Computación Natural Mario Hernández.

Presentación del tema: "Computación Natural Mario Hernández."— Transcripción de la presentación:

1 Computación Natural Mario Hernández

2 CN Vida Artificial (ALife) Geometría Fractal (GF)
Inteligencia Computacional (IC) Ciencia de los Sistemas Complejos (CC)

3 Inteligencia Computacional (IC)
Computación Evolutiva (CE) Redes Neuronales (RN) Sistemas Difusos (SD)  Soft. Computing

4 Redes Neuronales (RN) Redes Neuronales Artificiales (ANNs de Artificial Neural Networks): originalmente una simulación abstracta de los sistemas nerviosos biológicos, formados por un conjunto de unidades llamadas "neuronas" o "nodos" conectadas unas con otras. Estas conexiones tienen una gran semejanza con las dendrítas y los axones en los sistemas nerviosos biológicos. Una primera clasificación de los modelos de RN podría ser, atendiendo a su similitud con la realidad biológica: Los modelos de tipo biológico. Este comprende las redes que tratan de simular los sistemas neuronales biológicos así como las funciones auditivas o algunas funciones básicas de la visión. El modelo dirigido a aplicación. Estos modelos no tienen porque guardar similitud con los sistemas biológicos. Sus arquitecturas están fuertemente ligadas a las necesidades de las aplicaciones para las que son diseñados.

5 Sistemas Difusos (SD) La lógica borrosa es básicamente una lógica multievaluada que permite valores intermedios para poder definir evaluaciones convencionales como sí/no, verdadero/falso, negro/blanco, etc. Las nociones como "más bien caliente" o "poco frío" pueden formularse matemáticamente y ser procesada algoritmicamente. De esta forma se ha realizado un intento de aplicar una forma más humana de pensar en la programación de computadoras. La lógica borrosa se inició en 1965 por Lotfi A. Zadeh, profesor de ciencia de computadoras en la Universidad de California en Berkeley.

6 ¿Qué es un conjunto borroso?
La noción más básica de sistemas borrosos es un (sub)conjunto borroso.

7 Conjunto Convencional (Crisp)
Consideremos un conjunto X con todos los números reales entre 0 y 10 que nosotros llamado el universo de discurso. Definimos un subconjunto A de X con todos números reales en el rango entre 5 y 8. A = [5,8] Ahora mostramos el conjunto A por su función característica, es decir esta función asigna un número 1 o 0 al elemento en X, dependiendo de si el elemento está en el subconjunto A o no. Esto conlleva a la figura siguiente: Nosotros podemos interpretar los elementos que han asignado el número 1 como los elementos que están en el conjunto A y los elementos que han asignado el número 0 como los elementos que no están en el conjunto A. Este concepto es suficiente para muchas áreas de aplicación. Pero nosotros podemos encontrar fácilmente situaciones donde carece de flexibilidad.

8 Conjunto Borroso Para comprender este concepto veamos un ejemplo:
Queremos describir el conjunto de gente joven. Más formalmente nosotros podemos denotar B = {conjunto de gente joven} Como - en general - la edad comienza en 0, el rango más inferior de este conjunto está claro. El rango superior, por otra parte, es más bien complicado de definir. Como un primer intento colocamos el rango superiora en, digamos, 20 años. Por lo tanto nosotros definimos B como un intervalo denominado: B = [0,20] Ahora la pregunta es: ¿ por qué alguien es en su 20 cumpleaños joven y al día siguiente no? Obviamente, este es un problema estructural, porque si movemos el límite superior del rango desde 20 a un punto arbitrario podemos plantear la misma pregunta. Una manera más natural de construir el conjunto B estaría en suavizar la separación estricta entre el joven y el no joven. Nosotros haremos esto para permitir no solamente la (crispada) decisión "él/ella SI está en el conjunto de gente joven" o "él/ella NO está en el conjunto de gente joven", sino también las frases más flexibles como "él/ella SI pertenece un poquito más al conjunto de gente joven" o "él/ella NO pertenece aproximadamente al conjunto de gente joven". Pasamos a continuación a mostrar como un conjunto borroso nos permite definir una noción como "él/ella es un poco joven". Tal y como constatamos en la introducción podemos usar conjuntos borrosos para hacer computadoras más sabias, y ahora tenemos que codificar la idea más formalmente. En nuestro ejemplo primero codificamos todos los elementos del Universo de Discurso con 0 o 1. Una manera de generalizar este concepto está en permitir más valores entre 0 y 1. De hecho, nosotros permitimos infinitas alternativas entre 0 y 1, denominando el intervalo de unidad Yo = [0, 1]. La interpretación de los números ahora asignados a todos los elementos del Universo de Discurso es algo más difícil. Por supuesto, el número 1 asignado a un elemento significa que el elemento está en el conjunto B y 0 significa que el elemento no está definitivamente en el conjunto el B. El resto de valores significan una pertenencia gradual al conjunto B. Para ser más concretos mostramos ahora gráficamente el conjunto de gente joven de forma similar a nuestro primer ejemplo por su función característica. De esta forma unos 25 años de edad todavía sería joven al grado de 50 por ciento. Ahora sabemos qué es un conjunto borroso. ¿Pero qué se puede hacer con él?

