computacion evolutiva y computacion neuronal

computacion evolutiva y computacion neuronal

• 1.
  UNIVERSIDAD CÉSAR VALLEJO Facultad de Ingeniería Escuela de Ingeniería de Sistemas INTELIGENCIA ARTIFICIAL TEMA: REDES NEURONALES Y COMPUTACION EVOLUTIVA. Miembros de Equipo:  Córdova Reyes Jairo  Marrufo Cabanillas Renzo  Nomberto Neyra José  Pérez Pérez Christian Docente:  Ing. Tenorio Cabrera Julio Luis. Chimbote, Perú
• 2.
  DEDICATORIA Este trabajo estadedicado a nuestros adres, a nuestro señor Jesucristo y al docente responsable del cuso
• 3.
  PRESENTACIÓN El presente informeconsta de dos temas sobre la computacion evolutiva y computacion neuronal. Cualquier sistema neuronal tiene como propósito el control centralizado de las distintas funciones que rigen el organismo. En el desarrollo de la tecnología de la información, actualmente parece existir una nueva fase donde el objetivo es reproducir muchas de las funciones neuronales artificialmente. El primer tema computacion evolutiva, contiene qué es la computacion evolutiva, historia, programacion evolutiva, estrategias evolutivas, algoritmos genéticos, entre otras cosas mas. El segundo y ultimo tema computacion neuronal. Contiene: concepto, la neurona artificial, ventajas de las redes neuronales, aplicaciones de las redes neuronales.
• 4.
  Índice TEMA I............................................................................................................................................................... 5 ¿QUÉES LA COMPUTACION EVOLUTIVA? ........................................................................................... 6 UN POCO DE HISTORIA............................................................................................................................... 6 ESTRATEGIAS EVOLUTIVAS ..................................................................................................................... 8 ALGORITMOS GENÉTICOS ...................................................................................................................... 10 APLICACIONES DE LAS REDES NEURONALES ................................................................................ 17 VENTAJAS DE LAS TÉCNICAS EVOLUTIVAS ..................................................................................... 12 TEMA II ........................................................................................................................................................... 13 CONCEPTO ................................................................................................................................................... 14 LA NEURONA ARTIFICIAL ........................................................................................................................ 15 Redes Neuronales en el campo de la Inteligencia Artificial ............................................................. 15 VENTAJAS DE LAS REDES NEURONALES ......................................................................................... 16
• 5.
  TEMA I COMPUTACIÓN EVOLUTIVA
• 6.
  ¿QUÉ ES LACOMPUTACION EVOLUTIVA? La computación evolutiva es una rama de la inteligencia artificial que involucra problemas de optimización combinatoria. Se inspira en los mecanismos de la Evolución biológica. Relacionada a la investigación de operaciones, teoría de algoritmos y teoría de la complejidad computacional. Estudia algoritmos de búsqueda y optimización inspirados en los mecanismos de la genética y la selección natural. Estos algoritmos han sido aplicados exitosamente en áreas muy variadas: medicina, ingeniería, economía, robótica, aeronáutica, y biotecnología entre otras. En este curso estudiaremos los paradigmas principales que se utilizan hoy en día en la computacion evolutiva: las estrategias evolutivas, la programacion evolutiva y los algoritmos genéticos. En cada caso se abordara su inspiración biológica, su motivación, su funcionamiento y algunas de sus aplicaciones. Finalmente estudiaremos en mayor detalle el funcionamiento, fundamentos teóricos, implementación y operación de los algoritmos genéticos, que constituyen actualmente el paradigma evolutivo mas utilizado. UN POCO DE HISTORIA Durante los años 50 se comenzó a aplicar los principios de Charles Darwin en la resolución de problemas. Durante los años 60 y 70, varias corrientes de investigación independientes comenzaron a formar lo que ahora se conoce como computación evolutiva:  Programación evolutiva  Estrategias Evolutivas  Algoritmos genéticos
• 7.
  PROGRAMACION EVOLUTIVA Lawrence J.Fogel propuso en los 1960s una técnica denominada “Programación Evolutiva”, en la cual la inteligencia se ve como un comportamiento adaptativo La Programación Evolutiva enfatiza los nexos de comportamiento entre padres e hijos, en vez de buscar emular operadores genéticos específicos (como en el caso de los Algoritmos Genéticos). El objetivo es hacer que el autómata reconozca un cierto conjunto de entradas (una cierta expresión regular) sin equivocarse ni una sola vez. El algoritmo básico de la Programación Evolutiva es el siguiente:  Generar aleatoriamente una población inicial.  Se aplica mutación.  Se calcula la aptitud de cada hijo y se usa un proceso de selección mediante torneo (normalmente estocástico) para determinar cuáles serán las soluciones que se retendrán. La Programación Evolutiva es una abstracción de la evolución al nivel de las especies, por lo que no se requiere el uso de un operador de recombinación (diferentes especies no se pueden cruzar entre sí). Asimismo, usa selección probabilística. Algunas aplicaciones de la Programación Evolutiva son:  Predicción  Generalización  Juegos  Control automático  Problema del viajero  Planeación de rutas  Diseño y entrenamiento de redes neuronales  Reconocimiento de patrones
• 8.
