“AÑO DEL CENTENARIO DE MACHUPICCHU PARA EL MUNDO”

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

INTELIGENCIA ARTIFICIAL TRABAJO FINAL AMBULAY ATOCHE JORGE LUIS

PIURA-2011

Trabajo final del curso de Inteligencia artificial: EJEMPLOS

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

.

.

.

.

.

.

.

0. 1. 1. 0. 0.Esta también es una solución dada en java con un perceptron multicapa de 5 entradas y 3 salidas con 5 pares de entrenamiento: 5 3 5 1. 0. 0. 1. 1.1 1. 1.0 1. 1. 1. 0. 1. 1. 0. 1.0 0.0 0.0 . 1. 0. 0. 1. 1. 1. 1. 1. 1. 1. 0. 1. 0.

.

.

.

.

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

sobre un universo de discurso U es un conjunto de pares.Un conjunto difuso A. por lo tanto.1]}. Ese límite es difuso y. el conjunto difuso es representado por escalares simples. Tenemos un ejemplo donde utilizamos lógica difusa El conjunto de las personas que son “altas” es un conjunto difuso. pues no está claro el límite de altura que se establece a partir de que medida una persona es alta o no lo es.5) y que el tono reverso también sea posiblemente igual a blanco (en grado mínimo 0. Obtener los datos de las cartulinas estucadas que su tono de cara sea posiblemente igual a blanco (en grado mínimo 0. dado por: A = {μA (u) /u: u E U.esta diseñado FSQL Comenzamos a analizar y dar solución con el software GWIN2 . μA (u)E[0. En este caso. el conjunto que lo delimita también lo será.5)”.

.

.

.

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

Se establece la calificación acumulada (Ca) y el índice en cero: Ca = 0.. 0 Camina un paso a la izquierda 1 Camina un paso a la derecha 2 Camina un paso adelante 3 Camina un paso atrás 4 Camina en diagonal izquierda hacia arriba 5 Camina en diagonal izquierda hacia abajo 6 Camina en diagonal derecha hacia abajo 7 Camina en diagonal derecha hacia arriba 8 Quédate en tu lugar En este caso dicha condición es que evolucionen 6 generaciones.Se genera un número aleatorio r E [0. ordenando la población del mejor individuo al peor..Los pasos de un algoritmo genético son los siguientes: 1.1]. La regla utilizada es roulette wheel selection 1.. 3. Selección: Se selecciona con la regla de selección explicada a continuación una pareja de individuos.. 3. i=0 4. 2. Inicialización: En este primer paso se crea aleatoriamente un conjunto de individuos Inicialmente se tiene 20 individuos.A la calificación acumulada se le suma la calificación del enésimo individuo: Ca = Ca + calif (i) . obteniéndose c = rS. Evaluación: La Función F es computada para cada individuo. 2.Se multiplica r por la suma de las calificaciones de la población (S).

. y así sucesivamente hasta n.. Luego un número aleatorio entre (longitud de p2)/2 y longitud de p2. Generamos un número aleatorio entre 1 y (longitud de p1)/2. incorpora un quinto paso al que llamamos entrenamiento. para asegurarse de que va a preservarse en las siguientes generaciones). 5.5.Reproducción: El algoritmo de reproducción que se ha utilizado es el siguiente: Una vez seleccionados 2 individuos p1 y p2 (llamados padres) se procede a cruzarlos. no varía. entonces se incrementa i y se regresa al paso 4. llamado n2.. llamado n1. y la llamamos pasosp2.Si no. Nº de individuos por generación: en este ejemplo. llamado camino intermedio. CONCLUSIÓN: . Generamos un camino aleatorio de pasosp1 a pasosp2. Calculamos la posición en la que se encuentra p2 al dar (longitud de p2)/2 pasos. Tenemos: Nº de generaciones: cantidad de veces que se produce una nueva generación de individuos.Si Ca > c entonces el enésimo individuo es seleccionado. la cantidad de individuos de una generación a otra es constante. cuantas más generaciones produzcamos. 4. obtendremos mejores individuos.. 6. utilizando las reglas anteriormente explicadas.Entrenamiento: El primer algoritmo genético coloca en la población inicial del segundo algoritmo genético. Por lógica. Nº de entrenamientos: cantidad de veces que se lleva a cabo un entrenamiento entre diferentes generaciones de individuos. a su mejor individuo (lo coloca 2 veces. El algoritmo además de estos pasos. Este camino aleatorio verifica que no choque con ningún obstáculo predefinido (estático). el segundo hace lo mismo con el tercero.

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

Sign up to vote on this title
UsefulNot useful