Está en la página 1de 26

Bloque I

Componiendo con la matemática a lo largo de la historia

Algoritmos avanzados en música


[3.1] ¿Cómo estudiar este tema?

[3.2] Introducción

[3.3] Algoritmos genéticos

[3.4] Algoritmos genéticos en composición musical

[3.5] Autómatas celulares

[3.6] Autómatas celulares en composición musical

[3.7] Sistemas basados en agentes

[3.8] Agentes en composición musical

[3.9] Teoría del caos

[3.10] Geometría fractal


3
[3.11] Resumen
TEMA
Esquema

TEMA 3 – Esquema
Algoritmos avanzados en música

Geometría
Algoritmos genéticos Autómatas celulares Agentes Teoría del caos
fractal

Agentes en
Algoritmos genéticos en Autómatas celulares en Conjunto de
composición Atractores
composición musical composición musical cantor
musical

Curva de Koch

Triángulo de
Sierpinski
Matemáticas y Física Aplicadas a la Música
Matemáticas y Física Aplicadas a la Música

Ideas clave

3.1. ¿Cómo estudiar este tema?

Para el estudio de este tema debes leer el cuarto capítulo de la tesis doctoral
«Probabilidad, Redes Neuronales e Inteligencia Artificial en Composición Musical.
Desarrollo de los sistemas MusicProb y MusicNeural» de Victor Padilla. Recuperado
de http://eciencia.urjc.es/browse?type=author&value=Padilla+Mart%C3%ADn-
Caro%2C+V%C3%ADctor

3.2. Introducción

En este tema vamos a repasar diversos sistemas empleados de forma habitual en el


campo de la inteligencia artificial y, de forma paralela, su empleo en composición
musical. Estas técnicas nos permiten generar materiales de todo tipo (alturas de notas,
ritmos, melodías, fragmentos…) e incluso importarlos en herramientas musicales
informáticas como Max, CSound, PureData… (este último lo veremos a partir del bloque
3).

Somos conscientes que cada epígrafe de este tema daría pie a varias investigaciones en
profundidad. No es nuestro objetivo analizar en detalle ninguno de estos aspectos, más
bien proporcionar un panorama general de las diferentes aproximaciones a la
composición musical desde el mundo de las ciencias de la computación y hacer presente
al alumno nuevos campos abiertos en investigación musical que pudieran serle afines.

3.3. Algoritmos genéticos

El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución


de Darwin. Esta técnica se basa en los mecanismos de selección que utiliza la
naturaleza, de acuerdo a los cuales los individuos más aptos de una población son los que
sobreviven, al adaptarse más fácilmente a los cambios que se producen en su entorno.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Hoy en día se sabe que estos cambios se efectúan en los genes de un individuo (unidad
básica de codificación de cada uno de los atributos de un ser vivo), y que sus atributos
más deseables (por ejemplo, los que le permiten adaptarse mejor a su entorno) se
transmiten a sus descendientes cuando este se reproduce sexualmente.

Los principios básicos de los algoritmos genéticos fueron establecidos por Holland y se
encuentran bien descritos en varios textos de Goldberg, Bauer o Banzhaf (ver bibliografía
al final del tema).

Los algoritmos genéticos usan una analogía directa con el comportamiento natural.
Trabajan con una población de individuos, cada uno de los cuales representa una
solución factible a un problema dado. A cada individuo se le asigna un valor o
puntuación, relacionado con la bondad de dicha solución. En la naturaleza esto
equivaldría al grado de efectividad de un organismo para competir por unos
determinados recursos. Cuanto mayor sea la adaptación de un individuo al problema,
mayor será la probabilidad de que el mismo sea seleccionado para reproducirse,
cruzando su material genético con otro individuo seleccionado de igual forma. Este cruce
producirá nuevos individuos descendientes de los anteriores los cuales comparten
algunas de las características de sus padres. Cuanto menor sea la adaptación de un
individuo, menor será la probabilidad de que dicho individuo sea seleccionado para la
reproducción, y por tanto de que su material genético se propague en sucesivas
generaciones.

