REPÚBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL
POLITÉCNICA DE LA FUERZA ARMANDA
UNEFA – NUCLEO LARA
Autores:
Arroyo Juan Carlos
González Jesus
Occean Inel
Villoria Arminda
Gutiérrez Vanesa
Seccion 8T4IS
El algoritmo genético es una
técnica de búsqueda basada en la teoría
de la evolución de Darwin, que ha cobrado
tremenda popularidad en todo el mundo
durante los últimos años.
En los últimos años, la comunidad científica internacional ha mostrado un creciente interés en una nueva técnica de búsqueda basada en la teoría de la evolución y que se conoce como el algoritmo genético. Esta técnica se basa en los mecanismos de selección que utiliza la naturaleza, de acuerdo a los cuales los individuos más aptos de una población son los que sobreviven, al adaptarse más fácilmente a los cambios que se producen en su entorno. Hoy en día se sabe que estos cambios se efectúan en los genes de un individuo (unidad básica de codificación de cada uno de los atributos de un ser vivo), y que sus atributos más deseables (i. e., los que le permiten adaptarse mejor a su entorno) se transmiten a sus descendientes cuando éste se reproduce sexualmente.
Un investigador de la Universidad de Michigan llamado John Holland era consciente de la importancia de la selección natural, y a fines de los 60s desarrolló una técnica que permitió incorporarla a un programa. Su objetivo era lograr que las computadoras aprendieran por sí mismas. A la técnica que inventó Holland se le llamó originalmente "planes reproductivos", pero se hizo popular bajo el nombre
"algoritmo genético" tras la publicación de su libro en 1975.
Una definición bastante completa de un algoritmo genético es la propuesta por John Koza: "Es un algoritmo matemático altamente paralelo que transforma un conjunto de objetos
matemáticos individuales con respecto al tiempo usando operaciones modeladas de acuerdo al principio Darwiniano de reproducción y supervivencia del más apto, y tras haberse presentado de forma natural una serie de operaciones genéticas de entre las que destaca la recombinación sexual. Cada uno de estos objetos matemáticos suele ser una cadena de caracteres (letras o números) de longitud fija que se ajusta al modelo de las cadenas de cromosomas, y se les asocia con una cierta función matemática que refleja su aptitud. "
Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin. Por imitación de este proceso, los Algoritmos Genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas.
Un algoritmo genético consiste en una función matemática o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cuáles de ellos deben generar descendencia para la nueva generación.
Versiones más complejas de algoritmos genéticos generan un ciclo iterativo que directamente toma a la especie (el total de los ejemplares) y crea una nueva generación que reemplaza a la antigua una cantidad de veces determinada por su propio diseño. Una de
sus características principales es la de ir perfeccionando su propia heurística en el proceso de ejecución, por lo que no requiere largos períodos de entrenamiento especializado por parte del ser humano, principal defecto de otros métodos para solucionar problemas, como los Sistemas Expertos.
La Problemática
Los principios básicos de los Algoritmos Genéticos fueron establecidos por Holland, y se encuentran bien descritos en varios textos. Goldberg, Davis, Michalewicz, Reeves.
En la naturaleza los individuos de una población compiten entre sí en la búsqueda de recursos tales como comida, agua y refugio. Incluso los miembros de una misma especie compiten a menudo en la búsqueda de un compañero. Aquellos individuos que tienen más éxito en sobrevivir y en atraer compañeros tienen mayor probabilidad de generar un gran número de descendientes. Por el contrario individuos poco dotados producirán un menor número de descendientes. Esto significa que los genes de los individuos mejor adaptados se propagarán en sucesivas generaciones hacia un número de individuos creciente. La combinación de buenas características provenientes de diferentes ancestros, puede a veces producir descendientes súper individuos, cuya adaptación es mucho mayor que la de cualquiera de sus ancestros. De esta manera, las especies evolucionan logrando unas características cada vez mejor adaptadas al entorno en el que viven.
