Download pdf - Alcala Casado Inteligencia Artificial

Inteligencia ArtificialInteligencia Artificial

Fco. Javier Alcal Casado

Normas de la asignaturaNormas de la asignatura

La asignatura consta de una parte terica y otra prctica.

La parte terica se evaluar con el correspondiente examen de teora: 80% de la nota

La parte prctica se realizar con el lenguaje de programacin LISP: 20% de la nota.

0.8 * Teora + 0.2 * Prctica 5.0

La no presentacin de la prctica significa la renuncia a la parte correspondiente de la nota final.

ProgramaPrograma

Introduccin histrica

Lenguaje de programacin LISP

Paradigmas de representacin del conocimiento

Frames

Sistemas de produccin

Paradigma lgico

Exploracin de espacios de estados. Bsqueda

Exploracin de rboles de juego

Planificacin

Aprendizaje simblico. ID3

Algoritmos genticos

BibliografaBibliografa Serradilla, F.; Barros, B. Representacin e Inferencia en Inteligencia Artificial.

Un Enfoque Prctico. Escuela Universitaria de Informtica, UPM. 1996.

Russell, S, Norvig, P. Artificial Intelligence, a modern approach. Prentice-Hall. 1995.

Barros, B; Foulqui, T; Serradilla, F. Programacin Funcional en Lisp. Escuela Universitaria de Informtica, UPM. 1992.

Feigenbaum y otros. The Handbook of AI (4 volmenes). Addison-Wesley.

Luger, G. F. & Stubblefield, W. A. Artificial Intelligence: structures andstrategies for complex problem solving.The Benjamin-Cummings Redwood City. 1993.

Nilsson, Nilss J. Principios de Inteligencia Artificial. Daz de Santos. 1987.

Rich, E. Inteligencia Artificial. Mac Graw-Hill. 1991.

Winston, P. H. Inteligencia Artificial. 3 ed. Addison-Wesley. 1992.

Winston, P. H. Lisp. Addison-Wesley. 1993.

Introduccin histricaIntroduccin histrica


Introduccin histricaIntroduccin histrica

El problema de la inteligencia

Objetivos de la inteligencia artificial (IA)

Historia Rama lgico-matemtica Rama de la psicologa Rama de la informtica Conferencia de Darmouth Rama de la simulacin Panorama actual

Los primeros sistemas

reas de estudio

El problema de la inteligenciaEl problema de la inteligencia

El principal problema de la inteligencia natural es que no tiene una fcil definicin

Hofstadter (1987): Inteligencia es la habilidad para

responder flexiblemente a diferentes situaciones,

saber aprovechar circunstancias fortuitas,

dar sentido a mensajes ambiguos o contradictorios,

encontrar similitudes entre situaciones diferentes, y

generar nuevos conceptos e ideas innovadoras

El problema de la inteligencia (II)El problema de la inteligencia (II)

La inteligencia artificial trata de imitar a la inteligencia natural. Cmo definirla?

Sistemas que piensan como humanos

(Bellman)

Sistemas que piensan racionalmente

(Winston)

Sistemas que actan como humanos

(Minsky)

Sistemas que actan racionalmente

(Luger)

Eficiencia humana

Procesos mentales y razonamiento

Conducta

Racionalidad

El problema de la inteligencia (III)El problema de la inteligencia (III)

Bellman (1978): IA es la automatizacin de actividades que vinculamos con procesos del pensamiento humano, actividades tales como toma de decisiones, resolucin de problemas, aprendizaje...

Winston (1992): La IA se ocupa del estudio de las computaciones que permiten percibir, razonar y actuar

Minsky (1986): IA es el arte de construir mquinas capaces de hacer cosas que requeriran inteligencia en caso de que fuesen hechas por los seres humanos

Luger (1989): IA es la rama de la informtica que trata de la automatizacin del comportamiento inteligente

Test de TuringTest de Turing

Turing (1950) dio una definicin emprica: el juego de la imitacin.

Test de Turing:

Puede saber el hombrede fuera en qu habitacinest la mquina?

Test de Turing (II)Test de Turing (II)

Para superar el test de Turing, una mquina debera ser capaz de:

procesar lenguaje natural: para poder establecer una comunicacin satisfactoria

representar el conocimiento: para guardar toda la informacin recibida antes o durante el interrogatorio

razonar automticamente: para utilizar esa informacin al responder a las preguntas y obtener conclusiones

autoaprendizaje de la mquina: para adaptarse a nuevas situaciones y detectar y extrapolar esquemas determinados

Test total de Turing: Tambin imita fsicamente. Necesita: Percepcin: Visin artificial, reconocimiento del habla

Robtica: Habilidades para andar, saltar, subir escaleras

Objetivos de la inteligencia artificialObjetivos de la inteligencia artificial

La IA es una ciencia multidisciplinar: matemticas, filosofa, psicologa e ingeniera

Objetivos de ingeniera: desarrollo de sistemas inteligentes mejorando otros anteriores para los que no existe un mtodo algortmico

Objetivos cientficos: comprender mejor el funcionamiento de la inteligencia, tanto en el hombre como en las mquinas (filosofa, psicologa) Es la inteligencia independiente del hardware? Cmo se interrelacionan las estructuras mentales? Qu reglas las gobiernan?

HistoriaHistoria

La IA es el punto de encuentro de varias lneas de investigacin

Rama lgico-matemtica

Rama de la psicologa

Rama de la informtica

Conferencia de Darmouth

Rama de la simulacin

Panorama actual

Rama lgico-matemticaRama lgico-matemtica

Mecanizacin de los procesos de razonamiento desde el punto de vista de la manipulacin de smbolos lgicos

Hitos importantes:

El primer esfuerzo de mecanizacin del pensamiento fueron los silogismos de Aristteles.

Leibniz construye el primer sistema axiomtico de lgica formal (clculo de predicados)

Euler formaliza la Teora de Grafos

Hilbert intent encontrar un conjunto de axiomas y un sistema formal que sintetizasen toda la matemticaGdel, con el teorema de incompletitud, demostr que no era posible

Rama de la psicologaRama de la psicologa

Estudia los fundamentos de la inteligencia en el hombre

Hitos importantes

Dualismo mente/cuerpo de Descartes. La mente constituye una entidad independiente del cuerpo y puede estudiarse por separado

Los primeros psiclogos (James, Wundt) estudiaron el pensamiento con una metodologa basada en la introspeccin (subjetiva, poco cientfica)

Los conductistas (Skinner) consideran a la mente como una caja negra capaz de asociar estmulos con respuestas

La psicologa cognitiva (Chomsky, Fodor) es el paradigma ms aceptado

Rama de la psicologa (II)Rama de la psicologa (II)

Caractersticas de la psicologa cognitiva:

Estructuralista: los modelos de la conducta se explican por estructuras abstractas

Los estmulos son procesados por el organismo para producir respuestas (no conductista)

Mentalismo: la mente utiliza representaciones simblicas de los conceptos y los procesos mentales manipulan los smbolos

Paradigma del procesamiento de la informacin: la mente funcionacomo un ordenador; los programas son teoras psicolgicas

Memoria semntica, modelo de memoria asociativa: los conceptos se representan por smbolos interrelacionados (redes semnticas)

Modularidad: los procesos mentales son afrontados por mdulos dbilmente acoplados

Rama de la psicologa (III)Rama de la psicologa (III)

Isomorfismo. Hofstadter: Dos sistemas son isomrficos cuando se puede encontrar un conjunto de reglas que traduzca o identifique estados de cualquiera de ellos en estados del otro.

