UNIVERSIDAD NACIONAL DE LOJA ÁREA DE LA ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES NO RENOVABLES CARRERA DE INGENIERÍA EN SISTEMAS ALUMNA

: Marjorie Juliana Chinchay Cuenca MÓDULO: Décimo “B” ASIGNATURA: Sistemas Expertos FECHA: 30/03/2014 Enunciado: Consultar los siguientes temas: 1. REDES NEURONALES

Fig.1. Comparación entre una neurona biológica (izquierda) y una artificial (derecha)

Una red neuronal es un sistema de procesadores paralelos conectados entre sí en forma de grafo dirigido. Esquemáticamente cada elemento de procesamiento (neuronas) de la red se representa como un nodo. Estas conexiones establecen una estructura jerárquica que tratando de emular la fisiología del cerebro busca nuevos modelos de procesamiento para solucionar problemas concretos del mundo real. [1] Las redes neuronales artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.

Fig.2. Red Neuronal Artificial [2]

o inhibidoras (conexiones negativas).  Un sumador que se encarga de sumar todas las entradas multiplicadas por sus respectivas sinapsis.  Un umbral exterior que determina el umbral por encima del cual la neurona se activa.Ventajas:  Aprendizaje Adaptativo: Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. estas conexiones pueden ser excitadoras (presentan un signo positivo).  Auto-organización: Una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje.  Tolerancia a fallos: La destrucción parcial de una red conduce a una degradación de su estructura. pesos o sinapsis que determinan el comportamiento de la neurona.  Fácil inserción dentro de la tecnología existente: Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. . Fig. sin embargo. para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.  Operación en tiempo real: Los cómputos neuronales pueden ser realizados en paralelo. Esquema de un modelo neuronal 2. algunas capacidades de la red se pueden retener. REDES BAYESIANAS Una Red Bayesiana es un modelo probabilístico que relaciona un conjunto de variables aleatorias mediante un grafo dirigido. Ello facilitará la integración modular en los sistemas existentes. incluso sufriendo un gran daño. son redes graficas sin ciclos en el que se representan variables aleatorias y las relaciones de probabilidad que existan entre ellas que permiten conseguir soluciones a problemas de decisión en casos de incertidumbre.3. [3] Modelo de una Neurona Todo modelo artificial de neurona tiene los siguientes elementos básicos:  Un conjunto de conexiones.  Una función de activación no lineal para limitar la amplitud de la salida de la neurona.

se indica una red bayesiana (RB) hipotética que representa cierto conocimiento sobre medicina. en procesos de producción. por ejemplo fiebre depende de tifoidea y gripe. Es decir.4. Fig. por ejemplo como una operación financiera que ha sido realizada en términos de riesgos operacionales. síntomas y factores que causan algunas enfermedades.Una red Bayesiana es una herramienta informática a la que puede crearse diferentes modelos dependiendo del caso de estudio según la concepción que tenga el diseñador y de las condiciones del comportamiento de las variables.  Redes Bayesianas Dinámicas: el proceso que se está estudiando puede entenderse como una serie de procesos en un instante de tiempo. [4] Ejemplo: En la fig. en la genética. La variable a la que apunta un arco es dependiente de la que está en el origen de éste. En esta herramienta sobresale debido a que no solo permite un proceso hacia atrás (backward). Ejemplo de una red bayesiana Tipos de redes bayesianas Las redes bayesianas se pueden clasificar según en función del tipo de variables utilizadas:  Redes Bayesianas Continuas: son aquellas que tienen un número infinito de posibles valores. En este tipo de redes resulta complicado determinar explícitamente las probabilidades condicionadas para cada valor de las variables. Aplicación La utilización de las redes bayesianas ha sido muy difundida en diferentes campos como en la manipulación de sistemas expertos en la medicina. todos estos enfocados a la solución de problemas y en la identificación de probabilidades que disminuyan riesgo. El estado de las variables se representa en un lapso de tiempo para poder representar los procesos dinámicos conocidos dentro de la red bayesiana.4. sino también hacia adelante (forward) donde la red puede calcular las probabilidades de pérdida o de beneficio usando la regla de Bayes. se repite las etapas temporales y las relaciones entre dichas etapas. así que las probabilidades condicionadas se representan mediante una función de probabilidad. en la depuración de programas de inteligencia artificial. como es el uso primordial que se le da en la rama financiera. Las probabilidades condicionales de este modelo no cambian con el tiempo. los nodos representan enfermedades. En este caso. [4] .