De esta manera se produce una nueva población de posibles soluciones, la cual


reemplaza a la anterior y por tanto contiene una mayor proporción de buenas
características en comparación con la población anterior. Así a lo largo de las
generaciones las buenas características se propagan a través de la población.
Favoreciendo el cruce de los individuos mejor adaptados, van siendo exploradas las áreas
más prometedoras del espacio de búsqueda. Si el algoritmo genético ha sido bien
diseñado, la, población convergerá hacia una solución óptima del problema.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

En principio, el esquema de un algoritmo genético se estructura de la siguiente manera:


Se genera una población inicial aleatoria de n cromosomas.
Durante la fase reproductiva se seleccionan los individuos de la población para
cruzarse y producir descendientes, que constituirán, una vez mutados, la siguiente
generación de individuos. La selección de padres se efectúa al azar usando un
procedimiento que favorezca a los individuos mejor adaptados, ya que a cada
individuo se le asigna una probabilidad de ser seleccionado que es proporcional a su
función de adaptación (fitness).
El operador de cruce, coge dos padres seleccionados y corta sus ristras de
cromosomas en una posición escogida al azar, para producir dos sub—ristras iniciales
y dos sub—ristras finales. Después se intercambian las sub—ristras finales,
produciéndose dos nuevos cromosomas completos.

1010 001110 0011 010010


Padres

Descendientes 1010 010010 0011 001110

Operador de cruce basado en un punto

El operador de mutación se aplica a cada hijo de manera individual, y consiste en la


alteración aleatoria (normalmente con probabilidad pequeña) de cada gen
componente del cromosoma.

Gen mutado

Descendiente 1010 001110

Descendiente 1010 110010


mutado

Operador de mutación

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

3.4. Algoritmos genéticos en la composición musical

Una de las primeras aplicaciones de algoritmos genéticos en composición musical son


los trabajos de Andrew Horner y David Goldberg que describen la generación de
material melódico como «puente temático». Esta técnica se basa en la modificación de
un patrón inicial usando un número de funciones y compara el resultado con otro patrón
como función de fitness. Para generar el material, Horner y Goldberg usaban el siguiente
algoritmo. Por ejemplo tomemos el patrón inicial (Gb, Bb, F, Ab, Db) y un patrón de
referencia (F, Ab, Eb.). Veamos de qué manera podemos llegar del patrón inicial al de
referencia:
1.- Borramos la nota inicial: Gb Bb F Ab
2.- Rotamos el patrón de forma aleatoria: Bb F Ab Gb
3.- Borramos la última nota: Bb F Ab
4.- Mutamos la primera nota: Eb F Ab
5.- Rotamos el patrón: F Ab Eb

La salida es, por tanto:

Gb Bb F Ab Bb F Ab Gb Bb F Ab Eb F Ab F Ab Eb

Además del patrón temático y la duración de la secuencia, debemos especificar el


conjunto de operaciones (cambio de notas, borrado, rotar el patrón…). Algunos
conjuntos de operaciones no son capaces de llevarnos del estado inicial al final en la
duración especificada de la secuencia. El esquema global del sistema sería el siguiente:

Escoge patrón temático, duración y


conjunto de operaciones
Modifica el patrón temático,
duración o conjunto de operaciones
Ejecuta algoritmo genético

NO
¿Resultado aceptable?
SI FIN

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

3.5. Autómatas celulares

Un autómata celular (A.C.) es un modelo matemático para un sistema dinámico que


evoluciona en pasos discretos. Es adecuado para modelar sistemas naturales que puedan
ser descritos como una colección masiva de objetos simples que interactúen localmente
unos con otros.

Son sistemas descubiertos dentro del campo de la física computacional por John von
Neumann en la década de 1950. Los autómatas celulares pueden ser de una dimensión
(una línea), bidimensionales (un plano), tridimensionales (un espacio), etc. De
acuerdo a la cantidad de dimensiones que use tendrá tantos o menos vecinos. Por
ejemplo, para un autómata celular 2D cada celda tiene 8 vecinos (si tomamos también
las diagonales) o 4 vecinos (si tomamos el de arriba, abajo, izquierda y derecha). En el
caso de un autómata 3D, cada celda tiene 26 vecinos (3x3x3-1). Uno de una sola
dimensión tiene solo 2 vecinos. La interacción de cada célula con sus vecinas produce
extraños patrones.