Objeto Mundo

Representacin

CerebroConexiones

Mente

Rama de la informticaRama de la informtica

Inteligencia artificial inteligencia + artefactoEl ordenador se reconoce como el artefacto con mayor posibilidad de manifestar inteligencia

Hitos importantes Charles Babbage (principio siglo XIX) dise la primera

mquina capaz de desarrollar clculos automticos

Junto con Ada Lovelace dise la mquina analtica de propsito general introduciendo conceptos como la memoria, procesador, programas almacenados, saltos condicionales, etc.

Alan Turing (1937) propone la mquina de Turing.Cualquier procedimiento matemtico puede desarrollarse con dicha mquina con una tabla de instrucciones adecuada

Rama de la informtica (II)Rama de la informtica (II)

La Ciberntica o Teora de Sistemas (Wiener) puede aplicarse a sistemas biolgicos, sociales y artificiales.Se basa en la retroalimentacin negativa

CONTROL SISTEMA

SENSOR

Objetivo Error Actuacin

ComportamientoMedida

+

-

Objeciones de TuringObjeciones de Turing

En 1950, Turing publica Maquinaria de computacin e inteligencia. Propone el test de Turing, defiende la posibilidad de construir mquinas que piensen y enumera las posibles objeciones contra estas mquinas:

Teolgicas: la mente no reside en el cuerpo sino en el alma. Si se admite el dualismo, se niega la psicologaNo es cientfica

Del avestruz: si las mquinas pensaran, las consecuencias seran desastrosas; luego esto no puede ocurrirSin comentarios

Matemticas: el teorema de incompletitud de Gdel demuestra que en un sistema formal suficientemente complejo existen proposiciones indecidiblesLa mente humana no supera esta limitacin

Objeciones de TuringObjeciones de Turing

Ms objeciones:

De conciencia: las mquinas no saben lo que estn haciendo cuando trabajan.Minsky los tres estados de conciencia de un termostato

De las diversas incapacidades: una mquina nunca podr ser afectuosa, ingeniosa, amistosa, tener iniciativa...Ahora no, pero s podra en el futuro

Objecin de Lady Lovelace: una mquina slo realiza lo que sabemos cmo ordenarle que hagaSe le puede ordenar que sea inteligente

Objeciones de Turing (II)Objeciones de Turing (II)

Ms objeciones:

Continuidad del sistema nervioso: una mquina de estados discretos no puede emular al hombreLa discretizacin no supone limitaciones

Basadas en la informalidad de la conducta: el hombre no tiene un conjunto de reglas para regir su vida y las mquinas funcionan con reglasLas neuronas presentan un comportamiento rgido y de ellas surge comportamiento flexible inteligente

Basado en la percepcin extrasensorial: Test de TuringextrasensorialNo cientfica

Conferencia de DarmouthConferencia de Darmouth

Tuvo lugar en 1956

Todas las ramas anteriores confluyen en una nueva disciplina, agrupando a psiclogos, matemticos, informticos, neurlogos e ingenieros elctricos

John McCarthy acua el trmino de Inteligencia Artificial

Esta rama unificada de psiclogos cognitivos, lgico-matemticos y computacin simblica se denomina IA clsica o IA simblica

Rama de la simulacinRama de la simulacin

Tambin llamada IA conexionistaDesarrolla sistemas inteligentes imitando sistemas biolgicos con comportamiento inteligente (animales o seres humanos)

Su objetivo es construir cerebros artificiales formalmente similares a los cerebros biolgicos para dotarles de aprendizaje

Hitos importantes:

Clulas de McCulloch y Pitts (1943). Emulacin de neuronas con circuitos elctricos

Perceptrn (Rosenblatt, 1958). Mecanismo de aprendizaje mediante ajuste automtico de las conexiones de una red de neuronas

Perceptrn multicapa (Rumelhart, Hinton y Williams, 1986). Generalizacin del perceptrn

Algoritmos Genticos (Friedberg, 1958). Basados en la teora evolucionista de Darwin

Panorama actualPanorama actual

IA clsica + Rama de la Simulacin = Ciencia Cognitiva

Su objetivo es el estudio de los objetos con mente y los procesos implicados en el pensamiento

Cuestiones abiertas:

Objeciones al Test de Turing, orientado a resolucin de problemas, olvidando la percepcin, el aprendizaje y la destreza

Objeciones de la Habitacin china

Sabe chino el hombre de la habitacin?

Reglas

Smbolos

Panorama actual (II)Panorama actual (II)

Ms cuestiones abiertas:

Mezcla de tcnicas de IA clsica con tcnicas de la rama de simulacin

Importancia creciente del aprendizaje

Problema de los problemas de juguete

Evolucin desde los objetivos cientficos a los ingenieriles

Con ordenadores ms potentes se consideran mtodos que antes se desechaban

Herbert Simon: la complejidad demostrada por seres vivos se debe a la complejidad del medio con el que interactan ms que a la complejidad interna de sus programas Vida artificial

Los primeros sistemasLos primeros sistemas

Logic Theorist. Demostracin automtica de teoremas. Primer programa que utiliz smbolos en lugar de cantidades numricas

DENDRAL. Primer sistema experto para anlisis de datos de espectografa de masas (istopos)

SHRDLU. Comprensin del lenguaje natural y planificacin de tareas

Turochamp. Primer programa de ajedrez

Programa de damas de Samuel. Primer programa que incorpora aprendizaje

MYCIN. Sistema experto sobre infecciones bacterianas en sangre. Introduce el grado de certeza

PROSPECTOR. Sistema experto sobre bsqueda de yacimientos minerales

reas de estudioreas de estudio

La IA est en continua evolucin. reas ms relevantes:

Representacin del conocimiento: Modeliza el conocimiento en estructuras de datos adecuadas

Exploracin del espacio de estados: Busca soluciones en problemas modelizados con grafos

Heurstica: Conocimiento intuitivo. Atajos entre el estado actual y la solucin

Resolucin de problemas: Planificacin de tareas

Demostracin de teoremas: Programacin lgica

Teora de juegos: Estrategias de bsqueda (ajedrez)

Ingeniera del conocimiento (Sistemas Expertos): Requieren de la ayuda de un experto humano

reas de estudioreas de estudio

Ms reas de estudio:

Diagnstico: Establece hiptesis sobre el mal funcionamiento de un sistema

Aprendizaje: Refina el conocimiento inicial para hacerlo ms operativo

Comprensin del lenguaje natural (y traduccin automtica):

Percepcin computacional (reconocimiento de patrones): interpreta la informacin sensorial

Simulacin de procesos psicolgicos humanos: Estudia la inteligencia humana mediante procesos de simulacin

Sistemas multiagente: Coordinacin de la conducta inteligente entre un conjunto de agentes autnomos y heterogneos

Lenguaje de Programacin LISPLenguaje de Programacin LISP


Marco histricoMarco histrico

McCarthy lo cre en 1958

Se cre para procesar de listas en un proyecto de IA

La primera versin consuma mucha memoria (recurso caro)

Se crearon varias versiones: FRANZLISP, ZETALISP, MULISP, XLISP, LELISP, SCHEME...

