Chuina de C.

Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

La Inteligencia Artificial (IA) vive una segunda juventud, según lo visto en un seminario
internacional sobre el tema celebrado en la Universidad Carlos III de Madrid, donde han
presentado nuevas técnicas de computación evolutiva, algoritmos basados en hormigas para el
manejo de robots o posibles aplicaciones de la IA a la economía, los juegos y la fusión de datos.

Entre Darwin y hormigas inteligentes

Allí han presentado sus trabajos algunos expertos internacionales en la materia, que cada vez
encuentra relaciones y aplicaciones más sorprendentes. La Teoría de la Evolución de Charles
Darwin, por ejemplo, podría aplicarse a la resolución de problemas con ordenadores. En eso
trabaja el investigador del Centro de Investigación y de Estudios Avanzados del Instituto
Politécnico Nacional (Méjico), Carlos Coello, un especialista en técnicas de optimización
multiobjetivo de procesos complejos en ingeniería mediante técnicas genéticas. Otro invitado
al seminario, Silvano Cincotti, de la Universidad de Genova (Italia) explicó cómo se pueden
aplicar estas técnicas a la economía actual y fundamentalmente cómo modelar la realidad
utilizando agentes inteligentes.

La presencia de la naturaleza en la Inteligencia Artificial no acaba en la denominada

computación evolutiva. Otro científico de la Universidad Libre de Bruselas (Bélgica) que
impartió un seminario en esta reunión, Marco Dorigo, presentó el algoritmo de optimización
basado en colonias de hormigas que inventó, que consiste en una técnica probabilística para
resolver determinados problemas de computación. Este algoritmo, que puede utilizarse para
manejar pequeños grupos de robots, forma parte de la “Swarm Intelligence” (inteligencia
basada en enjambres), famosa a raíz del libro Presa del recientemente fallecido Michael
Crichton. Esta especialidad busca el desarrollo de comportamientos complejos a partir de la
interacción de un conjunto de agentes que tienen unas reglas de actuación muy sencillas. La
unión hace la fuerza.

Estos robots del Proyecto Swarmanoid podrían ser controlados mediante técnicas de
inteligencia artificial basada en enjambres (Swarm Intelligence). Más información

La conclusión más importante que se ha podido extraer del seminario celebrado en la UC3M es
que la Inteligencia Artificial es un área que no tiene un único objetivo, si no que ha
incorporado muchas técnicas diferentes para conseguir dotar de cierta inteligencia algunas
soluciones. “La técnica es una función del problema y así hay técnicas para que las máquinas
puedan aprender de la experiencia, que identifiquen a las personas, que interpreten el
entorno, que razonen las acciones más prometedoras, etc”, explica Molina, que dirige el grupo
de investigación de Inteligencia Artificial Aplicada de la UC3M. El mayor reto, explica, es que
las máquinas sean capaces de realizar tareas que nos estén preprogramadas, para que puedan
elaborar una estrategia que va más allá de lo pensado en un principio.
Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

El mayor problema al que se enfrentan los científicos en esta área es la necesidad de

sistematizar toda la investigación que se está llevando a cabo en Inteligencia Artificial en todo
el mundo para poder unificar las diferentes técnicas que se desarrollan. “La idea es buscar una
integración y sinergias que permitan ver ese conjunto de técnicas como un todo”, explicar el
profesor Molina, aunque aclara que la percepción que se tiene sobre este tema a nivel social
es bastante diferente porque se espera mucho de la IA, tal vez por lo que se ve en las películas
de ciencia ficción. “La gente ya espera ver a R2D2 por la calle y todavía queda mucho para
eso”, concluye.

Inteligencia del enjambre

Inteligencia del enjambre (SI) es inteligencia artificial de acuerdo con comportamiento

colectivo de descentralizado, uno mismo-organizado sistemas. La expresión fue introducida
cerca Gerardo Beni y Jing Wang adentro 1989, en el contexto de robótico celular sistemas[1].

Los sistemas del SI se componen típicamente de una población de simple agentes el obrar
recíprocamente localmente el uno con el otro y con su ambiente. Los agentes siguen reglas
muy simples, y aunque no hay estructura centralizada del control que dicta cómo los agentes
individuales deben comportarse, las interacciones locales entre tales agentes conducen a
aparición del comportamiento global complejo. Los ejemplos naturales del SI incluyen colonias
de la hormiga, pájaro reunión, animal reunión, crecimiento bacteriano, y pescados el enseñar.

El uso de los principios del enjambre a robustezas se llama robótica del enjambre, mientras
que la “inteligencia del enjambre” refiere al sistema más general de algoritmos.