Pasos: a) Generar la población inicial. las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes. Están basados en el proceso genético de los organismos vivos (reproducción sexual y supervivencia del más apto). b) Evaluar la adaptación de todos los individuos en la población. los Algoritmos Genéticos son capaces de ir creando soluciones para problemas del mundo real. El primero de estos esquemas ha gozado de mucha popularidad debido a que fue el que propuso originalmente John Holland. En cada iteración. todos los miembros de la población son procesados por la función de evaluación. tamaño de la población. [5] Comportamiento: El algoritmo genético de forma iterativa va actualizando la población de hipótesis. La nueva generación estará compuesta por:  Las mejores hipótesis de la población actual (seleccionadas probabilísticamente)  Y el resto de hipótesis necesarias para mantener el número. etc. aunque se han utilizado también números reales y letras o caracteres para representar los cromosomas. Operaciones sencillas de bits permiten efectuar el cruce. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas.  Función de evaluación. [6] Elementos:  Esquema de codificación. . probabilidad de mutación.  Tres operadores básicos: reproducción. A pesar de que gran cantidad de investigaciones se realizaron en cadenas de longitud variable y otras estructuras.  Parámetros que controlan el desempeño del algoritmo genético: probabilidad de cruce. que indica si un individuo es apto para resolver el problema planteado. A lo largo de las generaciones. tras lo cual una nueva población es generada. la codificación más común de las soluciones es mediante cadenas binarias. la mayor cantidad de algoritmos genéticos se ha enfocado en cadenas de caracteres de longitud fija. En la práctica. y porque resulta fácil implementar.3. ALGORITMOS GENÉTICOS Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. la mutación y otras operaciones. es decir la manera en que se representa una posible solución al problema. número de generaciones. Por imitación de este proceso. postulados por Darwin (1859). que se consiguen mediante el cruce de individuos. cruce y mutación.

La lógica difusa se puede aplicar en procesos demasiado complejos. [7] 4. [9] 5. d) Reemplazar la antigua población e) Iterar utilizando la nueva población. cuando no existe un modelo de solución simple o un modelo matemático preciso. por sus características de ambigüedad que permiten considerar grados en las características consideradas en los problemas de ingeniería. para reducir el tiempo de espera. De la misma manera se puede aplicar cuando ciertas partes de un sistema a controlar son desconocidas y no pueden medirse de forma confiable y cuando el ajuste de una variable puede producir el desajuste de otras.  Control de Sistemas Centralizados de los automóviles  Cámaras de video. No es recomendable utilizar la lógica difusa cuando algún modelo matemático ya soluciona eficientemente el problema. LÓGICA DIFUSA La lógica difusa es una lógica alternativa a la lógica clásica que pretende introducir un grado de vaguedad en las cosas que evalúa.  Ascensores. la lógica difusa fue diseñada precisamente para imitar el comportamiento del ser humano.  Controles de inyección electrónica de carburante y sistemas de control de guiado automático de autos. [8] Aplicaciones:  Modelado y control de sistemas no lineales. robots y software pueden ser considerados agentes. cruce y mutaciones en los individuos en la que ésta acaba de ser medida. AGENTE INTELIGENTE Un agente percibe su entorno a través de sensores y actúa sobre el mismo mediante “efectores”. ya que evita que éstas filmen las vibraciones del brazo como ocurría con las cámaras antiguas Sistemas de dosificación y control de las lavadoras automáticas modernas. hasta que la misma converja. Humanos. En el mundo en que vivimos existe mucho conocimiento ambiguo e impreciso por naturaleza. cuando los problemas son lineales o cuando no tienen solución. [10] . Es útil también cuando se necesite usar el conocimiento de un experto que utiliza conceptos ambiguos o imprecisos.c) Crear una nueva población efectuando operaciones como selección/ reproducción proporcional a la adaptación. El razonamiento humano con frecuencia actúa con este tipo de información.