Con el avance del hardware se solucion el problema de la memoria y surgi el estndar actual: COMMON LISP

Caractersticas de LISPCaractersticas de LISP

Lenguaje funcional. Utiliza las propiedades matemticas de las funciones

Simblico. Utiliza el smbolo como unidad fundamental Procesamiento de listas (LISt Procesing) Flexibilidad Utiliza la misma estructura para datos y cdigo Paso de funciones como parmetro (reusabilidad) Autodefinicin del lenguaje (entorno a la medida) Estructura de datos muy flexible (Garbage collector)

Recursividad. Definiciones muy claras y concisas

Interpretado. Desarrollo rpido de prototipos

Compacto: funcional + recursivo + listas

Lenguajes funcionalesLenguajes funcionales

La primitiva bsica es la funcin

Una funcin es una regla de correspondencia entre miembros de un dominio y miembros de un rango

Un programa es un conjunto de funciones que se llaman unas a otras y se pasan los datos en las llamadas

Una ventaja importante es la recursividad

La asignacin est definida y se utiliza; a pesar de ser considerado un lenguaje sin asignacin

Componentes de LISPComponentes de LISP

Conjunto de objetos o datos. Estructura fundamental: lista

Funciones primitivas. Aqullas aportadas inicialmente por el lenguaje

Operacin de aplicacin (read-eval-print loop). Primitiva encargada de gestionar y realizar el proceso de interpretacin: lectura-escritura-devolucin de resultados

Formas funcionales (DEFUN). Funciones definidas por el programador que pasan a formar parte del lenguaje como una primitiva ms

Operadores aplicativos. Funciones cuyos parmetros son otra funcin y los argumentos de esta otra funcin

Campos de aplicacin. FuncionalidadCampos de aplicacin. Funcionalidad

Campos de aplicacin:

Inteligencia Artificial

Entornos grficos

Funcionalidad:

No se deben utilizar variables globales dentro de funciones. Atenta contra la reusabilidad y la claridad del programa.En su lugar, se utilizan variables locales o paso de parmetros

No se deben utilizar estructuras iterativas, sino recursividad

Paradigmas de Representacin del ConocimientoParadigmas de Representacin del Conocimiento


Paradigmas de representacin del conocimientoParadigmas de representacin del conocimiento

Computacin sobre representaciones

Tipos de conocimiento

Uso del conocimiento

Tipos de razonamiento

Tipos clsicos de representacin:

Frames (marcos)

Sistemas de produccin

Paradigma lgico

Exploracin de espacios de estados

Computacin sobre representacionesComputacin sobre representaciones

Una estructura de datos no representa conocimiento. Es necesario establecer mecanismos para acceder y relacionar distintas partes del conocimiento

Un sistema inteligente se divide en:

representaciones del conocimiento y

computaciones sobre estas representaciones

Paradigma C-R

Se independiza el proceso de resolucin del problema, inferencia, de la naturaleza del mismo

Computacin sobre representaciones (II)Computacin sobre representaciones (II)

Problema Representacin

Inferencia

Modelizacin

Solucin Explicacin

Tipos de conocimientoTipos de conocimiento Objetos. Conceptos con entidad propia

Eventos. Especifican sucesos en el tiempo

Reglas de inferencia. Indican cmo obtener nuevo conocimiento a partir del que ya tiene el sistema

Conocimiento procedural. Indica la manera de realizar determinadas cosas. Son las computaciones sobre las representaciones. El cmo

Metaconocimiento. Conocimiento a nivel ms abstracto. Da una idea de cul es la mejor manera de resolver un problema

Conocimiento declarativo. Representa los conceptos que intervienen en el problema. Hechos, reglas y metaconoci-miento. El qu

Ejemplo del MetroEjemplo del Metro

Definir un sistema que permita calcular el camino ms corto entre dos estaciones:

Objetos: las estaciones

Eventos: las horas a las que pasan los trenes

Reglas de inferencia: determinan a qu estaciones puedo pasar a partir de una dada

Conocimiento procedural: cmo encontrar un camino entre dos estaciones

Metaconocimiento: para encontrar un camino debo buscar explorando hacia la estacin destino

Uso del conocimientoUso del conocimiento

Problemas que se plantean con el uso del conocimiento:

Adquisicin. Los modelos de representacin deben ser capaces de recoger nueva informacin para que se integre con la adquirida anteriormente, completndola o actualizndola

Recuperacin. El acceso a parte del conocimiento debe ser sencilla y eficiente.La memoria asociativa humana relaciona informacin con un contexto

Razonamiento. Permite obtener nuevo conocimiento a partir del que ya se tiene. Este conocimiento est implcito, pero es de difcil obtencin

Tipos de razonamientoTipos de razonamiento

Formal. Deduce, con reglas de inferencia, estructuras de datos manipulando sintcticamente otras estructuras (gramticas generativas)

Procedural. Razonamiento mediante la ejecucin de determinados algoritmos

Por analoga. Razonamiento por semejanza. Frecuente en los humanos

Generalizacin y abstraccin. Proceso de obtencin de conocimiento ms refinado a partir de otro ms simple

Tipos clsicos de representacinTipos clsicos de representacin

La representacin se divide en dos partes: conocimiento declarativo e inferencia o conocimiento procedural

Conocimiento declarativo (K). Representa objetos y conceptos que intervienen en el problema.Es dependiente del problema

Hechos (H): cosas ciertas en un momento dado. Constituyen la memoria de trabajo (a corto plazo)

Reglas (R): conocimiento a largo plazo. Permiten obtener nuevo conocimiento a partir del que ya se tiene

Metaconocimiento (M): ayuda a la inferencia a manipular las reglas para obtener un hecho concreto

Tipos clsicos de representacin (II)Tipos clsicos de representacin (II)

Inferencia o conocimiento procedural (I): Representa el modo de obtener nuevo conocimiento a partir del que ya se tiene en un instante dado.Es independiente del problema

Paradigmas clsicos de representacin

Frames (marcos) H: Valores de atributos R: Herencia y demonios I: Funciones de manipulacin, equiparacin

Sistemas de produccin H: Ternas objeto-atributo-valor R: Reglas de produccin M: Parmetros, metarreglas I: Encadenamiento de reglas

Tipos clsicos de representacin (III)Tipos clsicos de representacin (III)

Paradigma lgico K (H y R): Clculo de predicados, reglas lgicas, clusulas de

Horn I: Unificacin, resolucin

Exploracin de espacios de estados H: Estados R: Transiciones de estado M: Funciones heursticas I: Algoritmos de bsqueda

Sistemas de ProduccinSistemas de Produccin


Sistemas de ProduccinSistemas de Produccin

Introduccin

Hechos

Reglas

Metaconocimiento

Motor de Inferencia

Mdulo de explicacin

IntroduccinIntroduccin

En los sistemas de produccin se representa el conocimiento mediante hechos, reglas de produccin y metaconocimiento.

