1. Grupo de Computación Natural - UPM Introducción a la Inteligencia Artificial Algoritmos Bioinspirados Kiko Cisneros Alejandro Figueroa Paula Cordero
8. Introducción II “El estudio de cómo lograr que las computadoras realicen tareas que por el momento, los humanos hacen mejor” ***** “La Inteligencia Artificial es un sistema programado y creado por el ser humano para lograr mejorar o agilizar las actividades que realiza el hombre”. [Rich y Knight]
9. Introducción III “La Inteligencia Artificial es la implementación de razonamientos inteligentes mediante técnicas propias de la Computación.” [Hayes] Sistemas de apoyo a la decisión Lingüística computacional Aplicaciones Médicas Robótica Mundos virtuales Análisis de sistemas dinámicos Videojuegos Minería de datos Smart Process Management
23. El número de las entradas que puede recibir y categorizar es limitado.
24.
25. Estructura de un AG INICIO t = 0 inicializar P(t) evaluar P(t) MIENTRAS (no se cumpla condición parada) HACER t = t + 1 seleccionar P(t) desde P(t-1) cruzar P(t) mutar P(t) evaluar P(t) END END Generar Población Inicial Evaluación Individuos Población final Solución Operadores Genéticos Generar Nueva Población
26. Representación de los individuos I Debemos disponer de un mecanismo para representar un individuo como un genotipo que se corresponde con una solución al problema (fenotipo). Existe un proceso de codificación (y su inverso de decodificación) que permite pasar de fenotipo a genotipo y viceversa. El tipo de representación depende de las características del problema a resolver. Una vez elegida una representación, tenemos que tener en cuenta cómo serán evaluados los genotipos y qué operadores genéticos hay que utilizar.
37. Representación Real Una forma natural de codificar una solución es utilizando valores reales como genes. Los individuos se representan como vectores de valores reales: La función de evaluación asocia a un vector un valor real de evaluación:
76. ….Siguiente generación: M – V – B = 3 + 3 = 6 M – Z – V – B = 2 + 3 + 3 = 8 …. Mínimo alcanzado Mínimo global Finaliza en Zaragoza - Barcelona Finaliza en Valencia - Barcelona
77. Ejemplo f(x)=x2 La diversidad genética de la población inicial favorece la convergencia al máximo valor. Los operadores exploran en anchura (exploración) y en profundidad (explotación) la solución. Excesiva exploración -> no converge el algoritmo Excesiva explotación -> convergencia prematura
79. Inteligencia Colectiva (I) Swarm Intelligence “Rama de la Inteligencia Artificial que se basa en el comportamiento colectivo de sistemas descentralizados y auto-organizados.”
80. Inteligencia Colectiva (II) Swarm Intelligence Colonias de hormigas Alineamiento de aves en vuelos Comportamientos de rebaños Crecimiento bacteriano Comportamiento de cardúmenes - Agentes simples que interactúan entre ellos y con su ambiente. - Siguen reglas simples. - No existe estructura de control. - Las interacciones locales conducen a un comportamiento emergente.