AO DEL CENTENARIO DE MACHUPICCHU PARA EL MUNDO

Universidad Catlica Los ngeles de Chimbote - Piura Facultad de Ingeniera Escuela Profesional de Ingeniera de Sistemas

INTELIGENCIA ARTIFICIAL TRABAJO FINAL AMBULAY ATOCHE JORGE LUIS

PIURA-2011

Trabajo final del curso de Inteligencia artificial: EJEMPLOS

1. Selecciona un caso para aplicar redes neuronales, define el modelo y documntalo en una monografa, finalmente implementa la solucin en el software entregado en el curso. Este modelo que he definido trata de la Simulacin de Redes Neuronales como Herramienta para la Docencia en Castellano en Espaa. Trata de cubrir la escasa disponibilidad de software didctico para la enseanza prctica de las Redes Neuronales Artificiales en el idioma espaol o castellano, ya que la mayora del software de dicho tipo disponible actualmente est en el idioma ingls. Se ha implementado como mtodo de aprendizaje supervisado el algoritmo de retropropagacin. El anlisis de los resultados arrojados por la aplicacin desarrollada revela que los modelos implementados no presentan un problema de sobre ajuste en el proceso de entrenamiento y que los tiempos de ejecucin son aceptables para los tamaos de los archivos considerados. En el futuro se tiene previsto la implementacin de otras arquitecturas de redes, como las de Hopfield o las Competitivas.El principal objetivo de este trabajo es estudiar e investigar el modo de aprendizaje de las redes neuronales artificiales y sus aplicaciones didcticas. Por esta razn se implementan los algoritmos ms conocidos que ellas utilizan. El modelo a emplear sera de arquitecturas.

Esta tambin es una solucin dada en java con un perceptron multicapa de 5 entradas y 3 salidas con 5 pares de entrenamiento: 5 3 5 1, 0, 1, 1, 1, 1, 1,1 1, 1, 1, 0, 0, 1, 1,0 1, 0, 0, 1, 0, 1, 1,0 0, 0, 1, 0, 1, 1, 0,0 0, 1, 0, 1, 0, 1, 1,0

2. Selecciona un caso para aplicar lgica difusa, define el modelo y documntalo en una monografa, finalmente implementa la solucin en el software entregado en el curso. Implementacin de una Base de Datos Relacional Difusa Un Caso en la Industria del Cartn Los sistemas de informacin orientados hacia el sector empresarial, nacen a inicios de los aos 70, dado por una parte, el crecimiento de la economa, y por otra parte, la necesidad de regular la actividad productiva de la empresa, por medio de la informacin. Modelos de datos difusos Algunos investigadores utilizan los modelos de datos difusos, por una parte, para representar atributos difusos mediante la teora de conjuntos difusos, y por otra parte, para interrogar una BDRD mediante una BDR. Teora de conjuntos difusos La teora de conjuntos difusos ha sido propuesta por Zadeh desde 1965, a partir del concepto de conjunto (una coleccin de objetos).

Un conjunto difuso A, sobre un universo de discurso U es un conjunto de pares, dado por: A = {A (u) /u: u E U, A (u)E[0,1]},

Tenemos un ejemplo donde utilizamos lgica difusa El conjunto de las personas que son altas es un conjunto difuso, pues no est claro el lmite de altura que se establece a partir de que medida una persona es alta o no lo es. Ese lmite es difuso y, por lo tanto, el conjunto que lo delimita tambin lo ser. En este caso, el conjunto difuso es representado por escalares simples.

Obtener los datos de las cartulinas estucadas que su tono de cara sea posiblemente igual a blanco (en grado mnimo 0.5) y que el tono reverso tambin sea posiblemente igual a blanco (en grado mnimo 0.5),esta diseado FSQL

Comenzamos a analizar y dar solucin con el software GWIN2

3. SELECCIONA UN CASO PARA APLICAR ALGORITMOS GENETICOS, DEFINE EL MODELO Y DOCUMENTALO EN UNA MONOGRAFA. La finalidad de este ejercicio es construir un planeador de rutas, capaz de encontrar la ruta ms corta a la salida ms cercana, para cada una de las n personas que se encuentran en un cuarto. Este cuarto contiene obstculos estticos y varias salidas. La ruta encontrada para la persona x no debe llevarla a chocar con algn obstculo ni con otra persona que a su vez se est moviendo en el cuarto.