Motor deInferencia

Hechos

Reglas

Metaconocimiento

Mdulo deExplicacin

Introduccin (II)Introduccin (II)

Base de hechos: conjunto de todos los hechos

Base de reglas: conjunto de todas las reglas

El metaconocimiento establece criterios para aplicar las reglas

El motor de inferencia permite obtener nueva informacin a partir de la inicial

El mdulo de explicacin justifica las conclusiones que se han obtenido.

HechosHechos

Los hechos se representan por ternas Objeto-Atributo-Valor

(, , )

Ejemplos:

(rayo, es-un, caballo)

(veloz, es-un, caballo)

(cometa, es-un, caballo)

(rayo, valioso, s)

(veloz, hijo-de, cometa)

(cometa, rpido, s)

ReglasReglas

Tienen el siguiente formato:

IF AntecedenteTHEN Consecuente

Una terna en el antecedente es cierta slo si existe en la base de hechos

Si se aplica la regla, se ejecutan todas las acciones del consecuente, que pueden ser nuevas ternas o llamadas a funcin

R1:IF (X, es-un, caballo) AND (X, hijo-de, Y) AND

(Y, es-un, caballo) AND (Y, rpido, s)THEN (X, valioso, s)

MetaconocimientoMetaconocimiento

El metaconocimiento ayuda a determinar qu regla se aplica cuando hay varias aplicables

Criterios de aplicacin de reglas: La primera regla de la base de reglas

Azar

La ms especfica (con ms elementos en el antecedente)

La ms genrica (con menos elementos en el antecedente)

La ms recientemente utilizada

La menos recientemente utilizada

La que aada ms informacin (con ms elementos en el consecuente)

Todas

Metaconocimiento (II)Metaconocimiento (II)

Si tras aplicar todos los criterios, sigue habiendo varias posibilidades, se elige la primera regla en orden de aparicin

Las metarreglas son reglas que expresan cundo debemos dar preferencia a una regla concreta

Ejemplo:Si la consulta es sobre gripe,entonces dar preferencia a las reglas R3 y R4

Motor de InferenciaMotor de Inferencia

Repetir

Establecer el conjunto conflicto (CC). Se obtienen todas las reglas cuyo antecedente se equipara con los elementos de la base de hechos y se especifica una lista de pares (regla, sustitucin)

Seleccionar un nico par (regla, sustitucin) con los criterios establecidos por el metaconocimiento

Disparar la regla seleccionada. Se aplica la sustitucin y se aaden a la base de hechos las ternas del consecuente. Si ya existe el atributo del objeto en alguna terna del CC, se actualiza su valor para evitar inconsistencias

Hasta que el hecho buscado est en la base de hechos o la base de hechos no haya cambiado

Mdulo de explicacinMdulo de explicacin

Se encarga de dar una justificacin a posteriori de las conclusiones a las que ha llegado el sistema

Se guarda una traza para saber qu reglas y en qu orden se han utilizado, as como los hechos que permitan utilizarlas y las conclusiones intermedias

FramesFrames


FramesFrames

Introduccin

Estructura de un frame

Herencia

Demonios

Tipos de facets

Representacin en LISP

Funciones de manipulacin de frames

Inferencia en frames


Un frame es una estructura activa de almacenamiento de informacin

Utiliza mecanismos para buscar automticamente un dato si ste no se encuentra en el propio frameEstos mecanismos son:

Herencia: mediante una relacin de jerarqua, busca el dato solicitado en otros frames

Demonios (o valores activos): son funciones que son llamadas automticamente cuando se hace referencia a ciertos datos

Un frame se puede relacionar con otro con relaciones de pertenencia, inclusin o de usuario

Estructura de un frameEstructura de un frame

Un frame es una estructura con compartimentos en los que se guarda la informacin.Representa un objeto

Se compone de:

Atributos (slots): cada uno de los compartimentos

Valores: el contenido del compartimento

Facetas (facets): indica cmo se puede utilizar el conocimiento del slot

Pedro

ES-UN

Profesin

Altura

Value Hombre

PintorDefault

180Value

HerenciaHerencia

Si A tiene una relacin de instancia o de subclase con B, los atributos de A que no tengan ningn valor lo toman de los que tengan esos mismos atributos en B

Una relacin de instancia se define a travs del atributo IS-A (ES-UN). Su valor ser el nombre del frame del que hereda

Una relacin de subclase se define a travs del atributo AKO (a kind of)

En una cadena de herencia puede haber varios atributos AKO, pero slo uno IS-A

DemoniosDemonios

Los demonios o valores activos son funciones que se disparan automticamente cuando se almacenan o se recuperan datos en un frame

Un demonio tiene dos parmetros: frame y slot

IF-NEEDED se dispara al intentar recuperar el valor de un atributo que no tiene ningn valor asociado. Proporciona la informacin requerida ejecutando un algoritmo

El demonio ASK pregunta al usuario el valor de un atributo

IF-ADDED se dispara despus de asignar un valor a un atributo

Tipos de facetsTipos de facets

Un sistema bsico dispone de los siguientes facets:

Value: el contenido del slot es un valor literal

Default: el contenido del slot es un valor por defecto (slo se devuelve si no est definido el facet Value)

Range: indica el rango de valores vlidos para el slot

IF-ADDED: el contenido del slot es un demonio IF-ADDED

IF-NEEDED: el contenido del slot es un demonio IF-NEEDED

Representacin en LISPRepresentacin en LISP

Hay dos maneras:

Representacin muy eficiente pero incmoda de manipular:

( Frame1 Frame2 ... FrameN )donde cada Frame-i es ( Slot1 ... SlotN )donde cada Slot-i es ( Facet1 ... FacetN )donde cada Facet-i es ( )

Representacin muy sencilla de manipular pero menos eficiente:

( E1 E2 ... EN)donde cada Ei es un par( ( ) )

Funciones de manipulacin de framesFunciones de manipulacin de frames

FPUT permite aadir informacin al sistema

( FPUT Frame Slot Valor &OPTIONAL (Facet value) )

FGET permite recuperarla

( FGET Frame Slot &OPTIONAL (Origen Frame) (Is-a T) )

FFIND encuentra los frames que mejor se equiparan con ciertas restricciones

( FFIND ( Slot1 Valor1 ) ( Slot2 Valor2 ) ... ( SlotN ValorN ) )

Inferencia en framesInferencia en frames

La inferencia en frames se realiza de distintas maneras:

Con los valores por defecto

A travs de la herencia, cuando se solicita un valor que no est en el frame, pero s en sus antecesores

A travs de los demonios, cuando se disparan procedimientos para calcular el valor solicitado

A travs de la equiparacin, cuando se busca en la base de frames con FFIND

Paradigma lgicoParadigma lgico


Paradigma lgicoParadigma lgico

Introduccin

Unificacin de predicados

Encadenamiento de reglas dirigido por el objetivo


Procesamiento realizado por el lenguaje de programacin PROLOG

Representacin basada en:

Trminos: variables (A, B, X), constantes (juan, 2, caballo) y funciones cuyos argumentos son trminos (f(x), padre(juan))

Predicados: smbolos de n argumentos (que son trminos) que toman valor verdadero o falso

caballo(X), valioso(veloz), es-padre(veloz, padre(cometa))

Clusulas de Horn: hechos o reglas formadas por varios antecedentes (conjuncin) y un consecuente

consecuente :- antecedente1, antecedente2 ...