  ESTRATEGIAS EVOLUTIVAS Las estrategiasevolutivas son métodos computacionales que trabajan con una población de individuos que pertenecen al dominio. Cada individuo de la población es un posible óptimo de la función objetivo; la representación de cada individuo de la población consta de 2 tipos de variables: Variables Estratégicas Indican de qué manera las variables objeto son afectadas por la mutación. Variables Objeto Son los posibles valores que hacen que la función objetivo alcance el óptimo global. Las Estrategias Evolutivas fueron desarrolladas en 1964 en Alemania para resolver problemas hidrodinámicos de alto grado de complejidad por un grupo de estudiantes de ingeniería encabezado por Ingo Rechenberg La versión original (1+1)-EE usaba un solo padre y con él se generaba un solo hijo. Este hijo se mantenía si era mejor que el padre, o de lo contrario se eliminaba. A este tipo de selección se le llama extintiva, porque los peores individuos tienen una probabilidad cero de ser seleccionados. En la (1+1)-EE, un individuo nuevo es generado usando: x t+1 = x t + N(0,σ ) Donde t se refiere a la generación (o iteración) en la que nos encontramos, y N(0,σ) es un vector de números Gaussianos independientes con una media cero y desviación estándar σ. Rechenberg introdujo el concepto de población, al proponer una estrategia evolutiva llamada (λ +1)-EE, en la cual hay λ padres y se genera un solo hijo, el cual puede reemplazar al peor padre de la población (selección extintiva). Schwefel introdujo el uso de múltiples hijos en las denominadas (μ+λ)-EEs y (μ,λ)-EEs. La notación se refiere al mecanismo de selección utilizado:
• 9.
  • En el primer caso, los μ mejores individuos obtenidos de la unión de padres e hijos sobreviven. • En el segundo caso, sólo los μ mejores hijos de la siguiente generación sobreviven. Rechenberg formuló una regla para ajustar la desviación estándar de forma determinista durante el proceso evolutivo de tal manera que el procedimiento convergiera hacia el óptimo. Esta se conoce como la “regla del éxito 1/5”, que indica que: La razón entre mutaciones exitosas y el total de mutaciones debe ser 1/5. Si es mayor, entonces debe incrementarse la desviación estándar. Si es menor, entonces debe decrementarse. Algunas aplicaciones de las Estrategias Evolutivas son:  Problemas de rutas y redes  Bioquímica  Óptica  Diseño en ingeniería  Magnetismo
• 10.
  ALGORITMOS GENÉTICOS Los AlgoritmosGenéticos (denominados originalmente “planes reproductivos genéticos”) fueron desarrollados por John H. Holland a principios de los 1960s [42, 43], motivado por su interés en resolver problemas de aprendizaje de máquina. El algoritmo genético enfatiza la importancia de la cruza sexual (operador principal) sobre el de la mutación (operador secundario) y usa selección probabilística. El algoritmo básico es el siguiente:  Generar (aleatoriamente) una población inicial.  Calcular la aptitud de cada individuo.  Seleccionar (probabilísticamente) con base a la aptitud.  Aplicar operadores genéticos (cruza y mutación) para generar la siguiente población.  Ciclar hasta que cierta condición se satisfaga. La representación tradicional es la binaria, tal y como se ejemplifica en la figura. A la cadena binaria se le llama “cromosoma”. Al bloque de bits que codifica una sola variable del problema se le denomina “gen” y al valor dentro de cada posición cromosómica se le llama “alelo”.
• 11.
  Para poder aplicarel algoritmo genético se requiere de los 5 componentes básicos siguientes:  Una representación de las soluciones potenciales del problema.  Una forma de crear una población inicial de posibles soluciones (normalmente un proceso aleatorio).  Una función de evaluación que clasifique las soluciones en términos de su “aptitud”.  Operadores genéticos que alteren la composición de los hijos que se producirán para las siguientes generaciones (normalmente cruce sexual y mutación).  Valores para los diferentes parámetros que utiliza el algoritmo genético (tamaño de la población, probabilidad de cruza, probabilidad de mutación, número máximo de generaciones, etc.) Algunas aplicaciones de los Algoritmos Genéticos son las siguientes:  Optimización (estructural, de topologías, numérica, combinatoria, etc.)  Aprendizaje de máquina (sistemas clasificadores)  Bases de datos (optimización de consultas)  Reconocimiento de patrones (por ejemplo, imágenes o letras)  Generación de gramáticas (regulares, libres de contexto, etc.)  Planeación de movimientos de robots.  Predicción.