Stephen Wolfram clasificó los autómatas según la configuración a la que tienden. Esto
es: qué configuración quedará al cabo de cierto tiempo de cómputo.

Las clases de autómatas celulares clasificados por Wolfram son:

Configuración estable y homogénea: todas las celdas terminan con el mismo


valor.

Por ejemplo: Regla 1

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://www.wolframalpha.com/input/?i=rule+1

Estructuras simples y periódicas: al cabo de cierto tiempo se forman estructuras


que repiten sus «movimientos» en distintos períodos de tiempo.

Por ejemplo: Regla 50

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://www.wolframalpha.com/input/?i=rule+50

Configuración caótica: los patrones son impredecibles y hay gran cantidad de


variación de estos en cada paso de tiempo. Casi o totalmente impredecibles sin
realizar el cómputo. Presentan la mayor cantidad de «información» en el sentido
computacional. Muy sensible a las condiciones iniciales (Teoría del caos). No vamos
a extendernos en explicaciones sobre la teoría del caos. Como referencia para
consulta, el libro de Gleick, J. (2008). Chaos, making a new science. Penguin

Por ejemplo: Regla 30

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://www.wolframalpha.com/input/?i=rule+30

Configuración compleja: los patrones formados no son ni completamente caóticos


ni completamente ordenados.

Por ejemplo: Regla 110

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://www.wolframalpha.com/input/?i=rule+110

El juego de la vida

Este es quizás el autómata celular más conocido. Fue inventado por John Horton
Conway en 1970 y en principio solo se veía como un juego matemático.

Las reglas son simples:


una celda muerta (blanca) con exactamente 3 vecinos vivos, nace (reproducción).
una celda viva con 2 o 3 vecinos vivos permanece viva.
una celda viva con 4 o más vecinos vivos muere (por superpoblación).
una celda viva con menos de 2 vecinos vivos muere (por aislamiento).

Existen numerosos tipos de patrones que pueden tener lugar en el juego de la vida, como
patrones estáticos («vidas estáticas»), patrones recurrentes («osciladores»)
conjunto de vidas estáticas y patrones que se trasladan por el tablero («naves
espaciales»). Los ejemplos más simples de estas tres clases de patrones se muestran
abajo. Las células vivas se muestran en negro y las muertas en blanco.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Bloque Barco Parpadeador Sapo Planeador Nave ligera

Fuente: http://es.wikipedia.org/wiki/Juego_de_la_vida

3.6. Componiendo con autómatas celulares

En este apartado vamos a revisar los trabajos realizados por Eduardo Reck Miranda
sobre autómatas celulares. Miranda implementó un sistema basado en el algoritmo del
juego de la vida que le permitía generar alturas y duraciones. El sistema se denominó
CAMUS y emplea un modelo cartesiano para representar acordes de 3 sonidos. El
modelo tiene 2 dimensiones donde la coordenada horizontal representa el primer
intervalo y la vertical el segundo.

Las duraciones se evalúan en función de los 8 vecinos de cada celda. La codificación


empleada es la siguiente:

Fuente: http://quod.lib.umich.edu/cgi/p/pod/dod-idx/cellular-automata-in-midi-based-computer-
music.pdf?c=icmc;idno=bbp2372.2004.047

0000 a[dn] 0010 adn 0101 and 0111 nad 1011 nda
0001 [dna] 0011 dna 0110 dan 1001 d[na] 1111 n[da]

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

La codificación se emplea por pares (los 8 vecinos) de manera que queda determinada la
duración de cada nota. Por ejemplo, si tenemos «nad» y «a[dn]» (0100 0000) como
vecinos de una celda, el resultado será, en el ejemplo de la siguiente:

Con este sistema, Miranda ha compuesto un número de piezas como Entre l'Absurde et
le Mystère (para orquesta de cuerda) y el segundo movimiento de Wee Batucada Scotica
(cuarteto de cuerdas).