La forma en que se evalúa el desempeño del agente inteligente es a través de la medida de desempeño (performance measure) que es un estándar utilizado para determinar el grado de éxito de un agente en el desempeño de su tarea.  Autonomía: un agente es completamente autónomo si es capaz de actuar basándose en su experiencia. Por otra parte.  Veracidad: asunción de que un agente no comunica información falsa a propósito. un agente percibe el entorno y esos cambios dirigen el comportamiento del agente. mientras se encuentra situado persistentemente en su medio ambiente. [11] Un agente inteligente es aquél que realiza la acción correcta.Fig. Agente Un agente inteligente es un sistema computacional capaz de actuar de manera autónoma para satisfacer sus objetivos y metas. Ejemplo: para un agente aspirador podría ser la cantidad de suciedad retirada en un periodo de ocho horas. ejecutándose continuamente y desarrollando su función.  Adaptatividad: está relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basándose en ese aprendizaje. considerando además el consumo de electricidad y el ruido [10] Características de los agentes:  Continuidad Temporal: se considera un agente un proceso sin fin. En este caso.  Sociabilidad: este atributo permite a un agente comunicar con otros agentes o incluso con otras entidades.5.  Reactividad: un agente actúa como resultado de cambios en su entorno.  Benevolencia: asunción de que un agente está dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos.  Movilidad: capacidad de un agente de trasladarse a través de una red telemática.  Pro-actividad: un agente es pro-activo cuando es capaz de controlar sus propios objetivos a pesar de cambios en el entorno. [12] . El agente es capaz de adaptarse aunque el entorno cambie severamente. una definición menos estricta de autonomía sería cuando el agente percibe el entorno. es decir la que lleva al agente a tener éxito en la realización de su tarea.  Racionalidad: el agente siempre realiza «lo correcto» a partir de los datos que percibe del entorno.

ante un abanico de posibles decisiones.  Arquitectura: ordenador que se ocupará de que las percepciones lleguen al programa y las acciones lleguen a los efectores. Permiten analizar totalmente las posibles consecuencias de tomar una decisión.  Proveen un esquema para cuantificar el costo de un resultado y la probabilidad de que suceda.6. Elementos de un Agente:     percepciones posibles acciones posibles medida de desempeño u objetivos que debe lograr tipo de entorno en el que va a operar [10] 6.Estructura de los agentes inteligentes: Agente = programa agente + arquitectura. . donde:  Programa agente: función que implementará la transformación (mapping) de secuencias de percepciones en acciones. [13] Fig. éstos ayudan a tomar la decisión “más acertada”. permiten desplegar visualmente un problema y organizar el trabajo de cálculos que deben realizarse. ÁRBOLES DE DECISIÓN Un árbol de decisión es una forma gráfica y analítica de representar todos los eventos (sucesos) que pueden surgir a partir de una decisión asumida en cierto momento. Además.  Ayuda a realizar las mejores decisiones sobre la base de la información existente y de las mejores suposiciones. Representación gráfica de un árbol de decisión Ventajas:   Plantean el problema para que todas las opciones sean analizadas. desde un punto de vista probabilístico.

b) Dibujar un recuadro para representar esto en la parte izquierda de una página grande de papel. [14] 7. [16] Bucle general de un algoritmo evolutivo Un algoritmo evolutivo sigue generalmente los siguientes pasos: 1. Escribir la decisión o el causante arriba de los cuadros o círculos. e) Desde los círculos.Desventajas:  Sólo es recomendable para cuando el número de acciones es pequeño y no son posibles todas las combinaciones. de manera que las más aptas son capaces de prevalecer a lo largo del tiempo. se debe dibujar otro recuadro. Nuevamente hay que hacer una pequeña inscripción sobre las líneas que digan lo que significan. ALGORITMOS EVOLUTIVOS Los algoritmos evolutivos 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. y escribir cuál es la solución sobre cada línea. Repetir durante GENERACIONES iteraciones: a) Aplicar el operador de selección para elegir S individuos de la POBLACIÓN . dibujar líneas hacia la derecha para cada posible solución. controlar cada cuadro y círculo para ver si hay alguna solución o consecuencia que no se haya considerado. si hay alguna. d) Al final de cada línea estimar cuál puede ser el resultado. reproducción sexual y mutación. Generar una POBLACIÓN aleatoria de N individuos 2. Evaluar los individuos de la POBLACIÓN de acuerdo a la función de fitness 3. En algunos casos. Si el resultado es otra decisión que necesita ser tomada. Mantener las líneas lo más apartadas posibles para poder expandir tanto como se pueda el esquema. se puede dibujar un pequeño círculo. se debe agregar. Si este resultado es incierto. las cuales se mezclan y compiten entre sí. c) Desde este recuadro. si se completa la solución al final de la línea. revisar el diagrama en árbol. Los recuadros representan decisiones. Pasos: Para dibujar un árbol de decisiones se deben seguir los siguientes pasos: a) Escribir cuál es la decisión que se necesita tomar. se puede dejar en blanco. [15] Estos algoritmos se modelan computacionalmente simulando la selección natural y el entrecruzamiento de las especies por medio de la recombinación genética y la mutación. evolucionando hacia mejores soluciones cada vez. Una vez hecho esto. será necesario dibujar nuevamente todo el árbol si partes de él se ven muy desarregladas o desorganizadas. En ellos se mantienen un conjunto de entidades que representan posibles soluciones. f) Realizar esto hasta que se tengan dibujadas tantas consecuencias y decisiones como sea posible ver asociadas a la decisión original. dibujar líneas que representen las posibles consecuencias. y los círculos representan resultados inciertos.

