Departamento de Ing. de Sistemas e Industrial Computación Bio-Inspirada Ing. Fabio A. González PhD Depto. de Ing. de Sistemas e Industrial Universidad.

Presentación del tema: "Departamento de Ing. de Sistemas e Industrial Computación Bio-Inspirada Ing. Fabio A. González PhD Depto. de Ing. de Sistemas e Industrial Universidad."— Transcripción de la presentación:

1 Departamento de Ing. de Sistemas e Industrial Computación Bio-Inspirada Ing. Fabio A. González PhD Depto. de Ing. de Sistemas e Industrial Universidad Nacional de Colombia

2 Departamento de Ing. de Sistemas e Industrial Algunas restricciones de la computación actual: Frágil Garbage In --> Garbage Out No adaptable No aprende El software no explota la distribución y paralelismo del hardware Comunicación hombre-máquina no es natural La naturaleza ha resuelto estos y otros problemas de manera satisfactoria durante millones de años!

3 Departamento de Ing. de Sistemas e Industrial Computación Bioinspirada Desarrollo de sistemas artificiales inspirados por conceptos, principios y mecanismos propios de sistemas naturales. Otros nombres: –Computación natural –Computación flexible –Inteligencia computacional

4 Departamento de Ing. de Sistemas e Industrial El proceso de la computación bioinspirada Sistema Natural Otras ideas, teorías, etc. Modelo Abstracto Sistema Artificial Los aviones no aletean las alas!

5 Departamento de Ing. de Sistemas e Industrial Inteligencia Artificial Clásica Inteligencia == manipulación de símbolos Lógica, algoritmos de búsqueda, sistemas basados en reglas Apogeo durante 70’s y 80’s –Sistemas expertos –Proyecto 5 generación Desencanto, promesas no cumplidas Cuál es el problema?

6 Departamento de Ing. de Sistemas e Industrial Computación en la naturaleza Pasos lentos, pero extremadamente paralelos Alto porcentaje de errores, pero gran tolerancia a fallos Memoria imperfecta, pero fuerte habilidad para aprender y adaptarse

7 Departamento de Ing. de Sistemas e Industrial Principales áreas de investigación Neuro-computación Computación evolutiva Inteligencia colectiva (de enjambre) Sistemas inmunológicos artificiales Vida artificial Computación molecular

8 Departamento de Ing. de Sistemas e Industrial Neuro-computación Las Redes Neuronales Artificiales son un modelo abstracto del sistema nervioso que exhibe características propias de su contraparte natural.

9 Departamento de Ing. de Sistemas e Industrial Características de los sistemas neurales Altamente distribuidos y paralelos Computación rápida y fiable a partir de elementos lentos y no fiables Tolerante al ruido Tolerante a fallos Aprenden Apropiados para reconocimiento de patrones y síntesis funcional

10 Departamento de Ing. de Sistemas e Industrial Bases Biológicas Se estima que el cerebro humano contiene más de 10 11 neuronas y 10 14 sinapsis La mayor parte de las neuronas poseen una estructura de árbol llamadas dendritas que reciben las señales de entrada que vienen de otras neuronas a través de la uniones llamadas sinapsis

11 Departamento de Ing. de Sistemas e Industrial Neurona Biológica Tres partes principales de una neurona: –el cuerpo de la neurona, –ramas de extensión llamadas dendritas para recibir las entradas, y –un axón que lleva la salida de la neurona a las dendritas de otras neuronas

12 Departamento de Ing. de Sistemas e Industrial Neurona Artificial (1) W i,j : peso (fortaleza) de la conexión (sinapsis)  i : umbral u(.) : Función de adición f(.) : función de activación

13 Departamento de Ing. de Sistemas e Industrial Neurona Artificial (2)

14 Departamento de Ing. de Sistemas e Industrial Red Neuronal Artificial Es un sistema compuesto de múltiple unidades procesadoras (neuronas) operando en paralelo, cuya función está determinada por la estructura de la red, el peso de las conexiones y el proceso desempeñado por cada neurona.

