Your SlideShare is downloading. ×
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
computacion evolutiva y computacion neuronal
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

computacion evolutiva y computacion neuronal

1,127

Published on

Inteligencia artificial - computación evolutiva y computación neuronal...Renzo Marrufo, universidad Cesar Vallejo Chimbote …

Inteligencia artificial - computación evolutiva y computación neuronal...Renzo Marrufo, universidad Cesar Vallejo Chimbote
renzo.marrufo@gmail.com

Published in: Education
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,127
On Slideshare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
48
Comments
0
Likes
1
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. UNIVERSIDAD CÉSAR VALLEJO Facultad de Ingeniería Escuela de Ingeniería de Sistemas INTELIGENCIA ARTIFICIALTEMA: 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. DEDICATORIAEste trabajo esta dedicado a nuestros adres, a nuestro señor Jesucristo y al docente responsable del cuso
  • 3. PRESENTACIÓNEl presente informe consta de dos temas sobre la computacion evolutiva ycomputacion neuronal.Cualquier sistema neuronal tiene como propósito el control centralizado de lasdistintas funciones que rigen el organismo. En el desarrollo de la tecnología de lainformación, actualmente parece existir una nueva fase donde el objetivo esreproducir 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 neuronaartificial, ventajas de las redes neuronales, aplicaciones de las redes neuronales.
  • 4. ÍndiceTEMA I............................................................................................................................................................... 5¿QUÉ ES LA COMPUTACION EVOLUTIVA? ........................................................................................... 6UN POCO DE HISTORIA............................................................................................................................... 6ESTRATEGIAS EVOLUTIVAS ..................................................................................................................... 8ALGORITMOS GENÉTICOS ...................................................................................................................... 10APLICACIONES DE LAS REDES NEURONALES ................................................................................ 17VENTAJAS DE LAS TÉCNICAS EVOLUTIVAS ..................................................................................... 12TEMA II ........................................................................................................................................................... 13CONCEPTO ................................................................................................................................................... 14LA NEURONA ARTIFICIAL ........................................................................................................................ 15Redes Neuronales en el campo de la Inteligencia Artificial ............................................................. 15VENTAJAS DE LAS REDES NEURONALES ......................................................................................... 16
  • 5. TEMA ICOMPUTACIÓN EVOLUTIVA
  • 6. ¿QUÉ ES LA COMPUTACION EVOLUTIVA?La computación evolutiva es una rama de la inteligencia artificial que involucra problemasde optimización combinatoria. Se inspira en los mecanismos de la Evolución biológica.Relacionada a la investigación de operaciones, teoría de algoritmos y teoría de lacomplejidad computacional.Estudia algoritmos de búsqueda y optimización inspirados en los mecanismos de lagenética y la selección natural. Estos algoritmos han sido aplicados exitosamente enáreas muy variadas: medicina, ingeniería, economía, robótica, aeronáutica, ybiotecnología entre otras. En este curso estudiaremos los paradigmas principales que seutilizan hoy en día en la computacion evolutiva: las estrategias evolutivas, la programacionevolutiva y los algoritmos genéticos. En cada caso se abordara su inspiración biológica,su motivación, su funcionamiento y algunas de sus aplicaciones. Finalmente estudiaremosen mayor detalle el funcionamiento, fundamentos teóricos, implementación y operación delos algoritmos genéticos, que constituyen actualmente el paradigma evolutivo masutilizado.UN POCO DE HISTORIADurante los años 50 se comenzó a aplicar los principios de Charles Darwin en laresolución de problemas.Durante los años 60 y 70, varias corrientes de investigación independientes comenzaron aformar lo que ahora se conoce como computación evolutiva:  Programación evolutiva  Estrategias Evolutivas  Algoritmos genéticos
