ALGORITMOS GENTICOS

Los Algoritmos Genticos (AGs) son mtodos adaptativos que pueden usarse para resolver problemas de bsqueda y optimizacin. Estn basados en el proceso gentico de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la seleccin natural y la supervivencia de los ms fuertes, postulados por Darwin. Por imitacin de este proceso, los Algoritmos Genticos son capaces de ir creando soluciones para problemas del mundo real. La evolucin de dichas soluciones hacia valores ptimos del problema depende en buena medida de una adecuada codificacin de las mismas. Un algoritmo gentico consiste en una funcin matemtica o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cules de ellos deben generar descendencia para la nueva generacin. Versiones ms complejas de algoritmos genticos generan un ciclo iterativo que directamente toma a la especie (el total de los ejemplares) y crea una nueva generacin que reemplaza a la antigua una cantidad de veces determinada por su propio diseo. Una de sus caractersticas principales es la de ir perfeccionando su propia heurstica en el proceso de ejecucin, por lo que no requiere largos perodos de entrenamiento especializado por parte del ser humano, principal defecto de otros mtodos para solucionar problemas, como los Sistemas Expertos. Un algoritmo gentico es un mtodo de bsqueda dirigida basada en Probabilidad. Al aumentar el nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a 1. Funciones matemticas que usan los principios de Darwin para mejorar una aplicacin. Las funciones se disean para simular en software, en cuestin de minutos o segundos Funcionamiento de un Algoritmo Gentico Simple La operacin de un algoritmo gentico simple puede ilustrarse con el siguiente segmento de pseudo-cdigo: generar poblacin inicial, G(0); evaluar G(0); t:=0; repetir t:=t+1; generar G(t) usando G(t-1); evaluar G(t); hasta encontrar una solucin; Primero, se genera aleatoriamente la poblacin inicial, que estar constituda por un conjunto de cromosomas, o cadenas de caracteres que representan las soluciones posibles del problema. A cada uno de los cromosomas de esta poblacin se le aplicar la funcin de aptitud afin de saber qu tan buena es la solucin que est codificando.

Sabiendo la aptitud de cada cromosoma, se procede a la seleccin de los que se cruzarn en la siguiente generacin (presumiblemente, se escoger a los "mejores"). Ambientes de Programacin En la actualidad existe un gran nmero de ambientes de programacin disponibles en el mercado para experimentar con los algoritmos genticos. De acuerdo a la taxonoma sugerida, pueden distinguirse 3 clases de ambientes de programacin: 1.- Sistemas Orientados a las aplicaciones: Son esencialmente "cajas negras" para el usuario, pues ocultan todos los detalles de implementacin. Sus usuarios -normalmente nefitos en el rea- los utilizan para un cierto rango de aplicaciones diversas, pero no se interesan en conocer la forma en qu stos operan. Ejemplos de este tipo de sistemas son: Evolver (Axcelis, Inc.) y XpertRule GenAsys (Attar Software). 2.- Sistemas Orientados a los algoritmos: Soportan algoritmos genticos especficos, y suelen subdividirse en: Sistemas de uso especfico: Contienen un solo algoritmo gentico, y se dirigen a una Aplicacin en particular. Algunos ejemplos son: Escapade (Frank Hoffmeister), GAGA (JonCrowcroft) y Genesis (John Grefenstette). Bibliotecas: Agrupan varios tipos de algoritmos genticos, y diversos operadores (e.g. Distintas formas de realizar la cruza y la seleccin). Evolution Machine (H. M. Voigt y J. Born) y OOGA (Lawrence Davis) constituyen 2 ejemplos representativos de este grupo. En estos sistemas se proporciona el cdigo fuente para que el usuario normalmente un Programador pueda incluir el algoritmo gentico en sus propias aplicaciones. 3.- Cajas de Herramientas: Proporcionan muchas herramientas de programacin, algoritmos y operadores genticos que pueden aplicarse en una enorme gama de problemas. Normalmente se subdividen en: Sistemas Educativos: Ayudan a los usuarios novatos a introducirse de forma amigable a los conceptos de los algoritmos genticos. GA Workbench (Mark Hughes) es un buen ejemplo de este tipo de ambiente. Sistemas de Propsito General: Proporcionan un conjunto de herramientas para Programar cualquier algoritmo gentico y desarrollar cualquier aplicacin. Tal vez el sistema ms Conocido de este tipo es Splicer (NASA).