[30/03/14].ecured.pdf  [3] MATICH Damian.unam.com/trabajos97/inteligencia-artificial-algoritmosgeneticos/inteligencia-artificial-algoritmos-geneticos. Caracas. http://www.cu/index.co/Administracion/documentos/investigacion/laboratori o/miller_2_3.com. http://books.pdf  [9] PEREZ Ivan. LEÓN Betzabeth.shtml#ixzz2xU1QFXmV  [7] ECURED.7. “Lógica difusa para principiantes: Teoría y Práctica”. [02/11]. “Inteligencia Artificial: Algoritmos Genéticos”. http://www.ehu. [2007].edu.dynamics. [30/03/14].ec/books?id=iCiiyyCFZuIC&pg=PA99&lpg=PA99&dq=l ogica+difusa&source=bl&ots=MJ5qqfXuf&sig=j_gQYbQKdhk8ctEl97RmJOHFsQ0&hl=es&sa=X&ei=S9I4U8Wx . [30/03/14]. [30/03/14].frro.sc. [30/03/14].utn. “Redes neuronales: conceptos básicos y aplicaciones”. http://archivos.mx/u_dl_a/tales/documentos/lmt/ramirez_r_o/capitulo3.edu. “Capítulo 3: Lógica Difusa”. [2001].urosario. [2008]. [30/03/14].php/Algoritmo_gen%C3%A9tico  [8] RAMIREZ RAMOS Oswaldo.google.ar/repositorio/catedras/quimica/5_anio/orientadora1/mo nograias/matich-redesneuronales.pdf  [6] PRIETO Ricardo.b) Aplicar los operadores genéticos a esos S individuos para generar la descendencia c) Evaluar los nuevos individuos de acuerdo a la función de fitness d) Reemplazar los peores individuos en POBLACIÓN por los individuos recién creados [15] Fig.udlap.es/ccwbayes/docencia/mmcc/docs/temageneticos. http://catarina. Bucle general de un algoritmo evolutivo BIBLIOGRAFÍA:  [1] SOTOLONGO G.cl/SI/SI_REDNEURO. [30/03/14]. http://www. [03/2001].pdf  [5] “Algoritmos Genéticos”.labcontrol. http://www.edu/DinamicaNoLineal/Articulos/MineriaDatos/Artic ulo03. [30/03/14]. “Aplicaciones de las Redes Neuronales: El caso de la Bibliometría”. “Algoritmo Genético”. “El papel de las redes bayesianas en la toma de decisiones”. GUZMÁN María Victoria.pdf  [2] “Introducción a las Redes Neuronales”.monografias. [30/03/14].pdf  [4] LOZANO RIVERA Miller. http://www. http://www.

es/seminars/5/taller_ae_documentacion__lunes13. http://sci2s.uv.ugr.ecured.dmae. http://www. http://www. [30/03/14].shtml#ixzz2wwgQTYwR [13] RUIZ Carmen.monografias. “Agentes Inteligentes: El siguiente paso en la inteligencia artificial”.uji.upct.pdf [14] ECURED. [30/03/14]. [1998]. “Algoritmo Evolutivo”. “Introducción a los árboles de decisión”. http://www. “Agentes Inteligentes: Tema 2”. [30/03/14].cu/index.es/~mcruiz/Telem06/Teoria/arbol_decision.es/docencia/II28/teoria/transparencias-tema02. http://www.pdf [12] VALDEZ BALCAZAR Gerardo. http://www. [30/03/14]. “Árboles de decisión”.com/trabajos74/agentes-inteligentes-paso-inteligenciaartificial/agentes-inteligentes-paso-inteligenciaartificial2. http://www.robot.       BsO0AHwpYHYDw&sqi=2&ved=0CF4Q6AEwBg#v=onepage&q=logica%20difusa&f =false [10] MARCOS M. [2013].ecured.mx/aguerra/documents/2013-ia2-01.php/%C3%81rbol_de_decisi%C3%B3n [15] “Taller de Algoritmos Evolutivos”. [30/03/14].pdf [16] ECURED.pdf [11] GUERRA A.php/Algoritmos_evolutivos . “Agentes Inteligentes”.cu/index.