  • 7. PROGRAMACION EVOLUTIVALawrence J. Fogel propuso en los 1960s una técnica denominada “ProgramaciónEvolutiva”, en la cual la inteligencia se ve como un comportamiento adaptativoLa Programación Evolutiva enfatiza los nexos de comportamiento entre padres e hijos, envez de buscar emular operadores genéticos específicos (como en el caso de losAlgoritmos Genéticos).El objetivo es hacer que el autómata reconozca un cierto conjunto de entradas (una ciertaexpresión 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, porlo que no se requiere el uso de un operador de recombinación (diferentes especies no sepueden 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 EVOLUTIVASLas estrategias evolutivas son métodos computacionales que trabajan con una poblaciónde individuos que pertenecen al dominio.Cada individuo de la población es un posible óptimo de la función objetivo; larepresentación 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 óptimoglobal.Las Estrategias Evolutivas fueron desarrolladas en 1964 en Alemania para resolverproblemas hidrodinámicos de alto grado de complejidad por un grupo de estudiantes deingeniería encabezado por Ingo RechenbergLa versión original (1+1)-EE usaba un solo padre y con él se generaba un solo hijo. Estehijo se mantenía si era mejor que el padre, o de lo contrario se eliminaba. A este tipo deselección se le llama extintiva, porque los peores individuos tienen una probabilidad cerode 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 unvector de números Gaussianos independientes con una media cero y desviación estándarσ.Rechenberg introdujo el concepto de población, al proponer una estrategia evolutivallamada (λ +1)-EE, en la cual hay λ padres y se genera un solo hijo, el cual puedereemplazar 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 hijossobreviven. • 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 deterministadurante el proceso evolutivo de tal manera que el procedimiento convergiera hacia elóptimo.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 debedecrementarse.Algunas aplicaciones de las Estrategias Evolutivas son:  Problemas de rutas y redes  Bioquímica  Óptica  Diseño en ingeniería  Magnetismo
  • 10. ALGORITMOS GENÉTICOSLos Algoritmos Genéticos (denominados originalmente “planes reproductivos genéticos”)fueron desarrollados por John H. Holland a principios de los 1960s [42, 43], motivado porsu interés en resolver problemas de aprendizaje de máquina.El algoritmo genético enfatiza la importancia de la cruza sexual (operador principal) sobreel de la mutación (operador secundario) y usa selección probabilística. El algoritmo básicoes 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 lacadena binaria se le llama “cromosoma”. Al bloque de bits que codifica una sola variabledel problema se le denomina “gen” y al valor dentro de cada posición cromosómica se lellama “alelo”.
  • 11. Para poder aplicar el algoritmo genético se requiere de los 5 componentes básicossiguientes:  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 LAS TÉCNICAS EVOLUTIVASEs importante destacar las diversas ventajas que presenta el uso de técnicas evolutivaspara 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 IICOMPUTACIÓN NEURONAL
  • 14. CONCEPTOLas redes de neuronas artificiales (denominadas habitualmente como RNA o en ingléscomo: "ANN") son un paradigma de aprendizaje y procesamiento automático inspirado enla forma en que funciona el sistema nervioso de los animales. Se trata de un sistema deinterconexión 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 redesneuronales.Darpa (1988), define una red neuronal como un sistema compuesto de muchos elementossimples de procesamiento los cuales operan en paralelo y cuya función es determinadapor la estructura de la red, el peso de las conexiones; realizándose el procesamiento encada uno de los nodos o elementos de computo.Según Haykin (1994), una red neuronal es un procesador paralelo masivamentedistribuido que tiene una facilidad natural para el almacenamiento de conocimientoobtenido de la experiencia para luego hacerlo utilizable. Se parece al cerebro en dosaspectos:  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 masivamenteen 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 haceel sistema nervioso biológico".
  • 15. Redes Neuronales en el campo de la Inteligencia ArtificialLA NEURONA ARTIFICIALCualquier modelo de red neuronal consta de dispositivos elementales de procesamiento:las neuronas. A partir de ellas, se pueden generar representaciones específicas, de talforma que un estado conjunto de ellas pueda significar una letra, un número o cualquierotro objeto. Generalmente se pueden encontrar tres tipos de neuronas:Aquellas que reciben estímulos externos, relacionas con el aparato sensorial, quetomarán la información de la entrada, denominadas unidades de entrada.Dicha información se transmite a ciertos elementos internos que se ocupan de suproceso. Es la sinapsis y neuronas correspondientes a este segundo nivel donde segenera cualquier tipo de representación interna de la información. Puesto que no tienenrelación directa con la información de entrada y de salida, estos elementos se denominanunidades ocultas.Una vez ha finalizado el periodo de procesado, la información llega a las unidades desalida, cuya misión es dar la respuesta del sistema.
  • 16. VENTAJAS DE LAS REDES NEURONALESDebido a su constitución las redes neuronales artificiales presentan un gran número decaracterísticas semejantes a las del cerebro: son capaces de aprender de la experiencia,de generalizar de casos anteriores a nuevos casos, de abstraer características esencialesa 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 LAS REDES 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 escritosMedio ambiente Analizar tendencias y patrones Previsión del tiempoFinanzas 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. CONCLUSIÓNCualquier sistema neuronal tiene como propósito el control centralizado de las distintasfunciones 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 lasfunciones neuronales artificialmente. Por ejemplo, la implementación de funcionessensoriales para hacer ver u oir a las máquinas.

×