15 Departamento de Ing. de Sistemas e Industrial Entrenamiento Las redes neuronales no se programan, aprenden a partir de ejemplos El algoritmo de entrenamiento modifica los diversos parámetros de la red (estructura, pesos, etc.) basado en un conjunto de patrones. Tipos de aprendizaje: –Supervisado –No supervisado

16 Departamento de Ing. de Sistemas e Industrial Historia breve McCulloch-Pitts, 1943: primer modelo de neurona Hebb, 1949: regla de aprendizaje de Hebb Rosenblatt, 1958: perceptron Minsky-Papert, 1969: críticas a los perceptrones Kohonen, Hopfield, Feldman, 1982: nuevos modelos de redes neuronales McClelland-Rumelhart, 1986: algoritmo de retropropagación

17 Departamento de Ing. de Sistemas e Industrial Aplicaciones Predicción Control Robótica Reconocimiento de patrones: –Visión artificial –Reconocimiento del habla –OCR Síntesis del habla Detección de fraudes Minería de datos Procesamiento de señales Optimización

18 Departamento de Ing. de Sistemas e Industrial Computación Evolutiva El complejo repertorio de características exhibidas por los sistemas naturales es fruto de un proceso evolutivo que se ha desarrollado durante años. La computación evolutiva usa dicho proceso como inspiración para resolver problemas de optimización y búsqueda.

19 Departamento de Ing. de Sistemas e Industrial Historia Breve (1) Teoría de la evolución Teoría de la evolución: Charles Darwin. Sobre el orígen de las especies por medio de la selección natural.  Pequeños cambios heredables en los seres vivos y la selección son los dos hechos que provocan el cambio en la naturaleza y la generación de nuevas especies.  Darwin pensaba que los rasgos de un ser vivo eran como fluidos y los “fluidos” de los padres se mezclaban en la descendencia.

20 Departamento de Ing. de Sistemas e Industrial Historia Breve (2) Gregor Mendel  Los caracteres se heredan de forma discreta, y se toman del padre o de la madre, dependiendo de su carácter dominante o recesivo.  Los caracteres (genes) pueden tomar diferentes valores (alelos)

21 Departamento de Ing. de Sistemas e Industrial Historia Breve (3) Walther Flemming (1930)  Descubrió los cromosomas, como ciertos filamentos en los que se agregaba la cromatina del núcleo celular durante la división; poco más adelante se descubrió que cada célula tiene un número fijo y característico de cromosomas. Watson y Crick (1950)  Descubrieron que la base molecular de los genes está en el ADN, los cromosomas están compuestos de ADN, por lo tanto los genes están en los cromosomas.

22 Departamento de Ing. de Sistemas e Industrial Lenguaje de la Vida Los organismos vivos consisten de células. En cada célula existe el mismo conjunto de cromosomas Cromosomas: cadenas de ADN, modelo del organismo completo Un cromosoma consiste de genes (bloques de ADN) Cada gen codifica una proteína particular (rasgo, p.e., color de ojos) Alelos: Los posibles valores para un rasgo (p.e., azul, café) Genoma: conjunto completo de material genético (todos los cromosomas). Genotipo: conjunto particular de genes en un genoma. Fenotipo: el genotipo es la base para el fenotipo del organismo, posterior desarrollo después del nacimiento.

23 Departamento de Ing. de Sistemas e Industrial Genotipo y Fenotipo

24 Departamento de Ing. de Sistemas e Industrial Evolución Natural Resultado de la acción de dos tendencias opuestas actuando sobre una población de una especie: –Selección Natural: propensión a adaptarse a un ambiente dado a través de la preservación del más apto (“supervivencia del más fuerte”); y –Variación Genética: propensión a producir variación para cumplir con los requerimientos del ambiente (“recombinación sexual + mutación”).