• 12.
  VENTAJAS DE LASTÉCNICAS EVOLUTIVAS Es importante destacar las diversas ventajas que presenta el uso de técnicas evolutivas para resolver problemas de búsqueda y optimización:  Simplicidad Conceptual.  Amplia aplicabilidad.  Superiores a las técnicas tradicionales en muchos problemas del mundo real.  Tienen el potencial para incorporar conocimiento sobre el dominio y para hibridarse con otras técnicas de búsqueda/optimización.  Pueden explotar fácilmente las arquitecturas en paralelo.  Son robustas a los cambios dinámicos.
• 13.
  TEMA II COMPUTACIÓN NEURONAL
• 14.
  CONCEPTO Las redes deneuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN") son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Darpa (1988), define una red neuronal como un sistema compuesto de muchos elementos simples de procesamiento los cuales operan en paralelo y cuya función es determinada por la estructura de la red, el peso de las conexiones; realizándose el procesamiento en cada uno de los nodos o elementos de computo. Según Haykin (1994), una red neuronal es un procesador paralelo masivamente distribuido que tiene una facilidad natural para el almacenamiento de conocimiento obtenido de la experiencia para luego hacerlo utilizable. Se parece al cerebro en dos aspectos:  El conocimiento es obtenido por la red a través de un proceso de aprendizaje.  Las conexiones interneuronales conocidas como pesos sinápticos son utilizadas para almacenar dicho conocimiento. T. Kohonen en "An Introduction to Neural Computing". Neural Networks, Vol. 1, págs. 3- 16, 1988 en la que se define como "Un conjunto de redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real de mismo modo que lo hace el sistema nervioso biológico".
• 15.
  Redes Neuronales enel campo de la Inteligencia Artificial LA NEURONA ARTIFICIAL Cualquier modelo de red neuronal consta de dispositivos elementales de procesamiento: las neuronas. A partir de ellas, se pueden generar representaciones específicas, de tal forma que un estado conjunto de ellas pueda significar una letra, un número o cualquier otro objeto. Generalmente se pueden encontrar tres tipos de neuronas: Aquellas que reciben estímulos externos, relacionas con el aparato sensorial, que tomarán la información de la entrada, denominadas unidades de entrada. Dicha información se transmite a ciertos elementos internos que se ocupan de su proceso. Es la sinapsis y neuronas correspondientes a este segundo nivel donde se genera cualquier tipo de representación interna de la información. Puesto que no tienen relación directa con la información de entrada y de salida, estos elementos se denominan unidades ocultas. Una vez ha finalizado el periodo de procesado, la información llega a las unidades de salida, cuya misión es dar la respuesta del sistema.
• 16.
  VENTAJAS DE LASREDES NEURONALES Debido a su constitución las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro: son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, etc. Estas ventajas incluyen:  Aprendizaje adaptativo: capacidad de aprender a realizar tareas basada en un entrenamiento o una experiencia inicial.  Auto organización: una red 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; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.  Operación en tiempo real: los computadores neuronales pueden ser realizados en paralelo y se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.  Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados para mejorar su capacidad en ciertas tareas.
• 17.
  APLICACIONES DE LASREDES NEURONALES Las redes neuronales son una tecnología computacional que puede utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares. Cuando se implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un grado de paralelismo en el proceso de datos muy grande. Hay muchos tipos de redes neuronales pudiéndose clasificar en distintas disciplinas: Biología Aprender más acerca del cerebro Obtención del modelo de la retina Empresa Evaluación de probabilidad de formaciones geológicas y petrolíferas Explotación de bases de datos Optimización de plazas y horarios en líneas de vuelo Reconocimiento de caracteres escritos Medio ambiente Analizar tendencias y patrones Previsión del tiempo Finanzas Previsión de la evolución de los precios Valoración del riesgo de los créditos Interpretación de firmas Identificación de falsificaciones
• 18.
  Manufacturación Robots y sistemas de control (visión artificial y sensores de presión, temperatura, etc) Control de producción en líneas de proceso:  Medicina  Analizadores del habla para la ayuda de audición de sordos  Monitorización en cirugía  Predicción de reacciones adversas a los medicamentos  Lectores de rayos X  Diagnóstico y tratamiento a partir de síntomas y/o datos analíticos  Militares
• 19.
  CONCLUSIÓN Cualquier sistema neuronaltiene como propósito el control centralizado de las distintas funciones que rigen el organismo. En el desarrollo de la tecnología de la información, actualmente parece existir una nueva fase donde el objetivo es reproducir muchas de las funciones neuronales artificialmente. Por ejemplo, la implementación de funciones sensoriales para hacer ver u oir a las máquinas.