La disyuncin se representa aadiendo reglas

Unificacin de predicadosUnificacin de predicados

La unificacin es un proceso por el cual se transforman dosexpresiones lgicas para hacerlas idnticasNo siempre es posible realizarla

Algoritmo para unificar dos predicados:

Los smbolos de los predicados han de ser iguales y con el mismonmero de argumentos. Si no se termina con FALLO

Por cada trmino de ambos predicados puede suceder: Si un trmino es una variable y el otro es cualquier trmino que

no contenga a esa variable, se sustituye la variable por el trmino Si los dos trminos son constantes con el mismo valor, ya estn

unificados. Si el valor es distinto se termina con FALLO Si los trminos son funciones, debern llamarse igual y tener el

mismo nmero de argumentos. Se aplica recursivamente el algoritmo a los argumentos de la funcin Si no se cumple ningn caso, se termina con FALLO

Ejemplos de unificacin de predicadosEjemplos de unificacin de predicados

Unificar: {tos(X), tos(juan)}

{amigo(X,Y), amigo(andres,julio)}

{colocado(X,Y,atras), colocado(X,grande,X)}

{B(a,g(X,b),Y), B(Z,g(c,b),d)}

{A(X,g(Y)), A(c,Y)} FALLO

{A(X,g(Y)), A(c,Z)}

Encadenamiento de reglas dirigido por el objetivoEncadenamiento de reglas dirigido por el objetivo1. Se parte de una lista L de objetivos O1 O2 ... On2. Seleccin

2.1 Seleccionar un objetivo Oi por orden de aparicin2.2 Seleccionar una clusula Rj por orden de aparicin.

Renombrar sus variables.Si el consecuente de Rj puede unificarse con Oi, se crea una nueva rama realizando las sustituciones necesarias;si no se puede unificar la rama termina en FRACASO

3. Resolucin: Oi se sustituye en L por el antecedente de Rj . A todas las clusulas de L se les aplica las sustituciones de la unificacin

4. Si L vaca la rama termina en XITOsi no, volver al paso 2

El algoritmo termina cuando se han recorrido todas las ramas

Mtodos de Exploracin en Espacios de EstadosMtodos de Exploracin en Espacios de Estados


Mtodos de exploracin en espacios de estadosMtodos de exploracin en espacios de estados

Introduccin

Algoritmos de bsqueda

Expansin de un camino

Esquema bsico de un algoritmo de bsqueda

Mtodo de escalada

Primero el mejor

Algoritmo A*

Representacin en rbol


La exploracin de espacios de estados es una de las tcnicas ms importantes en IA

Se manejan estados (hechos del problema), transiciones(reglas) y funciones heursticas (metaconocimiento). La inferencia se realiza a travs de algoritmos de bsqueda

Un estado es cada configuracin posible de un problema. Se representan con estructuras de datos.Ej: Problema del Metro estado: estar en la estacin X

Los sucesores son los estados que se pueden alcanzar en un nico paso desde un estado. Son el resultado de una transicin de estadoEj: Metro sucesores: estaciones consecutivas


Una transicin permite obtener una lista de estados a los que se llega desde un estado previo tras la aplicacin de operaciones definidas en el dominio del problema.Se describe con un algoritmo y puede tener un costeasociado.Ej: Metro coste: tiempo medio entre estaciones

Una funcin heurstica o heurstico es una funcin matemtica que devuelve un valor numrico menor cuanto ms cerca est un estado cualquiera del estado objetivo. El valor no tiene por qu ser exacto.Ej: Metro funcin: distancia eucldea entre estaciones

Introduccin (III)Introduccin (III)

Elementos a definir para la exploracin de espacios de estados:

Una estructura de datos para los estados

Operaciones aplicables a un estado para obtener nuevos estados (y un coste asociado, si es preciso)

Una funcin heurstica que devuelva la proximidad entre un estado cualquiera y el estado objetivo

Una funcin que determine si un estado X es o no un estado solucin

Algoritmos de bsquedaAlgoritmos de bsqueda

Un algoritmo de bsqueda permite encontrar, desde un estado inicial, una secuencia de estados hasta alcanzar el estado objetivo.

Cada estado intermedio es consecuencia de aplicar una regla de transicin al estado precedente

Se llama camino a una secuencia de estados que lleva de un estado a otro

Camino solucin es el que va desde el estado inicial hasta el estado objetivo

Camino parcial es el que va desde el estado inicial hasta un estado que no es solucin (estado actual)

Expansin de un caminoExpansin de un camino

La expansin de un camino C resulta de aadir a C cada uno de los nuevos estados alcanzables desde el ltimo estado de C. Se excluyen los caminos cclicos, es decir, los que llegan a un nodo que ya est incluido en C

EXPANDIR ( C )

Calcular los sucesores del ltimo estado de C utilizando reglas de transicin

Inicializar R = { }

Para cada sucesor Ei que no est en CAadir a la lista R un nuevo camino, obtenido de aadir a C el estado Ei

Devolver R

Expansin de un camino (II)Expansin de un camino (II)

Camino = (A B D)

EXPANDIR ( Camino )Sucesores: B, C, E, FR = { }R = { (A B D C) }R = { (A B D C), (A B D E) }R = { (A B D C), (A B D E), (A B D F) }

En LISP, las listas se crean a la inversa

A

C

B

D F

E

Esquema bsico de un algoritmo de bsquedaEsquema bsico de un algoritmo de bsqueda

BUSCAR ( INICIO OBJETIVO HEURISTICO COSTE )

1. Formar la lista CP de caminos pendientes (lista de posibles caminos solucin). Inicialmente CP contiene el estado INICIO

2. Mientras CP { } y estado actual del primer camino OBJETIVO Expandir primer camino obteniendo una nueva lista E Quitar de CP el primer camino Formar una nueva lista CP combinando CP y E y la

informacin de HEURISTICO y COSTE

3. Si CP = { }, devolver FALLOen caso contrario, devolver como solucin el primer camino

Mtodo de escaladaMtodo de escalada

ESCALADA ( INICIO OBJETIVO HEURISTICO )


2. Mientras CP { } y estado actual del primer camino OBJETIVO Expandir primer camino obteniendo una nueva lista E Quitar de CP el primer camino Ordenar E de menor a mayor segn el valor devuelto por

HEURISTICO Aadir E por delante a la lista CP


Se da prioridad a los nuevos caminos ms prometedores

Representacin en rbolRepresentacin en rbol

Se coloca en la raz el estado inicial

Por cada estado seleccionado se indica en el rbol el nmero de iteracin con un recuadro y se aaden sus descendientes (expansin)