Una explicación más detallada del algoritmo puedes encontrarla en el siguiente artículo:
http://quod.lib.umich.edu/cgi/p/pod/dod-idx/cellular-automata-in-midi-based-
computer-music.pdf?c=icmc;idno=bbp2372.2004.047

Un fragmento de esta obra puede ser escuchada aquí: http://vimeo.com/55600019

3.7. Teoría de agentes

La simulación basada en agentes ha demostrado ser una técnica muy útil para
modelizar sistemas complejos, y muy especialmente en sistemas sociales. Mediante la
simulación basada en agentes, el modelo trata de recoger la información de los sistemas

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

complejos a través de comportamientos individuales y de sus interacciones. Lo que


distingue a la simulación basada en agentes de otras técnicas de modelado es la forma en
que se construye la primera abstracción del sistema real y, consecuentemente, el modelo
formal.

En los modelos formales construidos mediante simulación basada en agentes, los


componentes básicos del sistema real están explícita e individualmente representados en
el modelo.

Sistema objetivo Modelo basado en


basado en las agentes con
interacciones de la interacciones entre
realidad agentes

Los sistemas basados en agentes se caracterizan por comprender varios agentes que son
en mayor o menor grado autónomos, heterogéneos e independientes, que
muestran cada uno sus propias metas y objetivos, y que generalmente son capaces de
interaccionar entre sí y con su entorno. En muchas ocasiones, pero no siempre, son
sistemas caracterizados por la existencia de un número grande de agentes relativamente
simples, que pueden evolucionar a lo largo del tiempo para adaptarse a nuevas
condiciones del entorno o a nuevos objetivos. En particular, la simulación basada en
agentes es especialmente relevante en sistemas complejos con las siguientes
características:

Sistemas con componentes individuales heterogéneos, especialmente


aquellos en los que las implicaciones de esta heterogeneidad no se han estudiado en
profundidad. Varias disciplinas utilizan frecuentemente la hipótesis de «individuo
prototipo» o «agente representativo», confiando en que los resultados obtenidos bajo

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

esta hipótesis puedan aplicarse satisfactoriamente a sistemas reales en los que los
individuos son, en realidad, heterogéneos.

Sistemas adaptativos, por ejemplo sistemas en los que los componentes


individuales del sistema son capaces de aprender (adaptación a escala individual), o
bien pueden ser seleccionados y reemplazados de acuerdo con algún criterio
(adaptación a nivel poblacional).

Sistemas en los que el espacio geográfico puede tener una influencia


significativa. En muchos sistemas, el hecho de que dos individuos estén separados en
el espacio supone una probabilidad de interacción inferior. El modelado basado en
agentes facilita la representación del espacio físico en el que se mueven e interactúan
los agentes.

Sistemas en los que se desea analizar en profundidad la relación existente entre


los atributos y comportamientos de los individuos (la «micro-escala») frente
a las propiedades globales del grupo (la «macro-escala»).

3.8. Ideas para trabajar con agentes en composición musical

Eduardo Miranda analiza las posibles aplicaciones musicales de la simulación en


agentes. Los agentes como tal no son musicales en el sentido de que no son diseñados
con una tarea musical en mente, pero si es muy interesante parametrizar la emergencia
de estos sistemas en audio. Hay que tener en cuenta que las interacciones sociales
afectarán a la música que oímos, pero la música que se produce no afectará a las
interacciones sociales.

Un sistema llamado «Music Insects» del japonés Toshio Iwai (1992) es un ejemplo de
implementación sonora de una simulación basada en agentes. El sistema incorpora un
pequeño conjunto de insectos—agentes que se mueven sobre un territorio en 2D. El
usuario puede colocar patches de diverso color. Cuando un insecto cruza un patch de un
color determinado, suena una determinada nota asociada. Por tanto, una vez que un
entorno de color—nota patch ha sido configurado, el movimiento de los insectos se
transforma en sonido. El jugador podía hacer cambiar el rumbo de los insectos mediante
puntos y líneas de colores. Iwai juega con la idea de hacer música de dibujando,
cambiando los elementos del juego de forma fácil y rápida.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Una explicación algo más detallada puede encontrarse en