Optimización de la colonia de la hormiga

optimización de la colonia de la hormiga algoritmo (ACO), introducido cerca Marco Dorigo en

1992 en su tesis de PhD, es a probabilistic técnica para solucionar los problemas de cómputo
que se pueden reducir a encontrar las buenas trayectorias a través gráficos. Son inspirados por
el comportamiento de hormigas en encontrar las trayectorias del colonia al alimento.
Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

Descripción

En el del mundo real, las hormigas (inicialmente) vagan aleatoriamente, y sobre encontrar
vuelta del alimento a su colonia mientras que coloca pheromone rastros. Si otras hormigas
encuentran tal trayectoria, son probables no guardar el viajar en al azar, pero en lugar de otro
seguir el rastro, volviéndolo y reforzando si encuentran eventual el alimento (véase
Comunicación de la hormiga).

En un cierto plazo, sin embargo, el rastro del pheromone comienza a evaporarse, así
reduciendo su fuerza atractiva. Cuanto más tiempo toma para una hormiga al recorrido abajo
de la trayectoria y la parte posteriora otra vez, más tiempo los pheromones tiene que
evaporarse. Una trayectoria corta, por la comparación, consigue marchada sobre más
rápidamente, y la densidad del pheromone sigue siendo así alta mientras que se pone en la
trayectoria tan rápidamente como puede evaporarse. La evaporación del Pheromone tiene
también la ventaja de evitar la convergencia a una solución localmente óptima. Si no hubiera
evaporación en todos, las trayectorias elegidas por las primeras hormigas tenderían para ser
excesivamente atractivas las siguientes. En ese caso, la exploración del espacio de la solución
sería obligada.

Así, cuando una hormiga encuentra un bueno (es decir. la trayectoria del cortocircuito) de la
colonia a una fuente del alimento, otras hormigas es más probable seguir esa trayectoria, y
regeneración positiva conduce eventual todas las hormigas que siguen una sola trayectoria. La
idea del algoritmo de la colonia de la hormiga es mímico este comportamiento con las
“hormigas simuladas” que caminan alrededor del gráfico que representa el problema para
solucionar.

Los algoritmos de la optimización de la colonia de la hormiga se han utilizado para producir

soluciones cercano-óptimas a problema del vendedor que viaja. Tienen una ventaja encima
recocido simulado y algoritmo genético se acerca cuando el gráfico puede cambiar
dinámicamente; el algoritmo de la colonia de la hormiga puede ser funcionado continuamente
y adaptarse a los cambios en tiempo real. Esto está de interés adentro encaminamiento de la
red y sistemas urbanos del transporte.
Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

Pseudo-code y fórmulas

procedimiento ACO_MetaHeuristic

mientras que los daemonActions del pheromoneUpdate de los generateSolutions

(del not_termination)

() (

) ()

terminan mientras que

procedimiento del final

Selección del arco:

Una hormiga se moverá desde el nodo i al nodo j con probabilidad

donde,

τij es la cantidad de pheromone en el arco i, j

α es un parámetro para controlar la influencia de τij

ηij es la deseabilidad del arco i, j (conocimiento a priori, típicamente 1/di, j)

β es un parámetro para controlar la influencia de ηij

Actualización del Pheromone

Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

τi,j = ρτi,j + Δτi,j

donde,

τi,j es la cantidad de pheromone en un arco dado i, j

ρ es el índice de la evaporación del pheromone

y Δτi,j es la cantidad de pheromone depositada, dada típicamente cerca

donde Lk es el coste de la kth viaje de la hormiga (típicamente longitud).

Extensiones comunes

Sistema de la hormiga del elitista

La mejor solución global deposita el pheromone en cada iteración junto con todas las otras
hormigas

Sistema de la hormiga Máximo-Minuto (MMAS)

El pheromone máximo y mínimo agregado asciende [τmáximo, τminuto]

El mejor viaje mejor o de la iteración global solamente depositó el pheromone

Todos los bordes se inicializan al τmáximo y reinicializado al τmáximo al acercar al

estancamiento.

Sistema Alinear-Basado de la hormiga (ASrank)

Todas las soluciones se alinean según su aptitud. La cantidad de pheromone depositada

entonces se carga para cada solución, tal que las soluciones más óptimas depositan más
pheromone que las soluciones menos óptimas
Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

Métodos relacionados

Algoritmos genéticos (GA) mantenga una piscina de soluciones más bien que apenas una. El
proceso de encontrar a los imitadores superiores de las soluciones que de la evolución, con las
soluciones siendo combinadas o transformadas para alterar la piscina de soluciones, con las
soluciones de la calidad inferior que es desechada.

Recocido simulado (SA) es una técnica global relacionada de la optimización que atraviesa el
espacio de la búsqueda generando soluciones vecinas de la solución actual. Aceptan a un
vecino superior siempre. Aceptan a un vecino inferior probabilistically basó en la diferencia en
calidad y un parámetro de la temperatura. Se modifica el parámetro de la temperatura
mientras que el algoritmo progresa para alterar la naturaleza de la búsqueda.

A algoritmo genético (GA) es a búsqueda técnica utilizado adentro el computar para encontrar
exacto o aproximado soluciones a optimización y búsqueda problemas. Los algoritmos
genéticos son categorizado como heurística global de la búsqueda. Los algoritmos genéticos
son una clase particular de algoritmos evolutivos (también conocido como cómputo evolutivo)
las técnicas de ese uso inspiraron cerca biología evolutiva por ejemplo herencia, mutación,
selección, y cruce (también llamado recombinación).

