Inteligencia computacional

Inteligencia Computacional (IC) es una rama de la inteligencia artificial centrada en el estudio

de mecanismos adaptativos para permitir el comportamiento inteligente de sistemas complejos
y cambiantes. Se presenta como una alternativa a la GOFAI ("Good Old-Fashioned Artificial
Intelligence"), tratando de no confiar en algoritmos heursticos tan habituales en la Inteligencia
Artificial ms tradicional. Dentro de la Inteligencia Computacional podemos encontrar tcnicas
como las Redes Neuronales, Computacin Evolutiva, Swarm Intelligence, Sistemas Inmunes
Artificiales o Sistemas difusos. Tambin se relaciona con tcnicas como los Fractales, Teora
del Caos, Wavelets, Autmata celular, etc.
La Inteligencia Computacional combina elementos de aprendizaje, adaptacin, evolucin y
Lgica difusa para crear programas que son, en cierta manera, inteligentes. La investigacin en
Inteligencia Computacional no rechaza los mtodos estadsticos, pero muy a menudo aporta
una vista complementaria. Las Redes Neuronales son una rama de la inteligencia
computacional muy relacionada con el aprendizaje automtico.
Computacin evolutiva
cmo el conocimiento almacenado en la forma de memoria puede ser tiles en gentica
p r o g r a m m i n g -smbolo basado en y regresin
control robtico.
La aplicacin de los
algoritmos culturales,
una clase de evolutivo
mtodos que los
extraer y reutilizar
dominio del conocimiento,
Deshacer cambios
http://ieeexplore.ieee.org/xpl/tocresult.jsp?isnumber=4129833&punumber=10207

Red neuronal artificial

De Wikipedia, la enciclopedia libre
Saltar a: navegacin,
bsqueda
Red neuronal artificial perceptrn simple con n neuronas de entrada, m neuronas en su capa
oculta y una neurona de escape.
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como:
"ANN"[1] ) son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma
en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin
de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia
artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.
http://es.wikipedia.org/wiki/Red_neuronal_artificial

Lgica difusa
De Wikipedia, la enciclopedia libre
La lgica difusa o lgica heuristica se basa en lo relativo de lo observado
como posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero
contextualizados y referidos entre s. As, por ejemplo, una persona que mida 2 metros es
claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha
establecido en 1 metro. Ambos valores estn contextualizados a personas y referidos a una
medida mtrica lineal.
Funcionamiento
La lgica difusa ("fuzzy logic" en ingls) se adapta mejor al mundo real en el que vivimos, e
incluso puede comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor",
"no es muy alto", "el ritmo del corazn est un poco acelerado", etc.
La clave de esta adaptacin al lenguaje, se basa en comprender los cuantificadores de
nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teora de conjuntos difusos se definen tambin las operaciones de unin, interseccin,
diferencia, negacin o complemento, y otras operaciones sobre conjuntos (ver tambin
subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus elementos,
que indican en qu medida el elemento forma parte de ese conjunto difuso. Las formas de las
funciones de pertenencia ms tpicas son trapezoidal, lineal y curva.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente),
donde el antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o
resultado de operar con ellos. Sirvan como ejemplos de regla heurstica para esta lgica
(ntese la importancia de las palabras "muchsimo", "drsticamente", "un poco" y "levemente"
para la lgica difusa):
SI hace muchsimo calor ENTONCES aument drsticamente la temperatura.
SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.
Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces. Los
resultados de dichos mtodos son un rea final, fruto de un conjunto de reas solapadas entre
s (cada rea es resultado de una regla de inferencia). Para escoger una salida concreta a
partir de tanta premisa difusa, el mtodo ms usado es el del centroide, en el que la salida
final ser el centro de gravedad del rea total resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser
formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este caso
de redes neuronales para fortalecer las futuras tomas de decisiones.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables de entrada de
un sistema. El motor de inferencias se basa en chips difusos, que estn aumentando
exponencialmente su capacidad de procesamiento de reglas ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de la siguiente
manera:

Funcionamiento de un sistema de control difuso.