http://www.vidaextra.com/cultura/artfutura-2005-toshio-iwai

3.9. Teoría del caos

En este apartado vamos a comentar muy brevemente y de forma divulgativa una rama
de la física bastante popular que trata ciertos tipos de sistemas dinámicos muy
sensibles a las variaciones de las condiciones iniciales. Estos sistemas son
deterministas esto quiere decir que su comportamiento está completamente definido
por las condiciones iniciales. La consecuencia más importante es que en el régimen
caótico es imposible realizar predicciones a largo plazo, ya que nunca se van a poder
conocer las condiciones iniciales del sistema con infinita precisión.

Una forma de referirse al fenómeno anterior, que se ha hecho muy popular, es el término
efecto mariposa que proviene del título de la conferencia pronunciada por Edward N.
Lorenz en 1972 en la 139º reunión de la Sociedad Americana para el Avance de la Ciencia:
«¿Puede el aleteo de una mariposa en Brasil desencadenar un tornado en Texas?», en el
que se quería enfatizar, con una imagen chocante, la dependencia extrema a las
condiciones iniciales. Un ejemplo claro sobre el efecto mariposa es soltar una pelota justo
sobre la arista del tejado de una casa varias veces; pequeñas desviaciones en la posición
inicial pueden hacer que la pelota caiga por uno de los lados del tejado o por el otro,
conduciendo a trayectorias de caída y posiciones de reposo final completamente
diferentes. Cambios minúsculos que conducen a resultados totalmente divergentes.

Algunos ejemplos típicos de sistemas caóticos son la predicción meteorológica, el


comportamiento de la bolsa o el latido del corazón humano.

Atractores

Un atractor es el conjunto al que el sistema caótico evoluciona después de un tiempo


suficientemente largo. Para que el conjunto sea un atractor, las trayectorias que le sean
suficientemente próximas han de permanecer próximas incluso si son ligeramente
perturbadas. Geométricamente, un atractor puede ser un punto, una curva, una variedad
o incluso un conjunto complicado de estructura fractal conocido como atractor extraño.
La trayectoria del sistema dinámico en el atractor no tiene que satisfacer ninguna

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

propiedad especial excepto la de permanecer en el atractor; puede ser periódica, caótica


o de cualquier otro tipo.

Un ejemplo típico de atractor extraño es el atractor de Lorenz:

Fuente: http://commons.wikimedia.org/wiki/File:LorenzAttractor.png

3.10. Fractales y su geometría

La palabra fractal, referida a conjuntos matemáticos, apareció por primera vez en el año
1977 cuando Benoit Mandelbrot la utilizó para referirse a ciertos conjuntos con todas
o algunas de las siguientes propiedades:

Tienen detalles a todas las escalas, entendiendo por esto que mirados a cualquier
nivel de «zoom» manifiestan detalles ya observados a nivel global.

Son autosemejantes, es decir, que están formados por partes que son semejantes al
conjunto total.

Tienen una descripción algorítmica simple, entendiendo por ello que su


construcción se basa en un algoritmo sencillo.

Vamos a comentar algunos ejemplos de fractales sencillos.

Conjunto de Cantor

El conjunto de Cantor es el fractal por antonomasia, y también el primero conocido. Fue


ideado por Georg Cantor en 1883 como ejemplo de conjunto de longitud cero cuyos

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

puntos se pueden identificar uno a uno con todos los puntos de una recta (que tiene
longitud infinita).

Para su construcción se parte de un segmento de longitud 1. Se divide en tres partes


iguales y se elimina la parte central abierta (es decir, sin incluir los extremos). Cada una
de las otras dos se divide en tres partes iguales y se eliminan las partes centrales
(abiertas) en cada una de ellas. Se procede igual con cada uno de los cuatro segmentos
que quedan y se repite el proceso infinitas veces.