Metodología

Los algoritmos genéticos son puesto en ejecución como a simulación de computadora en cuál
a población de las representaciones abstractas (llamadas cromosomas o genotipo o genoma)
de soluciones del candidato (llamado individuos, criaturas, o phenotypes) a un problema de la
optimización se desarrolla hacia soluciones mejores. Tradicionalmente, las soluciones se
representan en binario como cadenas de 0s y de 1s, pero otras codificaciones son también
posibles. La evolución empieza con una población de individuos aleatoriamente generados y
sucede generalmente en generaciones. En cada generación, la aptitud de cada individuo en la
población se evalúa, los individuos múltiples es estocástico seleccionado de la población actual
(basada en su aptitud), y modificado (recombinado y posiblemente aleatoriamente
transformado) para formar a una nueva población. Entonces utilizan a la nueva población en la
iteración siguiente del algoritmo. Comúnmente, el algoritmo termina cuando o un número
máximo de generaciones se ha producido, o un nivel satisfactorio de la aptitud se ha alcanzado
para la población. Si el algoritmo ha terminado debido a un número máximo de generaciones,
una solución satisfactoria puede o no puede haber sido alcanzada.

Uso genético del hallazgo de los algoritmos adentro bioinformatics, phylogenetics, informática,
ingeniería, economía, química, fabricación, matemáticas, física y otros campos.
Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

Un algoritmo genético típico requiere dos cosas ser definido:

a representación genética de la solución dominio,

a función de la aptitud para evaluar el dominio de la solución.

Búsqueda del tabú (TS) es similar al recocido simulado, en que ambos atraviesan el espacio de
la solución probando mutaciones de una solución individual. Mientras que el recocido
simulado genera solamente una solución transformada, la búsqueda del tabú genera muchas
soluciones transformadas y se mueve a la solución con la aptitud más baja de ésos generados.
Para evitar el completar un ciclo y animar el mayor movimiento a través del espacio de la
solución, una lista del tabú se mantiene de soluciones parciales o completas. Se prohíbe para
moverse a una solución que contenga los elementos de la lista del tabú, se pone al día que
mientras que la solución atraviesa el espacio de la solución.

Recocido simulado (SA) es un genérico probabilistic meta-algoritmo para optimización global

problema, a saber localizando una buena aproximación a grado óptimo global del dado función
en un grande espacio de la búsqueda. Es de uso frecuente cuando el espacio de la búsqueda es
discreto (e.g., todos los viajes que visitan un sistema dado de ciudades). Para ciertos
problemas, el recocido simulado puede ser más eficaz que enumeración exhaustiva - a
condición de que la meta es simplemente encontrar una solución aceptable buena en una
cantidad de tiempo fija, más bien que la solución mejor.

El nombre y la inspiración vienen de recocido en metalurgia, una técnica que implica la

calefacción y refrescarse controlado de un material para aumentar el tamaño de su cristales y
reduzca su defectos. El calor causa átomos para hacer unstuck de sus posiciones de la inicial
(un mínimo local de energía interna) y vague aleatoriamente a través de estados de una
energía más alta; el refrescarse lento les da más ocasiones de encontrar configuraciones con
una energía interna más baja que la inicial.

Por analogía con este proceso físico, cada paso del algoritmo del SA substituye la solución
actual por una solución “próxima” al azar, elegida por una probabilidad que dependa de la
diferencia entre los valores correspondientes de la función y de un parámetro global T
(llamado temperatura), eso se disminuye gradualmente durante el proceso. La dependencia es
tal que la solución actual cambia casi aleatoriamente cuando T es grande, pero cada vez más
“cuesta abajo” como T va a cero. El permiso para los movimientos “ascendentes” ahorra el
método de el pegarse en mínimos locales- de que es la perdición más codicioso métodos.
Chuina de C. Zapata Gómez
Inteligencia Artificial 15 de abril de 2010

El método fue descrito independientemente por el S. Kirkpatrick, C. D. Gelatt y M. P. Vecchi en

1983, y por el V. Černý en 1985. El método es una adaptación del Algoritmo de la Metrópoli-
Hastings, a Método de Monte Carlo para generar los estados de la muestra de un sistema
termodinámico, inventados cerca N. Metrópoli y otros en 1953.

Búsqueda de la armonía (HS) es un algoritmo basado en la analogía entre la improvisación de

la música y la optimización. Cada músico (variable) juntas busca armonías mejores (vectores).

Búsqueda de la armonía (HS) es a metaheuristic algoritmo (también conocido como el

computar suave algoritmo o algoritmo evolutivo) mímico el proceso de la improvisación de
músicos. En el proceso, cada músico juega una nota para encontrar una mejor armonía toda
junta. Asimismo, cada variable de la decisión en proceso de la optimización tiene un valor para
encontrar un mejor vector todo junta.

http://www.worldlingo.com/ma/enwiki/es/Ant_colony_optimization