En la figura, el sistema de control hace los clculos con base en sus reglas heursticas,
comentadas anteriormente. La salida final actuara sobre el entorno fsico, y los valores sobre el
entorno fsico de las nuevas entradas (modificado por la salida del sistema de control) seran
tomadas por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un coche que se
autorregula segn las necesidades: Los chips difusos del climatizador recogen los datos de
entrada, que en este caso bien podran ser la temperatura y humedad simplemente. Estos
datos se someten a las reglas del motor de inferencia (como se ha comentado antes, de la
forma SI... ENTONCES... ), resultando un rea de resultados. De esa rea se escoger el
centro de gravedad, proporcionndola como salida. Dependiendo del resultado, el climatizador
podra aumentar la temperatura o disminuirla dependiendo del grado de la salida.

[editar] Aplicaciones
[editar] Aplicaciones generales
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy alta y no
existen modelos matemticos precisos, para procesos altamente no lineales y cuando se
envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en Japn, y
cada vez se est usando en gran multitud de campos. La primera vez que se us de forma
importante fue en el metro japons, con excelentes resultados. A continuacin se citan algunos
ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto,
por ejemplo, existe el lenguaje FSQL.
...y, en general, en la gran mayora de los sistemas de control que no dependen de un
S/No.

[editar] Lgica difusa en inteligencia artificial

En Inteligencia artificial, la lgica difusa, o lgica borrosa se utiliza para la resolucin de una
variedad de problemas, principalmente los relacionados con control de procesos industriales
complejos y sistemas de decisin en general, la resolucin y la compresin de datos. Los
sistemas de lgica difusa estn tambin muy extendidos en la tecnologa cotidiana, por ejemplo
en cmaras digitales, sistemas de aire acondicionado, lavarropas, etc. Los sistemas basados
en lgica difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser
mucho ms rpidos. Estos sistemas son generalmente robustos y tolerantes a imprecisiones y
ruidos en los datos de entrada. Algunos lenguajes de programacin lgica que han incorporado
la lgica difusa seran por ejemplo las diversas implementaciones de Fuzzy PROLOG o el
lenguaje Fril.
Consiste en la aplicacin de la lgica difusa con la intencin de imitar el razonamiento humano
en la programacin de computadoras. Con la lgica convencional, las computadoras pueden
manipular valores estrictamente duales, como verdadero/falso, s/no o ligado/desligado. En la
lgica difusa, se usan modelos matemticos para representar nociones subjetivas, como
caliente/tibio/fro, para valores concretos que puedan ser manipuladas por los ordenadores.
En este paradigma, tambin tiene un especial valor la variable del tiempo, ya que los sistemas
de control pueden necesitar retroalimentarse en un espacio concreto de tiempo, pueden
necesitarse datos anteriores para hacer una evaluacin media de la situacin en un perodo
anterior...

[editar] Ventajas e inconvenientes

Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema de
control basado en lgica difusa: ofrece salidas de una forma veloz y precisa, disminuyendo as
las transiciones de estados fundamentales en el entorno fsico que controle. Por ejemplo, si el
aire acondicionado se encendiese al llegar a la temperatura de 30, y la temperatura actual
oscilase entre los 29-30, nuestro sistema de aire acondicionado estara encendindose y
apagndose continuamente, con el gasto energtico que ello conllevara. Si estuviese regulado
por lgica difusa, esos 30 no seran ningn umbral, y el sistema de control aprendera a
mantener una temperatura estable sin continuos apagados y encendidos.
Tambin est la indecisin de decantarse bien por los expertos o bien por la tecnologa
(principalmente mediante redes neuronales) para reforzar las reglas heursticas iniciales de
cualquier sistema de control basado en este tipo de lgica.
http://es.wikipedia.org/wiki/L%C3%B3gica_difusa

