Taller: Inteligencia Computacional

Presentación del tema: "Taller: Inteligencia Computacional"— Transcripción de la presentación:

1 Taller: Inteligencia Computacional
MC. LETICIA FLORES PULIDO

2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA
TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA

3 TEMA 4 : PROGRAMACIÓN EVOLUTIVA
INTRODUCCIÓN ALGORITMOS GENÉTICOS EJEMPLO HIPÓTESIS Y ESPACIO DE BÚSQUEDA PROGRAMACIÓN GENÉTICA MODELOS DE EVOLUCIÓN Y APRENDIZAJE PARALELIZANDO ALGORITMOS GENÉTICOS

4 Introducción Los algoritmos genéticos proporcionan un método de aprendizaje que es basado en evolución simulada Las hipótesis que forman las muestras de entrenamiento son por lo regular en forma de bits La búsqueda de una hipótesis apropiada comienza con una población, una colección o una hipótesis inicial

5 Introducción Los miembros de la población actual dan lugar a una nueva generación de la población por medio de operaciones como mutación y cruza En cada paso, la hipótesis o fórmula que nos lleva a modelar un problema, proporciona una medida de aptitud y esto nos lleva a la hipótesis mas cercana a la respuesta correcta probabilisticamente Una vez seleccionada dicha hipótesis, se originan las semillas para la nueva generación

6 Introducción Los algoritmos genéticos han sido aplicados exitosamente a aprender: colecciones de reglas para control de robots, para optimizar la topología de parámetros de aprendizaje para redes neuronales artificiales.

7 Motivación Los algoritmos genéticos proveen un método de aprendizaje motivado por la analogía a la evolución biológica Los algoritmos genéticos realizan una búsqueda de hipótesis repetitiva mutando y recombinando sus partes a partir de la hipótesis de solución más reciente A cada paso, una colección de hipótesis llamada la actual población se actualiza al reemplazar alguna fracción de la misma población por la nueva descendencia de la hipótesis más actual

8 Motivación Dicho proceso forma una búsqueda de hipótesis donde es posible realizar un recorrido a través de un conjunto de soluciones mas apropiadas La popularidad de los Algoritmos Genéticos es motivada por un número de factores incluyendo: Que la evolución es un método robusto para la adaptación desde el punto de vista biológico Los AG pueden buscar espacios de búsqueda de hipótesis que contienen mezclas de códigos que pueden ser difíciles de modelar Los AG pueden paralelizarse fácilmente y pueden tomar ventaja de los bajos costos de hardware computacional poderoso

9 Algoritmos Genéticos El problema que solucionan los algoritmos genéticos es el de buscar un espacio de hipótesis candidato para identificar la mejor hipótesis En AG, la mejor hipótesis se define a aquella que optimiza una medida numérica predefinida para el problema, llamada la hipótesis de adaptación. En el ejemplo del ajedrez podemos decir que la hipótesis de adaptación es igual a el número de juegos ganados contra otros jugadores dentro de un torneo.

10 Algoritmos Genéticos ESTRUCTURA:
El algoritmo opera por iteración actualizando una cantidad de hipótesis llamada población En cada iteración, todos los miembros de la población son evaluados de acuerdo a la función de adaptabilidad Una nueva población es generada entonces al seleccionar probabilísticamente los individuos más aptos de la población actual Algunos de estos individuos se conservan en la población actual y se conservan intactos con la generación de la nueva población

11 Algoritmos Genéticos ESTRUCTURA (SIGUE)
Otros individuos son utilizados como base para crear nueva descendencia al aplicar operaciones genéticas tales como cruza y mutación

12 Algoritmos Genéticos

13 Algoritmos Genéticos Las entradas al AG incluyen:
la función de aptitud y un umbral que define el nivel aceptable de adaptatividad El tamaño de la población a conservar Los parámetros que definen como se generarán los sucesores de las poblaciones La fracción de la población que será reemplazada en cada generación y la taza de mutación

14 Representación de Hipótesis
La representación de la información en AG es por cadenas, de modo que pueda ser fácilmente manipulada por los operadores genéticos de mutación o cruza Las hipótesis representadas por estas cadenas de bits puede ser tan compleja como se requiera: Pueden representarse conjuntos de reglas if-then (Holland 1986)

15 Representación de Hipótesis
Un ejemplo de representación en cadenas es considerando por ejemplo: La palabra Pronóstico la cual puede tomar cualquiera de los tres valores siguientes: Soleado Nublado Lluvioso Una forma obvia de representar estos estados, es tomar una cadena de bits con tres valores, donde cada valor indique cada una de las variables posibles del pronóstico

16 Representación de Hipótesis
010 indica Pronóstico= Nublado 011 indica Pronóstico= Nublado ∨ lluvioso 011 indicará que no importa que valor tome dicha variable Dada la anterior representación, podemos entonces describir reglas fácilmente con conjunciones de condiciones que corresponden a cadenas de bits

17 Representación de Hipótesis
Consideremos otro atributo llamado Viento: Una regla de condición para este estado sería: (Pronóstico=Nublado ∨ Lluvioso) ∧ (Viento=Fuerte) Que puede ser representada por la siguiente cadena de bits de longitud cinco: PRONÓSTICO 011 VIENTO 10

18 Representación de Hipótesis
Entonces una regla postcondicionada como: JugarTenis=Si, puede ser representada de forma similar Entonces una regla completa puede describirse al concatenar las cadenas de bits de las condiciones de la parte del IF que queremos escribir y concatenar la cadena de bits de la regla THEN de la postcondicion

19 Representación de Hipótesis
Por ejemplo, la regla: IF viento=fuerte THEN JugarTenis=si Puede ser representada por la cadena: Donde los primeros 3 bits indican la condición no importa el clima, los siguientes dos describen la constante del viento y los dos últimos asumen los valores de la regla postcondicion, donde suponemos que JugarTenis puede tomar los valores de SI=10 o NO=01 Pronóstico 111 Viento 10 JugarTenis

20 Representación de Hipótesis
Observemos que la cadena que utilizamos para representar esta hipótesis se forma de subcadenas de atributos aun cuando los atributos no son considerados dentro de la precondición

21 Operadores Genéticos La generación de nueva descendencia o de los sucesores (recordemos el juego del ajedrez, conocido como la siguiente jugada), es determinada por las operaciones de mutación o cruza Dichas operaciones representan al caso idealizado de su analogía biológica Los dos operadores mas comunes son: LA MUTACION Y LA CRUZA

22 Operadores Genéticos

23 Operadores Genéticos EJEMPLOS: TIPO DE CRUZA CADENA INICIAL MASCARA
DESCENDENCIA Cruza en un punto simple Cruza en dos puntos Cruza uniforme Mutación en un punto

24 Programación Genética
La programación genética es una forma de cómputo evolutivo en la cual los individuos que se encuentran dentro de la población a evolucionar son programas de computadora Dichos programas son manipulados y representados como cadenas de caracteres (Koza, 1992).

25 Programación Genética
REPRESENTACIÓN DE PROGRAMAS Los programas son representados por árboles Cada llamada a una función, se representa por un nodo del árbol Los argumentos de la función entonces son dados por sus descendientes

26 Programación Genética
+ Para la representación de la función sin(x)+√(x2+y) sen √ x + ∧ y x 2

27 Programación Genética

28 ¿¿¿Preguntas???