a una selección de acuerdo con algún criterio,
en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y
cuáles los menos aptos, que son descartados.

Los algoritmos genéticos se enmarcan dentro de los algoritmos evolutivos, que incluyen
también las estrategias evolutivas, la programación evolutiva y la programación genética.

REDES NO RECURRENTES
Las señales de entrada son simplemente transformadas en señales de salida, no hay
conexiones cerradas y se sigue siempre un flujo continuo hacia el frente.

Las señales son alteradas en diversas transiciones de estado, siendo la salida alimentada
también de la entrada, igualmente se tienen loops debido a las conexiones de retorno.

12
BIBLIOGRAFIA

CALVO ROLLE, J. Luis. Dpto. Arq de Computadores y automática – Facultad de informática.

SISTEMAS INTELIGENTES EN OPTIMIZACIÓN Y CONTROL APLICACIONES PRÁCTICAS.

CÁRDENAS ALMEIDA, Rubén. INTELIGENCIA ARTIFICAL – PRÁCTICAS.

JORGE MATICH, Damián. REDES NEUROANLES: CONCEPTOS Y APLICACIONES. Universidad

Tecnológica Nacional – Facultad Regional de Rosario, Marzo 2001.

https://searchdatacenter.techtarget.com/es/definicion/Inteligencia-artificial-o-AI

https://www.xataka.com/robotica-e-ia/las-redes-neuronales-que-son-y-por-que-estan-
volviendo

13