Se selecciona el siguiente nodo a expandir segn el algoritmo de exploracin que se est utilizando

Junto a cada nodo se anota el valor de la funcin heurstica (para escalada y primero el mejor) o de la funcin de estimacin (para A*).En el A* se sealan tambin las podas realizadas por la programacin dinmica (PD)

Problemas del mtodo de escaladaProblemas del mtodo de escalada

Sensible a mnimos locales: un mnimo local se produce cuando estando en un estado la funcin heurstica se hace mnima localmente. Esto lleva a caminos que no conducen a la solucin o a caminos ms largos

Mesetas: se produce cuando la funcin heurstica toma valores similares en todos los caminos pendientes. El progreso hacia la solucin es lento

Importancia del heurstico: un buen heurstico debe dar valores bajos cuando el estado actual est cerca de la solucin.Un heurstico ideal nos guiara hacia la solucin con un coste computacional mnimo y con el menor nmero de nodos

Primero el mejorPrimero el mejor

PRIMERO_EL_MEJOR ( INICIO OBJETIVO HEURISTICO )


2. Mientras CP { } y estado actual del primer camino OBJETIVO Expandir primer camino obteniendo una nueva lista E Quitar de CP el primer camino Aadir E por detrs a la lista CP Ordenar la nueva lista CP de menor a mayor segn el valor

devuelto por HEURISTICO


La ordenacin se realiza en todos los caminos pendientes

Da mejores resultados que el mtodo de escalada con mayor carga computacional

Algoritmo A*Algoritmo A*

A* encuentra la solucin ptima siempre que la funcin heurstica cumpla la condicin de minorancia:

h(e) h*(e) "eh(e) valor del heurstico en el estado eh*(e) coste real del menor camino desde e hasta el estado solucinLa distancia eucldea cumple la condicin de minorancia

Utiliza dos nuevos elementos:

Programacin dinmica: si hay dos caminos que llegan al mismo nodo, se eliminan los de mayor coste

Funcin de estimacin: f(c) = g(c) + h(c)g(c) coste acumulado desde el inicio hasta el estado actualh(c) valor del heurstico desde el estado actual hasta el objetivof(c) estimacin del coste total que tendr el camino solucin

Algoritmo A* (II)Algoritmo A* (II)

A* ( INICIO OBJETIVO HEURISTICO COSTE )


2. Mientras CP { } y estado actual del primer camino OBJETIVO Expandir primer camino obteniendo una nueva lista E Quitar de CP el primer camino Aadir E por detrs a la lista CP Ordenar la nueva lista CP de menor a mayor segn la funcin

de estimacin (HEURISTICO + COSTE acumulado) Aplicar programacin dinmica: si hay dos caminos que llegan

al mismo nodo, se elimina el de mayor coste


Exploracin de rboles de JuegosExploracin de rboles de Juegos


Exploracin de rboles de juegoExploracin de rboles de juego

Introduccin

Juegos de suma cero

Implementacin de juegos

Los jugadores y la heurstica

Algoritmo Minimax

Algoritmo Alfa-beta


Shannon (1950) public Programando un ordenador para jugar al ajedrez

El ajedrez plantea problemas similares a los de la deduccin lgica: hay que elegir entre varias situaciones posibles y el objetivo no est totalmente definido

El modelo discreto que define Shannon se conoce como rbol de juego y el modelo matemtico como teora de juegos de suma cero de dos jugadores con informacin completa

Juego de suma cero: aqul en el que los intereses de los jugadores son contrarios. Si uno gana el otro pierde

Juego de informacin completa: aqul en el que cada jugador conoce las posibles jugadas que puede realizar el adversario

Juegos de suma ceroJuegos de suma cero

Caractersticas:

Suelen ser juegos de dos contrarios con turno alternativo

Terminan en dos o tres resultados posibles: ganar, perder o tablas (no se da en todos)

Cada movimiento implica una eleccin sobre todas las jugadas posibles. La eleccin sigue criterios determinados por el juego y no depende del azar (como en los dados, cartas...)

En todo momento los jugadores conocen las jugadas ya realizadas y las que se pueden realizar

Cada jugador tiene un n determinado de movimientos en un momento dado. El rbol resultante es finito

Implementacin de juegosImplementacin de juegos

Son necesarios 4 elementos:

abstraccin de datos: para almacenar y representar el tablero (estado del juego)

generador de movimientos: genera todas las posibles jugadas inmediatas a partir de una situacin del juego

funcin heurstica: devuelve un valor, llamado valor esttico, que evala cmo de favorable es cada jugada para orientar al algoritmo de bsqueda

estrategia de bsqueda: permite decidir qu estrategia es la ms apropiada en cada momento

Los jugadores y la heursticaLos jugadores y la heurstica

Se consideran dos jugadores, MAX y MIN, que intentan maximizar y minimizar la funcin heurstica

MAX (ordenador) elige la posicin que tenga ms valor en la evaluacin de la funcin heurstica

MIN (adversario) elige la posicin con menos valor

La funcin heurstica debe asignar valores tanto mayores cuanto mejor sea el estado del juego. Los valores debern ser positivos para MAX y negativos para MIN

Si MAX gana, la funcin devolver +; si gana MIN, -

Algoritmo MinimaxAlgoritmo Minimax

El objetivo es encontrar una buena jugada rpidamente

La generacin y la exploracin del rbol estn separadas

Algoritmo:

Generar el rbol con profundidad n etiquetando cada nivel con MAX y MIN, alternativamente. El primer nivel es MAX

Calcular los valores estticos para los nodos hoja

Explorar desde el nivel n hasta la raz: Si el nivel es MIN, elegir el menor valor de sus nodos hijos.

Si el nivel es MAX, elegir el mayor valor de sus nodos hijos Etiquetar el nodo con ese valor

Elegir como mejor jugada la correspondiente al valor elegido por el nodo raz

Algoritmo Alfa-betaAlgoritmo Alfa-beta Alfa-beta mejora el minimax utilizando dos valores: alfa (a): asociado a MAX; no puede decrecer; inicio, a = - beta (b): asociado a MIN; no puede crecer; inicio, b = +

ALFA-BETA (nodo, profundidad, F, a, b, jugador)

Iniciar a, b localmenteSi profundidad = 0 es final de juego, devolver FSi jugador = MIN

Repetir hasta terminar todos los hijos a bV = ALFA-BETA ( HIJOi, profundidad-1, F, a, b, MAX)Si V < b entonces b = V

Si a b, devolver - (corte b); si no, devolver bSi jugador = MAX

Repetir hasta terminar todos los hijos a bV = ALFA-BETA ( HIJOi, profundidad-1, F, a, b, MIN)Si V > a entonces a = V

Si a b, devolver + (corte a); si no, devolver a

Planificacin de TareasPlanificacin de Tareas


Planificacin de TareasPlanificacin de Tareas

Visin general

Mtodo STRIPS

Operador STRIPS

Algoritmo STRIPS

Cogercuchillo

Visin GeneralVisin General

La planificacin pertenece al campo de resolucin de problemas

La planificacin se basa en la divisin de un problema en subproblemas ms pequeos que se resuelven por separado. La combinacin de todas las subsolucionesforma la solucin del problema original