LGICA DIFUSA
Se basa en reglas que no tienen lmites discretos, sino que se prolongan en continuo, permitiendo a un sistema manejar mejor la ambigedad. Esto es muy til para reflejar cmo tienden a pensar las personas, en trminos relativos, no absolutos. La lgica difusa es una tcnica de la inteligencia computacional que permite trabajar informacin con alto grado de imprecisin, en esto se diferencia de la lgica convencional que trabaja con informacin bien definida y precisa. La lgica difusa es una metodologa que proporciona una manera simple y elegante de obtener una conclusin a partir de informacin de entrada vaga, ambigua, imprecisa, con ruido o incompleta, en general la lgica difusa imita como un persona toma decisiones basada en informacin con las caractersticas mencionadas. Una de las ventajas de la lgica difusa es la posibilidad de implementar sistemas basados en ella tanto en hardware como en software o en combinacin de ambos. Lgica Difusa. Basado en los principios del razonamiento aproximado y el "clculo con palabras", stos sistemas logran simplificar y aproximar la descripcin del problema de una manera natural, eficiente y robusta. La lgica difusa va ms all de la lgica booleana en cuanto a que acepta valores parciales de verdad, es decir, de 0 a 100%; aceptando con ello expresiones tales como: "Juan es alto" con un 75% de certeza, o mejor an, simplificndolo a "Juan no es muy alto"; "El tanque est lleno" con 50% de certeza, o bien, "El tanque est medio lleno o medio vaco". CONJUNTOS DIFUSOS El concepto clave para entender cmo trabaja la lgica difusa es el de conjunto difuso, se puede definir un conjunto difuso de la siguiente manera. Teniendo un posible rango de valores al cual llamaremos U, por ejemplo U=Rn, donde Rn es un espacio de n dimensiones, a U se le denominara Universo de Discurso. En U se tendr un conjunto difuso de valores llamado F el cual es caracterizado por de una funcin de pertenencia uf tal que uf:U->[0, 1], donde uf(u) representa el grado de pertenencia de un u que pertenece a U en el conjunto difuso F. Por ejemplo supongamos que se desea representar con conjuntos difusos la variable altura de una persona, en esta caso el universo de discurso ser el rango de posibles valores de la altura que tenga un persona adulta, se escojer un rango entre 140 cm y 200 cm, valores por fuera de este rango son posibles pero son muy escasos. El universo de discurso U = [140, 200], para denominar los conjuntos difusos se suelen trabajar con etiquetas lingsticas similares a las que se usan de manera coloquial por ejemplo, en la vida diaria decimos que una persona es Muy Baja (MB), Baja (B), Mediana (M), Alta (Alta) y Muy Alta (MA)

REDES NEURONALES ARTIFICIALES

Es un sistema de computacin que puede actuar en la misma forma que funciona el cerebro humano, o simularlo. Las redes neuronales pueden procesar muchas piezas de informacin al mismo tiempo y aprender a reconocer patrones. Un sistema de red neuronal aprende por ensayo y error. son un mtodo de resolver problemas, de forma individual o combinadas con otros mtodos, para aquellas tareas de clasificacin, identificacin, diagnstico, optimizacin o prediccin en las que el balance datos/conocimiento se inclina hacia los datos y donde, adicionalmente, puede haber la necesidad de aprendizaje en tiempo de ejecucin y de cierta tolerancia a fallos. Una red neuronal artificial es un esquema de computacin distribuida inspirada en la estructura del sistema nervioso de los seres humanos. La arquitectura de una red neuronal es formada conectando mltiples procesadores elementales, siendo ste un sistema adaptivo quepose un algoritmo para ajustar sus pesos (parmetros libres) para alcanzar los requerimientos de desempeo del problema basado en muestras representativas. Por lo tanto podemos sealar que una red neuronal es un sistema de computacin distribuida caracterizada por: Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades de procesamiento. Una densa estructura interconectada usando enlaces ponderados. Parmetros libres que deben ser ajustados para satisfacer los requerimientos de desempeo. Un alto grado de paralelismo. Es importante sealar que la propiedad ms importante de las redes neuronales artificiales es su capacidad de aprender a partir de un conjunto de patrones de entrenamientos, es decir, es capaz de encontrar un modelo que ajuste los datos. El proceso de aprendizaje tambin conocido como entrenamiento de la red puede ser supervisado o no supervisado. El aprendizaje supervisado consiste en entrenar la red a partir de un conjunto de datos o patrones de entrenamiento compuesto por patrones de entrada y salida. El objetivo del algoritmo de aprendizaje es ajustar los pesos de la red w de manera tal que la salida generada por la red neuronal sea lo ms cercanamente posible a la verdadera salida dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo al procesos desconocido que gener la salida y. Este aprendizaje se llama supervisado pues se conoce el patrn de salida el cual hace el papel de supervisor de la red. En cambio en el aprendizaje no supervisado se presenta slo un conjunto de patrones a red neuronal, y el objetivo del algoritmo de aprendizaje es ajustar los pesos de la red de manera tal que la red encuentre alguna estructura o configuracin presente en los datos.