Los Algoritmos Genéticos usan una analogía directa con el comportamiento natural. Trabajan con una población de individuos, cada uno de los cuales representa una solución factible a un problema dado. A cada individuo se le asigna un valor ó puntuación, relacionado con la bondad de dicha solución. En la naturaleza esto equivaldría al grado de efectividad de un organismo para competir por unos determinados recursos. Cuanto mayor sea la adaptación
de un individuo al problema, mayor será la probabilidad de que el mismo sea seleccionado para reproducirse, cruzando su material genético con otro individuo seleccionado de igual forma. Este cruce producirá nuevos individuos. Descendientes de los anteriores. Los cuales comparten algunas de las características de sus padres. Cuanto menor sea la adaptación de un individuo, menor será la probabilidad de que dicho individuo sea seleccionado para la reproducción, y por tanto de que su material genético se propague en sucesivas generaciones.
De esta manera se produce una nueva población de posibles soluciones, la cual reemplaza a la anterior y verifica la interesante propiedad de que contiene una mayor proporción de buenas características en comparación con la población anterior. Así a lo largo de las generaciones las buenas características se propagan a través de la población. Favoreciendo el cruce de los individuos mejor adaptados, van siendo exploradas las áreas más prometedoras del espacio de búsqueda. Si el Algoritmo Genético ha sido bien diseñado, la, población convergerá hacia una solución óptima del problema.
Ventajas y Desventajas
No necesitan conocimientos específicos sobre el problema que intentan resolver.
Operan de forma simultánea con varias soluciones, en vez de trabajar de forma secuencial como las técnicas tradicionales.
Cuando se usan para problemas de optimización maximizar una función objetivo- resultan menos afectados por los máximos locales (falsas soluciones) que las técnicas tradicionales.
Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivamente paralelas.
Arroyo Juan Carlos
LOS ORIGENES
La lógica difusa es una técnica de la inteligencia computacional que permite trabajar información con alto grado de imprecisión, en esto se diferencia de la lógica convencional que trabaja con información bien definida y precisa.
El concepto de Lógica Difusa fue concebido por Lofti Zadeh un profesor de la Universidad de California en Berkley, quien inconforme con los conjuntos clásicos (crisp sets) que solo permiten dos opciones, la pertenencia o no de un elemento a dicho conjunto la presentó como una forma de procesar información permitiendo pertenencias parciales a unos conjuntos que en contraposición a los clásicos los denominó Conjuntos Difusos , el concepto de conjunto difuso fue expuesto por Lofti Zadeh en un paper hoy clásico en la literatura de la lógica difusa en el año de 1965.
QUE ES LA LOGICA DIFUSA
La lógica difusa es una metodología que proporciona una manera simple y elegante de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa, con ruido o incompleta, en general la lógica difusa imita como un persona toma decisiones basada en información con las características mencionadas. Una de las ventajas de la lógica difusa es la posibilidad de implementar sistemas basados en ella tanto en hardware como en software o en combinación de ambos.
Intersección.
La idea intuitiva de intersección heredada de los conjuntos clásicos expresa que el conjunto intersección de dos conjuntos A y B, se define como los elementos que están en el conjunto A Y en el conjunto B; de esta manera la intersección entre
conjuntos se puede entender como el una operación tipo AND entre los mismos.
Unión.
La idea intuitiva de unión heredada de los conjuntos clásicos expresa que el conjunto unión de dos conjuntos A y B, se define como los elementos que están en el conjunto A OR están en el conjunto B. de esta manera la intersección entre conjuntos se puede entender como el una operación tipo OR entre los mismos.
Complemento.
En conjuntos clásicos se define el complemento como el conjunto de los elemento que le faltan a un conjunto para ser igual al conjunto universo.
De la misma manera en conjuntos difusos se habla del complemento como el conjunto formado por los valores de pertenencias que le permitirían al conjunto obtener el valor máximo de pertenencia posible, siendo 1 el valor máximo de pertenencia que un conjunto difuso puede suministrar, este conjunto se podría formar restando le a 1 los valores de pertenencia del conjunto difuso al que se desea encontrar el complemento.