Barra depan entera

Tenedor enla mano

Pan cortado

Cortarpan

Dejartenedor Mano libre Cuchillo en

la mano

Visin General (II)Visin General (II)

La planificacin debe encontrar un conjunto de acciones, operaciones o tareas que transformen un estado inicial en un estado objetivo

La solucin del problema estar formada por una sucesin de operaciones denominado plan

PLAN = { Dejar Tenedor, Coger Cuchillo, Cortar Pan }

Visin General (II)Visin General (II)

El primer planificador, desarrollado por Newell y Simon(1957), fue el sistema GPS (General Problem Solver). Su objetivo era resolver cualquier tipo de problema

La principal aportacin de GPS a los planificadores de tareas se centra en la organizacin de los datos:

Selector: atributo que define una caracterstica relevante del entorno del problema (subobjetivos)

Estado: conjunto de selectores que definen una situacin del mundo en un instante concreto

Operador: accin que transforma un estado en otro

Mtodo STRIPSMtodo STRIPS

STRIPS (STanford Research Institute Problem Solver) utiliza la lgica para mejorar la resolucin del problema

Utiliza gran parte de los elementos del sistema GPS

Realiza una exploracin en profundidad sobre el espacio de estados del problema (despliega un rbol)

Opcionalmente, proporciona un mecanismo de aprendizaje utilizando la informacin de tareas resueltas previamente (tablas triangulares)

Operador STRIPSOperador STRIPS

Un operador STRIPS consta de los siguientes elementos:

Nombre del operador

Parmetros del operador. Son opcionales

Precondiciones (P): lista de selectores que se tienen que cumplir para poder aplicar el operador

Lista de Adicin (A): lista de selectores que se aaden al estado actual al aplicar el operador

Lista de Supresin (S): lista de selectores que se suprimen del estado actual al aplicar el operador

Algoritmo STRIPSAlgoritmo STRIPS

STRIPS consiste en seleccionar un operador que permita alcanzar el objetivo al aplicarlo. Las precondiciones pasan a ser subobjetivos que deben alcanzarse

Se seguir descomponiendo hasta que todas las precondiciones se cumplan y se pueda aplicar el operador

Un nodo de exploracin contiene dos variables:

ESTADO, que almacena el estado en ese nodo

PILA, que almacena selectores, operadores y conjunciones de selectores

Un nodo de FALLO es aqul en el cual, para alcanzar un determinado objetivo A, es necesario que A se cumpla

Algoritmo STRIPS (II)Algoritmo STRIPS (II)ESTADO = ESTADO_INICIAL; PILA = OBJETIVO

REPETIR HASTA que PILA = todos los nodos sean de FALLOSI la cima de la PILA es un operadorENTONCES aplicarlo y obtener el nuevo ESTADO (suprimiendo y

aadiendo selectores), suprimirlo de la cima (PLAN++)SI la cima de la PILA es una conjuncin de selectoresENTONCES SI se verifica la conjuncin

ENTONCES suprimirla de la cimaEN CASO CONTRARIO aadir la precondicin que falla

SI la cima de la PILA es un selector ESTADOENTONCES suprimirlo de la cimaEN CASO CONTRARIO

SI el selector aparece ms abajo en la PILAENTONCES es un nodo de FALLO, la rama se aborta

y recorre otra rama en profundidad

Determinar operadores que contenga en su listade adicin el selector de la cima de la pila

POR CADA operadorAadir la instancia del operadorAadir la conjuncin de sus precondicionesAadir cada una de sus precondiciones

SI PILA ENTONCES devolver FALLO, no hay solucinEN CASO CONTRARIO hemos ejecutado el PLAN

Aprendizaje Simblico a partir de EjemplosAprendizaje Simblico a partir de Ejemplos


Aprendizaje Simblico a partir de EjemplosAprendizaje Simblico a partir de Ejemplos

Introduccin

Parmetros del algoritmo ID3

Algoritmo ID3

Generacin de las reglas derivadas del rbol ID3


El aprendizaje automtico se puede clasificar en: Mtodos simblicos: basados en smbolos Sintticos o inductivos: ID3 Analticos o deductivos

Mtodos subsimblicos: basados en cantidades numricas

El objetivo del algoritmo ID3 consiste en clasificar varios elementos, utilizando ejemplos y valores de condicin, representndolos en forma de rbol de decisin

Cada ejemplo es un individuo

Los valores de condicin son propiedades

Los elementos se clasifican segn el valor de una propiedad concreta binaria llamada resultado (con 2 valores posibles)


El rbol de decisin resultante determina el conjunto al que pertenece un individuo segn los valores que toman alguna de sus propiedades (no todas) Cada nodo interno representa una propiedad

Cada rama es un valor posible de esa propiedad

Cada hoja es un valor de la propiedad resultado

Un individuo nuevo se clasifica atravesando las ramas del rbol hasta llegar a una propiedad resultado REGLAS

Para clasificar los individuos se utiliza la idea de entropa.La entropa mide la cantidad de informacin necesaria para representar los datos de un conjunto (n bits).A menor valor de entropa, mayor orden en los datos

Parmetros del algoritmo ID3Parmetros del algoritmo ID3 Del conjunto inicial de ejemplos se definen: nt: nmero total de ejemplos c: valores posibles para el resultado nc: n individuos que tienen el valor c como resultado P: nombre de las propiedades d: propiedad decisora de la propiedad resultado b: valores posibles para una propiedad d nb: n individuos con valor b para una propiedad

nbc: n individuos con valor b para una propiedad y un valor c para un resultado

Pc: probabilidad de que un individuo tenga como resultado valor c (Pc = nc / nt)

Pb: probabilidad de que suceda b (Pb = nb / nt)

Pbc: probabilidad de que suceda c suponiendo que sucede b (Pbc= nbc / nb )

Parmetros del algoritmo ID3 (II)Parmetros del algoritmo ID3 (II) Estos parmetros se utilizan para calcular la entropa:

Entropa de un conjunto

Entropa del valor de una propiedad decisora

Entropa media de una propiedad decisora

(Recordatorio: ; si x=0, )

Un conjunto es homogneo si todos los ejemplos dan como resultado el mismo valor cUn conjunto es equilibrado si los valores de su propiedad resultado son equiprobables (mxima entropa)

-=-=c c t

c

t

ccc n

nnn

PPEntropa 22 loglog

-=-=c c b

bc

b

bcbcbc n

nnn

PPbEntropa 22 loglog)(

-*=*=db c b

bc

b

bc

db t

bb n

nnn

nn

bEntropaPddiaEntropaMe 2log)()(

2lnln

log2x

x = 0log2 =xx

Algoritmo ID3Algoritmo ID3

ID3 ( Conjunto, P )SI Entropa = 0

Devolver un nodo hoja etiquetado con la claseSI NO

Calcular EntropiaMedia(P)Seleccionar la PROPIEDAD con menor EntropiaMediaHacer PROPIEDAD raz del rbol actualBorrar PROPIEDAD de PPara cada valor b de PROPIEDAD