Fuente: http://commons.wikimedia.org/wiki/File:Conjunto_de_Cantor.png

La curva de Koch

La curva de Koch fue ideada por Helge von Koch en 1904 como ejemplo de curva de
longitud infinita contenida en un recinto acotado y sin tangente en cualquier punto.
Su construcción se hace mediante un proceso similar al del conjunto de Cantor. Se parte
de un segmento de longitud 1. El primer paso consiste en dividirlo en tres intervalos
iguales, construir un triángulo equilátero sobre el intervalo central y suprimir la base de
dicho triángulo, como indica la figura. El segundo paso de la construcción consiste en
hacer lo mismo que hemos hecho en el primer paso sobre cada uno de los cuatro
intervalos que han resultado. Y se repite el proceso infinitas veces. La curva de Koch es
la curva a la que se van aproximando las sucesivas poligonales que resultan en cada paso.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://wikimediafoundation.org/wiki/File:Von_koch_6_etapes.svg

El triángulo de Sierpinski

El triángulo de Sierpinski fue ideado por Waclaw Sierpinski en 1915. Su construcción


se hace mediante un proceso similar al de los conjuntos anteriores. Se parte de un
triángulo equilátero de lado 1. El primer paso consiste en dividirlo en cuatro triángulos
equiláteros iguales (lo que se consigue uniendo los puntos medios de los lados) y eliminar
el triángulo central, es decir nos quedamos con los tres triángulos equiláteros de los
vértices. El segundo paso de la construcción consiste en hacer lo mismo que hemos hecho
en el primer paso sobre cada uno de los tres triángulos obtenidos en el paso anterior. Y
se repite el proceso infinitas veces, obteniendo como resultado final el triángulo de
Sierpinski.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://wikimediafoundation.org/wiki/File:Sierpinski_segmentos.png

Otros ejemplos más complejos de fractales son los conjuntos de Mandelbrot y Julia.
Un estudio más en profundidad de sistemas caóticos y fractales excede los objetivos de
este tema, pero el alumno puede encontrar más información en la bibliografía del final
del mismo.

3.11. Resumen

En este tema hemos visto los procedimientos algorítmicos matemáticos más novedosos
a partir de los años 70 que en cierto modo han tenido su repercusión en el mundo de la
composición musical. Hemos histo algunos ejemplos de cómo pueden ser (o han sido)
empleados en música. En el siguiente capítulo veremos el ejemplo de una obra de Ligeti,
«Desordres» de sus Estudios para Piano, que sirve de homenaje, aunque no de forma
rigurosa, a la teoría del caos.

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Fuente: http://wikimediafoundation.org/wiki/File:Mandelbrot.png

TEMA 3 – Ideas clave


Matemáticas y Física Aplicadas a la Música

Lo + recomendado

No dejes de leer…

Composing with genetic algorithms

Jacob, B. (1995). Composing with genetic algorithms. Appears in Proceedings of the


International Computer Music Conference, Banff Alberta, September 1995

Artículo que explica un ejemplo de composición con algoritmos genéticos.

Accede parcialmente al libro a través del aula virtual o desde la siguiente dirección web:
https://www.ece.umd.edu/~blj/papers/icmc95.pdf

2D Cellular Automata

Implementación en Flash del Juego de la Vida.

Accede al artículo a través del aula virtual o desde la siguiente dirección web:
http://blog.soulwire.co.uk/laboratory/flash/2d-cellular-automata

Introduction to Cellular Automata

Introducción a los autómatas celulares.

Accede al artículo a través del aula virtual o desde la siguiente dirección web:
http://www.rennard.org/alife/english/acintrogb01.html

TEMA 3 – Lo + recomendado
Matemáticas y Física Aplicadas a la Música

No dejes de ver…

The game of life


Explicación bastante didáctica del juego de la
vida de John Conway.

Accede al vídeo a través del aula virtual o desde la siguiente dirección web:
https://www.youtube.com/watch?v=CgOcEZinQ2I

Music Theory — Genetic Algorithms and Python

Ejemplo de algoritmos genéticos con Python.


Sirve de introducción a nuestro bloque 2 de
programación con Python. Sistema de
contrapunto en especies a través de Python.
Nivel divulgativo.