Occean Inel
Es el proceso de detectar la
información procesable de los conjuntos
grandes de datos. Utiliza el análisis
matemático para deducir los patrones y
tendencias que existen en los datos.
Normalmente, estos patrones no se
pueden detectar mediante la exploración
tradicional de los datos porque las
relaciones son demasiado complejas o
porque hay demasiado datos.
Un proceso típico de minería de datos
consta de los siguientes pasos generales:
1. Selección del conjunto de datos, tanto en lo que se refiere a las variables objetivo (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el cálculo o proceso), como posiblemente al muestreo de los registros disponibles.
2. Análisis de las propiedades de los datos, en especial los histogramas, diagramas de dispersión, presencia de valores atípicos y ausencia de datos (valores nulos).
3. Transformación del conjunto de datos de entrada, se realizará de diversas formas en función del análisis previo, con el objetivo de prepararlo para aplicar la técnica de minería de datos que mejor se adapte a los datos y al problema.
Seleccionar y aplicar la técnica de
minería de datos, se construye el modelo
predictivo, de clasificación o
segmentación.
Un proyecto de minería de datos tiene varias fases
necesarias que son, esencialmente:
Comprensión del negocio y del problema que se quiere resolver.
Determinación, obtención y limpieza de los datos necesarios.
Creación de modelos matemáticos.
Validación, comunicación, etc. de los resultados obtenidos.
Integración, si procede, de los
resultados en un sistema transaccional o
similar. Por otra parte decimos que las
técnicas de la minería de datos provienen
de la Inteligencia artificial y de la
estadística, dichas técnicas, no son más
que algoritmos, más o menos sofisticados
que se aplican sobre un conjunto de datos
para obtener unos resultados.
Las tendencias la Minería de Datos ha
sufrido transformaciones en los últimos
años de acuerdo con cambios
tecnológicos, de estrategias de marketing,
la extensión de los modelos de compra en
línea, etc. Los más importantes de ellos
son:
La importancia que han cobrado los datos no estructurados (texto, páginas de Internet, etc.).
La necesidad de integrar los algoritmos y resultados obtenidos en sistemas operacionales, portales de Internet, etc.
La exigencia de que los procesos funcionen prácticamente en línea (por ejemplo, que frente a un fraude con una tarjeta de crédito). El gran volumen de datos que hay
que procesar en muchos casos para
obtener un modelo válido es un
inconveniente; esto implica grandes
cantidades de tiempo de proceso y hay
problemas que requieren una respuesta
en tiempo real.
González Jesús
Es un concepto de dominio
público. La mayor parte de la gente
tiene una idea de lo que es la robótica,
sabe sus aplicaciones y el potencial
que tiene; pero, no conocen el origen
de la palabra robot, ni tienen idea del
origen de las aplicaciones útiles de la
robótica como ciencia. Por siglos el
ser humano ha construido máquinas
que imiten las partes del cuerpo
humano.
La investigación en inteligencia artificial desarrolló maneras de emular el procesamiento de información humana con computadoras electrónicas e inventó una variedad de mecanismos para probar sus teorías.
No obstante las limitaciones de las máquinas robóticas actuales, el concepto popular de un robot es que tiene una apariencia humana y que actúa como tal. Este concepto humanoide ha sido inspirado y estimulado por varias narraciones de ciencia ficción.
El uso de robots industriales junto con los sistemas de diseño asistidos por computadora (CAD), y los sistemas de fabricación asistidos por computadora (CAM), son la última tendencia en automatización de los procesos de fabricación y luego se cargaban en el robot. Estas tecnologías conducen a la automatización industrial a otra transición, de alcances aún desconocidos.