Crear una rama del rbol etiquetada con bCrear CONJUNTOb con todos los elementos con valor b

para PROPIEDADID3 ( CONJUNTOb, P )

Generacin de las reglas derivadas del rbol ID3Generacin de las reglas derivadas del rbol ID3

A partir del rbol ID3 generado se puede obtener un conjunto de reglas para clasificar nuevos individuos

Cada nodo hoja genera una regla diferente

Para ello:

Se recorre el rbol desde la raz hasta las hojas

El antecedente de cada regla se crea tomando la etiqueta de la raz ms la etiqueta de la rama que recorre

Se aade un AND por cada pareja raz-rama que se recorre

El consecuente de la regla es el nodo hoja

Aprendizaje con Algoritmos GenticosAprendizaje con Algoritmos Genticos


Aprendizaje con Algoritmos GenticosAprendizaje con Algoritmos Genticos

Introduccin

Componentes de un Algoritmo Gentico

Representacin de individuos

Procedimientos generales de eleccin aleatoria

Operador seleccin

Operador emparejamiento

Operador mutacin

Algoritmo general


Los algoritmos genticos son adecuados cuando se dispone de mecanismos para establecer el rendimiento de un sistema, modificando ciertos parmetros

El problema de aprendizaje consiste en encontrar una configuracin adecuada de los parmetros, para que el rendimiento sea ptimo

Ejemplo: ajuste del flujo de agua de un generador hidroelctrico para que la produccin elctrica sea mxima

Los algoritmos genticos se apoyan en las teoras evolutivas de Charles Darwin (1859, El Origen de las Especies)


En cada generacin se crea un nuevo conjunto de individuos utilizando parte del material gentico de los mejores individuos de la generacin anterior

Objetivos de los algoritmos genticos:

abstraer y explicar los procesos adaptativos de los sistemas naturales

disear sistemas artificiales basados en estos procesos

La principal caracterstica es la robustez del sistema

Surge una nueva rama, la Programacin Gentica: generacin automtica de programas que evolucionan para resolver cada vez mejor la tarea encomendada

Principios de Evolucin por Seleccin NaturalPrincipios de Evolucin por Seleccin Natural

1. Cada individuo tiende a transmitir sus rasgos a su progenie

2. La naturaleza produce individuos con rasgos diferentes

3. Los individuos ms adaptados, cuyos rasgos son ms favorables para desenvolverse en el medio, tienden a producir ms progenie

4. Durante largos perodos de tiempo se puede acumular la variacin produciendo nuevas especies completamente adaptadas a nichos particulares

Componentes de un Algoritmo GenticoComponentes de un Algoritmo Gentico

Los componentes bsicos de un algoritmo gentico son los siguientes:

Una representacin para los individuos

Una funcin de calidad, que da una medida del grado de adaptacin de un individuo al medio

Un operador seleccin, con probabilidad de seleccin de cada individuo proporcional a la calidad (principio 3)

Un operador emparejamiento o reproduccin, que producir nuevos individuos en la siguiente generacin (principio 1)

Un operador mutacin, capaz de alterar el cdigo de los nuevos individuos, incrementando la riqueza gentica de la poblacin (principio 2)

Representacin de IndividuosRepresentacin de Individuos

Se utiliza la idea de cromosoma, que es una secuencia que determina la estructura de un individuo

La secuencia es de longitud L y se compone de caracteres que pertenecen a un alfabeto W. Cada carcter es un gen

Dado un cromosoma C, se puede construir el individuo I al que representa aplicando una funcin

Normalmente se utiliza el alfabeto binario, W = {0,1}

Procedimientos Generales de Eleccin AleatoriaProcedimientos Generales de Eleccin Aleatoria

Se utiliza una funcin random(), devuelve un real [0,1)

Hay tres situaciones en las que es necesario realizar elecciones aleatorias:

A) Ejecutar una accin con probabilidad p:

IF (random() < p) THEN

B) Elegir entre N elementos equiprobables: Generar random() y ver dnde cae Elegir el elemento correspondiente al tramo en el que caiga el

valor aleatorio

E1 E2 E30 1/N 2/N 3/N 1...

Procedimientos Generales de Eleccin Aleatoria (II)Procedimientos Generales de Eleccin Aleatoria (II)

C) Elegir entre N elementos no equiprobables: Calcular las probabilidades acumuladas Generar random() y ver dnde cae

E1 E2 E30 a1 a2 a3 1...

=

=k

iik pa

1

Operador SeleccinOperador Seleccin

Cada vez que se necesita, se extraen ciertos individuos de la poblacin. Para ello, se calcula la probabilidad de seleccin de cada individuo proporcional a la calidad

Existen dos mtodos: estndar y del rango

Mtodo estndar:

Establecer la calidad de cada individuo de la poblacin

Calcular la probabilidad de seleccin de cada individuo dividiendo cada calidad por la calidad total

Elegir un individuo entre N elementos no equiprobables(procedimiento C)

Operador Seleccin (II)Operador Seleccin (II)

Mtodo del rango:

Fijar una probabilidad a priori de eleccin, p

Establecer la calidad de cada individuo de la poblacin

Ordenar los individuos segn su calidad (de mayor a menor)

Para cada individuo i desde 1 hasta N-1 Elegir, con probabilidad p, el individuo i (procedimiento A)

Si se ha elegido uno, salir y devolver dicho individuo

Si no se ha elegido ninguno, devolver el individuo N

Operador EmparejamientoOperador Emparejamiento

Este operador intercambia informacin gentica entre dos individuos seleccionados

Dados 2 individuos a emparejar:

Ejecutar el emparejamiento con probabilidad Pe(procedimiento A). Si no hay que emparejar, salir.

Elegir un punto de corte de las cadenas entre 1 y L-1 (procedimiento B)

Las cadenas que representan a los individuos se parten en dos trozos y se intercambian, dando lugar a dos individuos nuevos

Operador MutacinOperador Mutacin

Altera aleatoriamente el cdigo gentico de un individuo para variar ligeramente sus caractersticas

Permite que aparezcan rasgos en los nuevos individuos que no existan antes en la poblacin original

La probabilidad de aplicacin de este operador debe ser pequea

Dado 1 individuo a mutar:

Para cada gen del cromosoma, hacer: Con probabilidad Pm (procedimiento A), cambiar el valor del

gen por un nuevo valor. El nuevo valor se elige (procedimiento B) sobre los elementos del alfabeto W

Algoritmo GeneralAlgoritmo GeneralEVOLUCIONAR (NI Pe Pm N) Generar una POBLACION aleatoria de NI individuos Repetir hasta haber realizado N iteraciones Hacer NUEVA_POBLACION = { } Repetir hasta que NUEVA_POBLACION tenga NI individuos

Aplicar operador SELECCIN para extraer 2 individuos de POBLACION

Aplicar operador EMPAREJAMIENTO con probabilidad Pe a los individuos seleccionados.Esto genera 2 nuevos individuos

Aplicar operador MUTACION con probabilidad Pm a cada individuo generado en el paso anterior

Aadir el resultado a NUEVA_POBLACION Copiar NUEVA_POBLACION en POBLACION

Devolver el individuo con mayor calidad de POBLACION