Inteligencia artificial
Upcoming SlideShare
Loading in...5
×
 

Inteligencia artificial

on

  • 1,519 views

 

Statistics

Views

Total Views
1,519
Slideshare-icon Views on SlideShare
1,519
Embed Views
0

Actions

Likes
0
Downloads
42
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Inteligencia artificial Inteligencia artificial Presentation Transcript

    • INTELIGENCIA ARTIFICIAL Algoritmos Genéticos
              • MILLA FLORES, José Luis
              • PEREZ AGUSTIN Jemima Ruth
              • RAMOS ACHAS, Oscar
              • SOSA SAN MARTIN
      Integrantes :
    • Introducción
      • De vez en cuando, los creacionistas acusan a la evolución de que carece de utilidad como teoría científica porque no produce beneficios prácticos y no tiene relevancia en la vida diaria.
      • Sin embargo, tan sólo la evidencia de la biología demuestra que esta afirmación es falsa. Hay numerosos fenómenos naturales para los que la evolución nos ofrece un sólido fundamento teórico.
      • Por nombrar uno, el desarrollo observado de la resistencia a los insecticidas en las plagas de cultivos, a los antibióticos en las bacterias, a la quimioterapia en las células cancerosas, y a los fármacos antiretrovirales en virus como el VIH, es una consecuencia abierta de las leyes de la mutación y la selección, y comprender estos principios nos ha ayudado a desarrollar estrategias para enfrentarnos a estos nocivos organismos.
    • Definiciones
      • Un algoritmo es un conjunto finito de instrucciones o pasos que sirven para ejecutar una tarea y/o resolver un problema.
      • El término "Genética" fue propuesto para describir el estudio de la herencia y la ciencia de la variación por el prominente científico británico William Bateson .
      • Un algoritmo genético (AG ) es una técnica de programación que imita a la evolución biológica como estrategia para resolver problemas. Dado un problema específico a resolver, la entrada del AG es un conjunto de soluciones potenciales a ese problema, codificadas de alguna manera, y una métrica llamada función de aptitud que permite evaluar cuantitativamente a cada candidata
    • Algoritmos Genéticos
      • Programas evolutivos que emplean exclusivamente la representación binaria.
      • Un algoritmo genético simula la evolución de los procesos y los cambios genéticos en las estructuras de los cromosomas.
    • Evolución
      • Proyectos como el del Genoma Humano tratan de identificar cuáles son estos genes, sus posiciones, y sus posibles alteraciones, que habitualmente conducen a enfermedades.
      • La evolución se puede definir entonces como cambios en el pool o conjunto genético de una población.
      • Sin embargo, los geneticistas y biólogos evolutivos afirman que la evolución no optimiza, sino que adapta y optimiza localmente en el espacio y el tiempo; evolución no significa progreso. Un organismo más evolucionado puede estar en desventaja competitiva con uno de sus antepasados, si se colocan en el ambiente del último.
    • Algoritmos Evolutivos Clasificación
      • Algoritmos Genéticos :
        • Modelan el proceso de evolución como una sucesión de frecuentes cambios en los genes , con soluciones análogas a cromosomas. El espacio de soluciones posibles es explorado aplicando transformaciones a éstas soluciones candidatas tal y como se observa en los organismos vivientes: cruce, inversión, mutación.
    • Historia de los algoritmos genéticos
      • Al principio, estas aplicaciones eran principalmente teóricas. Sin embargo, al seguir proliferando la investigación, los algoritmos genéticos migraron hacia el sector comercial, al cobrar importancia con el crecimiento exponencial de la potencia de computación y el desarrollo de Internet. Hoy en día, la computación evolutiva es un campo floreciente, y los algoritmos genéticos están ``resolviendo problemas de interés cotidiano'' en áreas de estudio tan diversas como la predicción en la bolsa y la planificación de la cartera de valores, ingeniería aeroespacial, diseño de microchips, bioquímica y biología molecular, y diseño de horarios en aeropuertos y líneas de montaje .