25 Departamento de Ing. de Sistemas e Industrial cadenas (cromosomas) solución del problema valor de la solución codificación decodificación Genotipo Fenotipo ambiente función objetivo Adaptabilidad Adaptabilidad en la naturaleza y en la Computación Evolutiva

26 Departamento de Ing. de Sistemas e Industrial

27 Terminar Inicializar población Crear descendientes a través de variación aleatoria Evaluar la adaptabilidad de cada solución candidata Aplicar selección NO SI Algoritmo Genético

28 Departamento de Ing. de Sistemas e Industrial

29 cruce de un solo punto Operadores de Cruce cruce de dos puntos + padre 2 hijo 1 padre 1 hijo 2

30 Departamento de Ing. de Sistemas e Industrial Operadores de Mutación mutación de varios puntos mutación global mutación de un punto

31 Departamento de Ing. de Sistemas e Industrial Tipos de Algoritmos Evolutivos Algoritmos Genéticos –optimización de problemas combinatorios Estrategias Evolutivas –optimización de funciones continuas Programación Evolutiva –Máquinas de estado finito Programación Genética –problemas que requieren encontrar la solución a un problema dado en la forma de una función o programa

32 Departamento de Ing. de Sistemas e Industrial Ventajas Simplicidad Conceptual. Amplia aplicabilidad. Superiores a las técnicas tradicionales en muchos problemas del mundo real. Tienen el potencial para incorporar conocimiento sobre el dominio y para hibridizarse con otras técnicas de búsqueda/optimización. Pueden explotar fácilmente las arquitecturas en paralelo. Son robustas a los cambios dinámicos. Generalmente pueden auto-adaptar sus parámetros. Capaces de resolver problemas para los cuales no se conoce solución alguna.

33 Departamento de Ing. de Sistemas e Industrial Aplicaciones de AEs... Programación (Scheduling) y Planeación Diseño VLSI Diseño en Ingeniería Predicción Financiera Minería de Datos Comportamiento de Robots Aprendizaje de Máquina Toma de Decisiones Aplicaciones Financieras Diseño de Sistemas de Control Identificación de Sistemas Compresión de Imágenes Sistemas de Vida Artificial

34 Departamento de Ing. de Sistemas e Industrial Inyector de 2 fases

35 Departamento de Ing. de Sistemas e Industrial Función Objetivo Dinámica

36 Departamento de Ing. de Sistemas e Industrial Evolución de Criaturas Virtuales

37 Departamento de Ing. de Sistemas e Industrial Inteligencia Colectiva La inteligencia colectiva o de enjambre (Swarm Intelligence) es la propiedad de un sistema que permite que el comportamiento colectivo agentes (simples) que interactúan localmente con su ambiente permita la emergencia global de patrones funcionales coherentes. La inteligencia colectiva provee una base con la cual es posible explorar la solución de problemas colectivamente sin un control centralizado y sin la provisión de un modelo global.

38 Departamento de Ing. de Sistemas e Industrial Comportamiento Colectivo en Colonias de Hormigas (1) Lasius Niger (hormigas): –Regulación de temperatura en el rango de 1 grado –Formación de puentes –Incursión organizada de áreas específicas para buscar comida –Construcción y protección del nido –Organización de crías y comida –Cooperación para cargar objetos grandes –Emigración de la colonia –Encuentran la ruta más corta del nido a la fuente de alimento –Explotan de manera preferencial la fuente de alimento más rica

39 Departamento de Ing. de Sistemas e Industrial Comportamiento Colectivo en Colonias de Hormigas (2) El comportamiento de las hormigas (individualmente) es poco sofisticado, pero colectivamente desempeñan tareas muy complejas. Estigmergia: comunicación indirecta a través de la interacción con el ambiente. Las hormigas han desarrollado una sofisticada estigmergia: –se comunican usando feromonas, –las feromonas trazan caminos que pueden ser seguidos por otras hormigas.