La interface del programa tiene la siguiente simbologa: Cubos de colores y mas pequeos: Personas Cubos azules: Obstculos Cuadros rojos: Salidas

Los pasos de un algoritmo gentico son los siguientes: 1. Inicializacin: En este primer paso se crea aleatoriamente un conjunto de individuos Inicialmente se tiene 20 individuos. 0 Camina un paso a la izquierda 1 Camina un paso a la derecha 2 Camina un paso adelante 3 Camina un paso atrs 4 Camina en diagonal izquierda hacia arriba 5 Camina en diagonal izquierda hacia abajo 6 Camina en diagonal derecha hacia abajo 7 Camina en diagonal derecha hacia arriba 8 Qudate en tu lugar En este caso dicha condicin es que evolucionen 6 generaciones. 2. Evaluacin: La Funcin F es computada para cada individuo, ordenando la poblacin del mejor individuo al peor. 3. Seleccin: Se selecciona con la regla de seleccin explicada a continuacin una pareja de individuos. La regla utilizada es roulette wheel selection 1.- Se genera un nmero aleatorio r E [0,1]. 2.- Se multiplica r por la suma de las calificaciones de la poblacin (S), obtenindose c = rS. 3.- Se establece la calificacin acumulada (Ca) y el ndice en cero: Ca = 0, i=0 4.- A la calificacin acumulada se le suma la calificacin del ensimo individuo: Ca = Ca + calif (i)

5.- Si Ca > c entonces el ensimo individuo es seleccionado. 6.- Si no, entonces se incrementa i y se regresa al paso 4. 4.- Reproduccin: El algoritmo de reproduccin que se ha utilizado es el siguiente: Una vez seleccionados 2 individuos p1 y p2 (llamados padres) se procede a cruzarlos. Generamos un nmero aleatorio entre 1 y (longitud de p1)/2, llamado n1.

Luego un nmero aleatorio entre (longitud de p2)/2 y longitud de p2, llamado n2. Calculamos la posicin en la que se encuentra p2 al dar (longitud de p2)/2 pasos, y la llamamos pasosp2. Generamos un camino aleatorio de pasosp1 a pasosp2, llamado camino intermedio. Este camino aleatorio verifica que no choque con ningn obstculo predefinido (esttico). El algoritmo adems de estos pasos, incorpora un quinto paso al que llamamos entrenamiento. 5.- Entrenamiento: El primer algoritmo gentico coloca en la poblacin inicial del segundo algoritmo gentico, a su mejor individuo (lo coloca 2 veces, para asegurarse de que va a preservarse en las siguientes generaciones), el segundo hace lo mismo con el tercero, y as sucesivamente hasta n. Tenemos: N de generaciones: cantidad de veces que se produce una nueva generacin de individuos, utilizando las reglas anteriormente explicadas. Por lgica, cuantas ms generaciones produzcamos, obtendremos mejores individuos. N de individuos por generacin: en este ejemplo, la cantidad de individuos de una generacin a otra es constante, no vara. N de entrenamientos: cantidad de veces que se lleva a cabo un entrenamiento entre diferentes generaciones de individuos.

CONCLUSIN:

Como hemos podido observar, la principal ventaja de los algoritmos genticos radica en su sencillez. Se requiere poca informacin sobre el espacio de bsqueda ya que se trabaja sobre un conjunto de soluciones o parmetros codificados. La programacin mediante algoritmos genticos supone un nuevo enfoque que permite abarcar todas aquellas reas de aplicacin donde no sepamos como resolver un problema.