      • John Koza 1992 empleó A.G para desarrollar programas que hacían ciertas tareas => él las denominó "genetic programming" (GP).
      • Programas en LISP => usados ya que se podían expresar éstos en forma "parse tree“ => objeto sobre el que trabaja un AG.
    • VOCABULARIO DE LOS A.G. CÉLULA CROMOSOMAS GENES Sucesión Lineal “ Caracteres” LOCUS : Lugar del cromosoma ALELES : valores de los caracteres ó estados de los genes.
    • VOCABULARIO DE LOS A.G. CÉLULA CROMOSOMAS Hombre: 46 cromosomas. ESTRUCTURA POLIPLOIDE
    • VOCABULARIO DE LOS A.G. CÉLULA CROMOSOMAS POLIPLOIDE DIPLOIDE HAPLOIDE A.G
    • VOCABULARIO DE LOS A.G. CROMOSOMA A.G INDIVIDUO GENOTIPO SOLUCIÓN POTENCIAL 1 1 0 0 0 1 0 0 1 0 1 1 1
    • VOCABULARIO DE LOS A.G.
      • Algoritmo Genético Significado
      • Cromosomas(cadena, individuo) Solución ( código )
      • Genes (bits) Parte de la solución.
      • Locus Posición del Gene
      • Aleles Valor del Gene
      • Fenotipo Solución decodificada
      • (Apariencia Externa)
      • Genotipo Solución Codificada.
      • (Estructura Interna)
    • PRINCIPALES VENTAJAS.
      • No tienen muchos requerimientos matemáticos del problema de optimización.
      • Debido a su naturaleza evolutiva => buscan soluciones sin considerar específico conocimiento del problema.
      • Proporcionan una gran flexibilidad para hibridizarse con heurísticas dependiente del dominio => eficientes implementaciones.
      • Pueden manejar toda clase de función objetivo y restricciones definidas sobre un espacio de búsqueda discreto, continuo o mezclado.
      • La estructura de los operadores los hace muy efectivos al realizar búsquedas global.
    • DIFERENCIAS CON MÉTODOS TRADICIONALES DE BÚSQUEDA.
      • Inicio en un punto
      • 1.- Inicio en una Población de Puntos
      no 2.- Mejoras. (Independiente del problema) ¿Fin? no Fin si Mejoras. (Problema Específico) ¿Fin? si Fin
    • DIFERENCIAS CON MÉTODOS TRADICIONALES DE BÚSQUEDA.
      • Tradicionales
      • 3.- Trabaja con los propios parámetros.
      • 4.- Usa información de las derivadas u otro conocimiento adicional.
      • 5.- Emplean reglas de transición deterministas.
      • A. G.
      • 3.-Emplea codificación de los parámetros.
      • 4.- Usa información de la función objetivo.
      • 5.- Emplean reglas de transición probabilísticas.
    • ESTRUCTURA DE UN ALGORITMO GENÉTICO SIMPLE (AGS) Soluciones 1100101010 1011101110 0011011001 1100110001 Cromosomas 110010 1010 101110 1110 1100101110 00110 1 1001 00110 0 1001 1100101110 1011101010 0011001001 Soluciones Cálculo Aptitud Rueda de la Ruleta Selección Cruce Mutación Evaluación Decodificación Codificación
    • EJEMPLO CON UN ALGORITMO GENÉTICO SIMPLE Selección Por RUEDA De La RULETA
      • Padres seleccionados => de acuerdo a su aptitud.
      • Mientras mejor => mayor chance de ser seleccionado => seleccionados más veces.
      • Cromosomas => ruleta =>de acuerdo a su aptitud
    • EJEMPLO CON UN A.G.S. Selección Rueda de La Ruleta
      • Pasos Previos
      • Hacer función aptitud => positiva.
      • Calcular Aptitud de cada Cromosoma eval (v i ) ( i = 1... tamaño de la población).
      • Calcular aptitud total de la población F :
    • EJEMPLO CON UN A.G.S. Selección Rueda de La Ruleta
      • Pasos Previos
      • Calcular probabilidad de selección para cada cromosoma p i :
      • Calcular probabilidad acumulada q i de cada cromosoma:
    • EJEMPLO CON UN A.G.S. Selección Rueda de La Ruleta
      • Procedimiento Selección:
      • Basado en “rodar” la ruleta tantas veces como => tamaño población.
      • Cada vez se selecciona un cromosoma de la siguiente forma:
        • Paso 1: Generar n (tamaño de la población) números aleatorios r en [0,1].
        • Paso 2: Si r  q 1 => seleccionar el primer cromosoma v 1 ; sino seleccionar el i cromosoma tal que q i-1 < r  q i
      • Un cromosoma puede ser seleccionado más de una vez.
      • Se espera =>
        • El mejor => más copias.
        • El promedio => nivelado.
        • El peor => muere.
    • EJEMPLO CON UN A.G.S. Selección Rueda de La Ruleta Cromosoma : 1 2 3 4 5 6 F.adapt: 200 190 180 170 160 150 Total : 1050 Prob: 0.19 0.18 0.17 0.16 0.15 0.14 Limite Intervalo: 0 0.19 0.37 0.54 0.70 0.85 0.99 Num aleat.: 0.2 0.1 0.44 0.5 0.9 0.7 Selección : 2 1 3 3 6 4
    • EJEMPLO CON UN A.G.S. Selección Rueda de La Ruleta Muestra de 6 números Aleatorios: 0.81, 0.32, 0.96, 0.01, 0.65, 0.42. Número Individuo 1 2 3 4 5 6 7 8 9 10 11 Valor Aptitud 2.0 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 Probabilidad Selección 0.18 0.16 0.15 0.13 0.11 0.09 0.07 0.06 0.03 0.02 0.0
    • ¿ POR QUÉ LOS A.G . FUNCIONAN ?
      • Los fundamentos teóricos de los A.G. =>basados en:
        • Representación de soluciones por cadenas binarias.
        • Noción de ESQUEMAS .
      • ESQUEMA =>
        • Se construye introduciendo el símbolo * (comodín) => no importa en el alfabeto de los genes => puede aparear ambos valores ( 0 o 1) .
        • Representa a todos los strings (subconjunto del espacio de búsqueda) => a los cuales puede aparear.
    • ¿ POR QUÉ LOS A.G . FUNCIONAN ?
      • Supon iendo => un alfabeto binario S={0,1} para construir un esquema se requiere ampliar el alfabeto anterior por medio del símbolo * .
      • Un esquema será cualquier ristra de caracteres formada a partir de elementos del alfabeto ampliado S`, siendo S`= (0,1*}.
      • Si la longitud de la ristra es L el numero de esquemas existentes es 3 L , ya que cada posición puede ocuparse por cualquiera de los tres elementos del alfabeto extendido S`. .
    • ¿ POR QUÉ LOS A.G . FUNCIONAN ?
      • Ejemplos
      • 1) (*111100100) => aparea dos strings:
        • { (0111100100), (1111100100) }
        • 2) (*1*1100100) => aparea cuatro strings:
        • { (0101100100), (0111100100), (1101100100), (1111100100) }
    • Optimización Restringida (OR) y Algoritmos Genéticos
      • OR => optimizar una función objetivo => en presencia de Restricciones.
      • OR => herramienta importante em Computación, Ingeniería, Matemáticas, Investigación de Operaciones => numerosos problemas prácticos => no pueden ser modelados “lineal”.
    • Optimización Restringida (OR) y Algoritmos Genéticos
      • Problema General de OR.
      • max f(x)
      • s.t g i (x)  0, i= 1,2,....m 1
      • h i (x) = 0, i= m 1 +1,...., m (= m 1 +m 2 )
      • x  X
      • Si un vector x satisface todas las restricciones => x solución factible al problema.
      • El conjunto de todas las soluciones => región factible.
    • Optimización Restringida (OR) y Algoritmos Genéticos
      • Si => funciones no lineales => métodos de solución complejos y poco eficientes.
      • Años pasados => esfuerzo creciente en aplicae AG.
      • Problema central => ¿cómo manejar las restricciones? => operadores genéticos => generan hijos infactibles.
      ¿OR y Algoritmos Genéticos?
    • Optimización Restringida (OR) y Algoritmos Genéticos
      • ¿Cómo Manejar Restricciones?
      • Se han propuesto diferentes técnicas para tratar las restricciones:
        • Estrategia de Rechazo.
        • Estrategia de Reparación.
        • Estrategia de Modificación de Operadores Genéticos.
        • Estrategia de Penalización.
    • Demo