40 Departamento de Ing. de Sistemas e Industrial Caminos de feromonas Las hormigas depositan feromonas al desplazarse Las feromonas se acumulan cuando múltiples hormigas usan el mismo camino Las feromonas se evaporan

41 Departamento de Ing. de Sistemas e Industrial Ant Colony Optimization Simulación de una colonia de hormigas enfatizando la comunicación a través de feromonas. Aplicado a problemas de optimización en redes. Conceptos claves: –Concentración de feromonas –Reglas para escoger un camino –Reglas para cambiar la concentración de feromonas p ij k (t): probabilidad de escoger el camino (i,j)  ij (t): concentración de feromonas  ij : visibilidad (inverso de la distancia) ,  : parametros que controlan el balance entre visibilidad y estimulación feromonal

42 Departamento de Ing. de Sistemas e Industrial Aplicaciones Programación de trabajos Problema del agente viajero Coloración de grafos Enrutamiento de vehículos Alineamiento de secuencias Enrutamiento en redes Balanceo de cargas

43 Departamento de Ing. de Sistemas e Industrial Particle Swarm Optimization Inspirado en el comportamiento social de grupos de organismos tales como enjambres de abejas, bancos de peces, Es un procedimiento de búsqueda basado en poblaciones en las cuales los individuos llamados partículas cambian su posición (estado) con el tiempo. Las partículas se desplazan en un espació multidimensional ajustando su posición de acuerdo a su propia experiencia y la de sus vecinos.

44 Departamento de Ing. de Sistemas e Industrial Ejemplos Ant Colony Optimization Floys

45 Departamento de Ing. de Sistemas e Industrial Sistemas Inmunológicos Artificiales Artificial Immune Systems

46 Departamento de Ing. de Sistemas e Industrial Investigación en Colombia El área es cada vez más conocida. Múltiples grupos en diferentes universidades. Algunos investigadores colombianos trabajando en el exterior: – L'Ecole Polytechnique Fédérale de Lausanne –The University of Memphis Congreso internacional de inteligencia computacional: CIIC 2001 y 2003

47 Departamento de Ing. de Sistemas e Industrial Investigación en la UN Grupo de investigación con más de 13 años de trayectoria. Cerca de 100 trabajos de pregrado y tesis de maestría. Múltiples publicaciones. 2 Congresos Internacionales en Neuro-Computación (94 y 97). Investigadores: –Ing. Alberto Delgado, PhD (redes neuronales, robótica, computación con ADN) –Ing. Oscar Duarte, PhD (sistemas flexibles (difusos), computación evolutiva) –Ing. Germán Hernández, PhD (computación evolutiva, modelos probabilísticos) –Ing. Luis Fdo. Niño, PhD (redes neuronales, sistemas inmunológicos artificiales) –Ing. Fabio González, PhD (computación evolutiva, sistemas inmunológicos artificiales)

48 Departamento de Ing. de Sistemas e Industrial Conclusiones La computación bio-inspirada surgió en los comienzos mismos de la computación. Ha tenido un renacimiento en los últimos años gracias a: –Limitaciones en las técnicas convencionales para resolver problemas complejos. –Aumento en la capacidad del hardware que hace posible la aplicación práctica de los algoritmos. Interesantes intersecciones entre diversas áreas del conocimiento. Las técnicas con más tradición (neurocomputación y computación evolutiva) se han consolidado. Nuevas técnicas se siguen desarrollando y aún quedan muchos caminos por explorar. La masa crítica en el país se está consolidando. Buen momento para empezar a investigar.

49 Departamento de Ing. de Sistemas e Industrial Contacto fagonzalezo@unal.edu.co http://dis.unal.edu.co/~fgonza/ Laboratorio de Investigación en Sistemas Inteligentes: http://dis.unal.edu.co/~sisbio/ http://dis.unal.edu.co/~sisbio/

50 Departamento de Ing. de Sistemas e Industrial Muchas Gracias!!