Accede al vídeo a través del aula virtual o desde la siguiente dirección web:
https://www.youtube.com/watch?v=OTHggyZAot0

TEMA 3 – Lo + recomendado
Matemáticas y Física Aplicadas a la Música

+ Información

A fondo

A Genetic Algorithm for the Generation of Jazz Melodies

Papadopoulos, G. & Wiggins, G. (1998). A Genetic Algorithm for the Generation of Jazz
Melodies. Recuperado de http://citeseerx.ist.psu.edu

Sobre algoritmos genéticos y melodías de Jazz.

Accede al artículo a través del aula virtual o desde la siguiente dirección web:
http://www.cs.cmu.edu/afs/cs.cmu.edu/project/music/web/files/Genetic%20Algorithm
%20for%20Generation%20of%20Jazz%20Melodies.pdf

A-Life and Musical Composition: A Brief Survey

Miranda, E. & Todd, P. (2010). A-Life and Musical Composition: A Brief Survey.
Recuperado de http://cmr.soc.plym.ac.uk/

Artículos de Miranda sobre autómatas celulares.

Accede al artículo a través del aula virtual o desde la siguiente dirección web:
http://compmus.ime.usp.br/sbcm/2003/papers/rEduardo_Miranda.pdf

TEMA 3 – + Información
Matemáticas y Física Aplicadas a la Música

Bibliografía

Especialmente recomendados

Wolfram, S. (2002). A New Kind of Science. (pp. 23-50). Wolfram Media

Nierhaus, G. (2009). Algorithmic Composition. Paradigms of Automated Music


Generation. (pp. 187-201). SpringerWienNewYork

Banzhaf, W. & Reeves, C. (1999). Foundations of Genetic Algorithms. Morgan Kaufmann


Publishers.

Bauer, R. (1994). Genetic Algorithms and investment strategies. Wiley Finance Edition.

Izquierdo, L., Galán, J., Santos, J., & Olmo, R. (2008). Modelado de sistemas complejos
mediante simulación basada en agentes y mediante dinámica de sistemas. Empiria, 16.

Biles, J. (1994). GenJam: a genetic algorithm for generating jazz solos. In proceedings
of the 1994 International Computer Music Conference. International Computer Music
Association, San Francisco.

Millen, D. (2004). An interactive cellular automata music application in cocoa.


Proceedings of the 2004 International Computer Music Conference. International
Computer Music Association. San Francisco, 2004.

Miranda E. (2003). Introduction to Cellular Automata Music Research. DIGITALmusic


online tutorials on computer music. University of Plymouth.

Miranda, E. (2004). At the Crossroads of Evolutionary Computation and Music: Self


Programming Synthesizers, Swarm Orchestras and the Origins of Melody. Evolutionary
Computation 12(2).

Miranda, E., & Biles, A. (2007). Evolutionary computer music. Springer, London.

Nierhaus, G. (2009). Algorithmic Composition. Paradigms of Automated Music


Generation. SpringerWienNewYork.

TEMA 3 – + Información
Matemáticas y Física Aplicadas a la Música

Test

1. Según la clasificación de Wolfram los autómatas celulares tener las siguientes


configuraciones:
A. Configuración Estable.
B. Configuración Caótica.
C. Configuración Compleja.
D. Configuración Anecóica.

2. El juego de la vida fue inventado por:


A. Miranda.
B. Conway.
C. Turing.
D. Wolfram.
E. Ninguno de los anteriores.

3. El videojuego SimCity (establecer una ciudad y ver el resultado en función de las


interacciones entre los ciudadanos) es un claro ejemplo de:
A. Juego en red.
B. Juego basado en agentes.
C. Juego de la vida.
D. Autómatas celulares.
E. B y C son correctas.

4. Los fractales:
A. Son autosemejantes.
B. Tienen una descripción algorítmica simple.
C. Están basados en probabilidades.
D. Están basados en sistemas azarosos.

5. Ejemplos de fractales son:


A. La curva de Koch.
B. Los algoritmos genéticos.
C. El triángulo de Sierpinski.
D. Los sistemas de Agentes.

TEMA 3 – Test

También podría gustarte