1. Grupo de Computación Natural - UPM Introducción a la Inteligencia Artificial Algoritmos Bioinspirados Kiko Cisneros Alejandro Figueroa Paula Cordero

3. Algoritmos Bioinspirados

4. Redes de Neuronas Artificiales

5. Algoritmos Genéticos

6. Inteligencia Colectiva

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

10. Redes Neuronales Artificiales

12. Redes no supervisadas

14. Los nodos se caracterizan por tener:

15. Una función de Activación asociada

16. Un valor umbral

17. El aprendizaje puede ser online u offline:

18. ONLINE: La red puede aprender durante su funcionamiento

19. OFFLINE: El aprendizaje supone la desconexión de esta (mayor estabilidad)

23. El número de las entradas que puede recibir y categorizar es limitado.

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.

28. Cromosoma, Individuo:Vector completo que codifica la solución.

29. Gen: Parte de la solución. Elemento mínimo del cromosoma.

30. Locus: Posición de un gen en un cromosoma.

31. Alelo: Valores que pude tomar cada gen.

32. Fenotipo:Solución decodificada.

34. Codificación de los individuos decodificar Espacio fenotípico Espacio genotípico codificar Evaluación y Selección Operaciones Genéticas

35. Representación Binaria Cromosoma 1 1 1 1 0 0 0 0 Gen Alelos= {0,1} Genotipo: 8 bits Fenotipo: Entero, Número real, Secuencia…

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:

39. Se utilizan para problemas de secuenciación.

41. Obligatoriamente:

42. Completitud: cada solución se puede codificar en un cromosoma.

43. Cerradura: cada cromosoma equivale a una posible solución.

44. Preferiblemente:

45. Uniformidad: todas las soluciones deben estar representadas por la misma cantidad de cromosomas.

49. Desventaja: prematura convergencia hacia óptimos locales.Importante: diversidad estructural de la población. Convergencia Prematura

52. Población inicial generada aleatoriamente. Lanzamiento de moneda: 5*4=20 lanzamientos.

54. Selección

55. Mejora la población mediante un proceso en el cual se obtienen individuos de acuerdo a cierta ley de probabilidad

56. La probabilidad de ser elegido depende de la proximidad al optimo buscado

57. Sólo selecciona individuos entre la población existente

58. Mutación

59. Actúa con cierta probabilidad, sobre las cadenas, cambiando algunos de sus valores

60. Se obtiene individuos nuevos (pertenecientes ó no a la población actual)para ser evaluados

61. No existe el concepto de herencia

62. Cruce

63. Actúa con cierta probabilidad, obteniendo nuevos individuos llamados descendencia

64. Se emplean dos individuos padres, para generar una descendencia nueva de otros dos individuos (los cuales “heredan” características de sus padres)

67. Cruzamiento

68. Mutación

69. Representación

70. Combinar soluciones

72. Zaragoza – Barcelona (3)

73. Zaragoza – Valencia (3)

74. Valencia – Barcelona (2)

75. Madrid – Valencia (4)

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

78. Inteligencia Colectiva

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.

83. Preguntas Dudas…. Sugerencias…. Propuestas…