Aunque el crecimiento del mercado de la industria Robótica ha sido lento en comparación con los primeros años de la década de los 80´s, de acuerdo a algunas predicciones, la industria de la robótica está en su infancia. Ya sea que éstas predicciones se realicen completamente, o no, es
Claro que la industria robótica, en una forma o en otra, permanecerá. En la actualidad el uso de los robots industriales está concentrado en operaciones muy simples, como tareas repetitivas que no requieren tanta precisión.
Los análisis de mercado en
cuanto a fabricación predicen que en
ésta década y en las posteriores los
robots industriales incrementaran su
campo de aplicación, esto debido a
los avances tecnológicos en
sensorica, los cuales permitirán tareas
más sofisticadas como el ensamble de
materiales. En consecuencia la
robótica es una forma de
automatización industrial.
Los robots son utilizados en
una diversidad de aplicaciones, desde
robots tortugas en los salones de
clases, robots soldadores en la
industria automotriz, hasta brazos tele
operados en el transbordador
espacial. Cada robot lleva consigo su
problemática propia y sus soluciones
afines; no obstante que mucha gente
considera que la automatización de
procesos a través de robots está en
sus inicios, es un hecho innegable
que la introducción de la tecnología
robótica en la industria, ya ha causado
un gran impacto. En este sentido la
industria Automotriz desempeña un
papel preponderante.
Es necesario hacer mención de
los problemas de tipo social,
económicos e incluso político, que
puede generar una mala orientación
de robotización de la industria. Se
hace indispensable que la
planificación de los recursos
humanos, tecnológicos y financieros
se realice de una manera inteligente.
Villoria Arminda
Podemos definir al agente
inteligente como una entidad software
que, basándose en su propio
conocimiento, realiza un conjunto de
operaciones destinadas a satisfacer las
necesidades de un usuario o de otro
programa, bien por iniciativa propia o
porque alguno de éstos se lo requiere.
Todos los agentes inteligentes son
programas, pero no todos los programas
que realizan búsquedas son agentes
inteligentes. Los agentes en sí mismos
pueden ser considerados como entidades
individuales (partes de programa que
tienen control sobre sus propias vidas y
movimientos). Continuamente están
realizando procesos que les indican qué
hacer y cómo. Se comunican con otros
agentes para resolver de forma adecuada
su trabajo.
Agentes inteligentes de
información
No es necesario que un agente
dedicado a la recuperación de
información posea todas las propiedades
que se han citado, pero sí las que a
continuación se describen:
Autonomía: actuar sin ningún tipo
de intervención humana directa, y tener
control sobre sus propios actos.
Sociabilidad: comunicarse por
medio de un lenguaje común con otros
agentes, e incluso con los humanos.
Capacidad de reacción: percibir su
entorno, y reaccionar para adaptarse a él.
Iniciativa: emprender las acciones
para resolver un problema.
Una vez dicho esto, ya no
hablaremos más de agentes inteligentes
para la recuperación de la información,
sino que simplemente nos referiremos a
ellos como agentes de información.
Están diseñados específicamente
para procesar consultas, y poseen al
menos uno de los siguientes elementos:
capacidad de proceso, conocimiento del
entorno donde se mueven e información
de un dominio.
Un agente tiene capacidad de
proceso puesto que puede descomponer
una consulta en sub consultas y asociar a
los distintos términos resultantes otros
términos relacionados o afines. Su
conocimiento del entorno le viene dado
por su propio conocimiento y por el de
otros agentes que se comunican con él (el
conocimiento puede ser adquirido: del
mismo usuario o de otros agentes con los
que se encuentra mientras realiza una
tarea determinada; y, una vez finalizado
su trabajo: de aquellos lugares que ha
visitado, así como de las direcciones de
los agentes con los que se ha
encontrado). En todo momento debería
saber a qué información acceder o a qué
otro agente dirigirse para obtenerla. Un
agente puede tener también acceso a un
dominio y/o información de un modelo, si
se asocia con la estructura de éste.
Gutiérrez Vanesa
Top Related