Red neuronal artificial perceptrn simple con n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida.

Capacidad de recuperar informacin incluso si falla alguno de sus nodos. Modificacin rpida de los datos almacenados a partir de nueva informacin. Capacidad de descubrir relaciones y tendencias en grandes bases de datos. Capacidad de resolver problemas complejos para los cuales no se cuenta con la informacin.

AGENTES INTELIGENTES
Podemos definir al agente inteligente como una entidad software que, basndose 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 stos se lo requiere. Todos los agentes inteligentes son programas, pero no todos los programas que realizan bsquedas son agentes inteligentes. Los agentes en s mismos pueden ser considerados como entidades individuales (partes de programa que tienen control sobre sus propias vidas y movimientos). Continuamente estn realizando procesos que les indican qu hacer y cmo. Se comunican con otros agentes para resolver de forma adecuada su trabajo. De acuerdo con el punto de vista de la inteligencia artificial un agente posee las siguientes propiedades: autonoma, sociabilidad, capacidad de reaccin, iniciativa, benevolencia y racionalidad. Programas de computadora que automticamente revisan enormes cantidades de datos y seleccionan y entregan la informacin ms adecuada para el usuario, de acuerdo con requisitos contextuales o especficos. La aplicacin ms importante de los agentes inteligentes se encuentra en la WEB. El propsito principal de los agentes inteligentes es realizar sus tareas significativas ms rpido, con ms frecuencia y de manera ms efectiva, que el usuario. Los agentes inteligentes vinculan automticamente su computadora con sitios favoritos, le avisan cuando stos se hayan actualizado y adecuan pginas especficas a sus preferencias.

Un agente inteligente es una entidad software que, basndose en su propio conocimiento, realiza un conjunto de operaciones para satisfacer las necesidades de un usuario o de otro programa, bien por iniciativa propia o porque alguno de stos se lo requiere.

Un agente inteligente es un programa especialmente concebido para realizar ciertas tareas de manera autnoma en una red por encargo de un usuario. Esta herramienta permite ganar tiempo en la vigilancia y la colecta de informacin de inters para la empresa. El usuario define los parmetros de la tarea que realizar de manera autnoma el agente, luego el agente informa de los resultados al usuario. Todas las fuentes de informacin accesibles en una red (por lo general Internet) pueden ser vigiladas por un agente inteligente: archivos, pginas web, bases de datos, foros, newsletters, etc. Un agente inteligente es ms que un simple sistema de bsqueda de informacin. El agente puede operar sin la intervencin del usuario aun si ste est desconectado. Los agentes inteligentes incorporan funciones procedentes de la inteligencia artificial. Tres caractersticas fundamentales de los agentes inteligentes:

1. La inteligencia: el agente sabe razonar y aprende a partir de la informacin que recoge 2. La interactividad: el agente puede interactuar con su entorno y otros agentes con el propsito de realizar una tarea 3. La autonoma: el agente puede tomar decisiones de manera autnoma.

Aplicaciones de los agentes inteligentes Los agentes inteligentes pueden ser utilizados por las empresas en numerosos dominios, entre estos:

La e-Reputacin La gestin de riesgos La inteligencia territorial El lanzamiento de productos La vigilancia de la competencia La vigilancia de lderes de opinin y del lobbying La vigilancia de las tendencias

Por ejemplo, en el sector de la banca, del turismo o del trasporte areo, las empresas recurren a agentes inteligentes para rellenar formularios en lnea en lugar del cliente. Un agente inteligente tambin puede ofrecer una solucin para detectar con anticipacin fallas en el funcionamiento de una mquina o de un parque de mquinas. Esto lo puede realizar analizando una gran cantidad de informacin en un periodo determinado.

La configuracin del agente requiere de buenos conocimientos informticos. Los prestatarios de soluciones suelen incluir la formacin en la venta de sus productos. Por qu utilizar un agente inteligente al servicio de la empresa? Prever y anticipar la evolucin de los mercados son dos condiciones para la supervivencia de una empresa. De aqu que los agentes inteligentes para la vigilancia sean tan apreciados por las PYMES y las microempresas que no disponen de los recursos necesarios para la elaboracin tecnolgica de un agente inteligente. Los agentes inteligentes ayudan a la empresa a darse a conocer en Internet, mejor que cualquier posicionamiento hecho manualmente. Por ejemplo para posicionar la pgina web de la empresa, promover el ltimo producto desarrollado, etc. Entra las innumerables posibilidades que ofrece un agente inteligente al servicio de la empresa, las ms importantes son:

Obtener de manera autnoma toda la informacin disponible relacionada a un problema Producir de manera autnoma resmenes ejecutivos Hacer un seguimiento diario de la notoriedad de la empresa Localizar de manera autnoma a los expertos en un dominio en particular Efectuar bsquedas multidimensionales estratgicas Crear de manera autnoma informes de anlisis acerca de un tema critico Instalar grupos de trabajo colaborativo sin lmites geogrficos

Nota: Los agentes inteligentes a veces son utilizados de manera abusiva, por ejemplo para obtener las direcciones de correo de internautas. Por ejemplo, una empresa de fabricacin de envases de alimentos para animales indagar en los foros de animales y otros sitios donde pueda encontrar a los propietarios de mascotas.

SISTEMAS INTELIGENTES
Es un sistema que tiene su propio objetivo principal, as como sentidos y efectores. Para alcanzar su objetivo elige una accin basada en sus experiencias. Puede aprender generalizando las experiencias que ha guardado en su memoria. Los ejemplos de sistemas inteligentes son: personas, animales superiores, robots, extra - terrestres, un negocio, una nacin. Los sistemas inteligentes estn diseados para tratar con problemas en: 1.- Administracin. 2.- Finanzas. 3.- Manufactura. 4.- Reconocimiento de Formas.

5.- Instrumentacin Adaptativa. 6.- Procesos de control. La expresin "sistema inteligente" se usa a veces para sistemas inteligentes incompletos, por ejemplo para una casa inteligente o un sistema experto. Un sistema inteligente completo incluye "sentidos" que le permiten recibir informacin de su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus acciones. Tiene un objetivo e, inspeccionando su memoria, puede aprender de su experiencia. Aprende cmo lograr mejorar su rendimiento y eficiencia. Ejemplos de sistemas inteligentes Los seres humanos y animales son sistemas inteligentes naturales, y los sistemas artificiales tratan progresivamente de emular sus capacidades. Los sistemas inteligentes se caracterizan por su capacidad de adaptarse a situaciones cambiantes, capacidad que todava no logran cabalmente los sistemas artificiales. La dificultad principal se encuentra en el desarrollo de la capacidad de aprendizaje. SISTEMAS EXPERTOS Los sistemas expertos son mquinas que piensan y razonan como un experto lo hara en una cierta especialidad de campo. Los sistemas expertos no solo realizan funciones y manejan grandes cantidades de datos sino que tambin manipulan esos datos de forma, que el resultado sea inteligible y tenga significado para responder a preguntas incluso no completamente especificadas. Ahora casi todas las dems ramas de la inteligencia artificial se basan en sistemas expertos. Como por ejemplo un coche que aparca solo, ya que mediante un sistema, este analiza la situacin y toma una decisin en base de la misma. 6.1 Arquitectura de Sistemas Expertos. Base de conocimientos: Es la parte que envuelve el conocimiento del dominio, se obtiene el conocimiento del experto y se codifica en la base de conocimientos del experto y se codifica en la base de conocimiento. La forma bsica de representarlo es por reglas, que son estructuras condicionales que relacionan la informacin contenida en la parte del antecedente con otra informacin contenida en la parte del consecuente. Base de hechos (Memoria de trabajo): Incluye los hechos sobre el problema anterior descubiertos en la consulta. En la consulta actual con el sistema experto, el usuario

introduce la informacin del problema actual en la base de hechos. Y al sumar el conocimiento de las dos informaciones, la base de conocimiento deduce nuevos hechos. - Motor de interferencia: Es el modulo de la resultante de la modelacin del razonamiento humano. Y trabaja con la informacin obtenida de la base de conocimientos y la de la base de hechos para deducir nuevos hechos. Y al contrastar los hechos particulares de la base de hechos se obtienes conclusiones acerca del problema. - Subsistema de explicacin: Con esta explicacin, el sistema experto da una explicacin al usuario de por qu est haciendo una pregunta y como ha llegado a la conclusin. Y con esto el diseador puede usarlo para detectar errores y el usuario se aprovecha de la transparencia del sistema. - Interfaz del usuario: La comunicacin entre el sistema experto y el usuario se realiza en lenguaje natural. Es interactiva y sigue el patrn de la conversacin entre personas. Para hacerlo de una manera vlida para el usuario es especialmente importante el diseo del interfaz de usuario. Una peticin bsica del interfaz es la habilidad de hacer preguntas. Par obtener informacin aceptable del usuario hay que poner especial atencin en el diseo de la pregunta. Esto puede requerir disear el interfaz usando mens o grficos.