9 Computación Evolutiva (CE) /Algoritmos Evolutivos
Agrupa a los métodos relacionados con la simulación de la evolución en computador Es un término relativamente nuevo y representa un intento para juntar el esfuerzo realizado en campos relacionados pero que constituyen paradigmas diferentes No se intenta simular los procesos naturales sino más bien emular las ventajas de dichos procesos

10 CE (II) La principal aportación de la Computación Evolutiva a la metodología de resolución de problemas consiste en el uso de mecanismos de selección de soluciones potenciales y de construcción de nuevos candidatos por recombinación de características de otros ya presentes, de modo parecido a como ocurre en la evolución de los organismos naturales.

11 CE (III) La Computación Evolutiva no trata tanto de reproducir ciertos fenómenos que suceden en la naturaleza como de aprovechar las ideas genéricas que hay detrás de ellos. En el momento en que se tienen varios candidatos a solución para un problema surge inmediatamente la necesidad de establecer criterios de calidad y de selección (en función de la calidad) y también la idea de combinar características de buenas soluciones para obtener otras mejores. Dado que fue en el mundo natural donde primeramente se han planteado problemas de ese tipo, no tiene nada de extraño el que al aplicar tales ideas en la resolución de problemas científicos y técnicos se obtengan procedimientos bastante parecidos a los ya encontrados por la Naturaleza tras un largo periodo de adaptación.

12 Computación Evolutiva (CE)
Programación Evolutiva (PE) Algoritmos Genéticos (AG) Estrategias Evolutivas (EE) Programación Genética (PG) Sistemas Clasificadores (SC) Recocido Simulado (SA)

13 Programación Evolutiva(PE)
Fogel (años 60) Constituyen una estrategia de optimización estocástica Es similar a los algoritmos genéticos y simultanea a ellos Intento de utilizar la evolución para crear máquinas inteligentes, que puedan prever su entorno y reaccionar adecuadamente a el. Para simularla se utilizó un autómata celular.

14 Autómata Celular Un autómata celular es un conjunto de estados y reglas de transición entre ellos, de forma que, al recibir una entrada, cambia o no de estado y produce una salida. Estados etiquetados por letras mayúsculas y representados por círculos, las reglas de transición, con líneas que los unen), los símbolos de entrada son 0 y 1, y los símbolos de salida con letras mayúsculas Fogel trataba de hacer aprender a estos autómatas a encontrar regularidades en los símbolos que se le iban enviando. Como método de aprendizaje, usó un algoritmo evolutivo: una población de diferentes autómatas competían para hallar la mejor solución, es decir, predecir cual iba a ser el siguiente símbolo de la secuencia con un mínimo de errores; los peores 50% eran eliminados cada generación, y sustituidos por otros autómatas resultantes de una mutación de los existentes. De esta forma, se lograron hacer evolucionar autómatas que predecían algunos números primos (por ejemplo, uno, cuando se le daban los números más altos, respondía siempre que no era primo; la mayoría de los números mayores de 100 son no primos). En cualquier caso, estos primeros experimentos demostraron el potencial de la evolución como método de búsqueda de soluciones novedosas.

15 Algoritmos Genéticos (AG)
Los algoritmos genéticos son métodos sistemáticos para la resolución de problemas de búsqueda y optimización que aplican a estos los mismos métodos de la evolución biológica: selección basada en la población, reproducción sexual y mutación. Busca Soluciones

16 Sistemas Clasificadores (SC)
Son sistemas de aprendizaje artificial basados en Algoritmos Evolutivos. Constituyen un sistema de aprendizaje inductivo de reglas de decisión basados en atributos, con el que se trata de producir respuestas adecuadas a un conjunto de estímulos a través de un proceso de clasificación de conceptos que van siendo adquiridos empíricamente.

17 Estrategias Evolutivas (EE)
Son métodos de optimización parametricos, que trabajan sobre poblaciones que son números reales. Hay diversos tipos de estrategias de evolución,, pero en la más común, se crean nuevos individuos de la población añadiendo mutación a la representación de la población actual En cada generación, se elimina un porcentaje de la población y los restantes generan la población total, mediante mutación y crossover. La magnitud del vector mutación se calcula adaptativamente.

18 Programación Genética (PG)
Conjunto de técnicas basadas en la utilización de la metodología de la computación evolutiva, no para encontrar soluciones a los problemas sino para encontrar el mejor procedimiento de cómo resolverlos. Busca Resolvedores

19 Recocido Simulado Solidificación Simulada (Simulated Annealing, SA)
El nombre viene de la forma como se consiguen ciertas aleaciones en forja; una vez fundido el metal, se va enfriando poco a poco, para conseguir finalmente la estructura cristalina correcta.

20 FIN