[ edit ] DefinitionDefinicin
The field of Artificial Immune Systems (AIS) is concerned with abstracting the structure and
function of the immune system to computational systems, and investigating the application of
these systems towards solving computational problems from mathematics, engineering, and
information technology. El campo de los Sistemas Inmunes Artificiales (SIA) se refiere a la
abstraccin de la estructura y la funcin del sistema inmune a los sistemas computacionales, y
la investigacin de la aplicacin de estos sistemas en la solucin de problemas de clculo de
tecnologa matemticas, la ingeniera y la informacin. AIS is a sub-field of Biologically-inspired
computing , and Natural computation , with interests in Machine Learning and belonging to the
broader field of Artificial Intelligence . AIS es una sub-campo de la computacin inspirada
biolgicamente y computacin natural , con intereses en Aprendizaje Automtico y que
pertenece a la esfera ms amplia de la Inteligencia Artificial .
Artificial Immune Systems (AIS) are adaptive systems, inspired by theoretical immunology and
observed immune functions, principles and models, which are applied to problem solving. [ 1 ]
Sistemas Inmunes Artificiales (SIA) son sistemas adaptativos, inspirados en la inmunologa
terica y observada funciones inmunes, principios y modelos que se aplican a la resolucin de
problemas. [1]
AIS is distinct from computational immunology and theoretical biology that are concerned with
simulating immunology using computational and mathematical models towards better
understanding the immune system, although such models initiated the field of AIS and continue
to provide a fertile ground for inspiration. AIS es distinta de cmputo inmunologa y biologa
terica que tienen que ver con la simulacin de inmunologa usando modelos computacionales
y matemticos para lograr una mejor comprensin del sistema inmunolgico, aunque estos
modelos iniciado el mbito de la AIS y seguir siendo un terreno frtil para la inspiracin. Finally,
the field of AIS is not concerned with the investigation of the immune system as a substrate
computation, such as DNA computing . Finalmente, el campo de AIS no se refiere a la
investigacin del sistema inmune como un clculo sustrato, tal como la computacin ADN .

[ edit ] History [ editar ] Historia

AIS began in the mid 1980s with Farmer, Packard and Perelson's (1986) and Bersini and
Varela's papers on immune networks (1990). AIS comenz a mediados de 1980 con Farmer,
Packard y de Perelson (1986) y Bersini y Varela trabajos sobre redes inmunes (1990).
However, it was only in the mid 90s that AIS became a subject area in its own right. Sin
embargo, no fue hasta mediados de los 90 que AIS se convirti en un tema por derecho propio.
Forrest et al. (on negative selection ) and Kephart et al. [ 2 ] published their first papers on AIS
in 1994, and Dasgupta conducted extensive studies on Negative Selection Algorithms. Forrest
et al. (En la seleccin negativa ) y Kephart et al. [2] public sus primeros trabajos en el AIS en
1994, y Dasgupta realizado extensos estudios sobre algoritmos de seleccin negativa. Hunt
and Cooke started the works on Immune Network models in 1995; Timmis and Neal continued
this work and made some improvements. Hunt y Cooke comenz las obras en los modelos de
red inmune en 1995; Timmis y Neal continu este trabajo y nos hizo algunas mejoras. De
Castro & Von Zuben's and Nicosia & Cutello's work (on clonal selection ) became notable in
2002. De Castro & Von Zuben y el trabajo de Nicosia Cutello (en la seleccin clonal ) se hizo
notable en 2002. The first book on Artificial Immune Systems was edited by Dasgupta in 1999.
El primer libro sobre sistemas inmunolgicos artificiales fue editado por Dasgupta en 1999.
New ideas, such as danger theory and algorithms inspired by the innate immune system , are
also now being explored. Las nuevas ideas, como la teora de peligro y los algoritmos
inspirados en el sistema inmune innato , tambin estn siendo exploradas. Although some
doubt that they are yet offering anything over and above existing AIS algorithms, this is hotly
debated, and the debate is providing one the main driving forces for AIS development at the
moment. Aunque algunos dudan de que estn todava ofrecer nada ms all de los algoritmos
existentes AIS, esto es objeto de acalorados debates, y el debate est proporcionando una de
las principales fuerzas motrices del desarrollo AIS en el momento. Other recent developments
involve the exploration of degeneracy in AIS models, [ 3 ] [ 4 ] which is motivated by its
hypothesized role in open ended learning and evolution. [ 5 ] [ 6 ] Otros acontecimientos
recientes implican la exploracin de la degeneracin en modelos AIS, [3] [4] , que est
motivado por su papel en la hiptesis de extremo abierto de aprendizaje y evolucin. [5] [6]
Originally AIS set out to find efficient abstractions of processes found in the immune system but,
more recently, it is becoming interested in modelling the biological processes and in applying
immune algorithms to bioinformatics problems. Originalmente AIS se puso a buscar
abstracciones eficiente de los procesos que se encuentran en el sistema inmunitario pero, ms
recientemente, se est convirtiendo interesado en el modelado de los procesos biolgicos y en
la aplicacin de algoritmos inmunes a los problemas de la bioinformtica.
In 2008, Dasgupta and Nino [ 7 ] published a textbook on Immunological Computation which
presents a compendium of up-to-date work related to immunity-based techniques and describes
a wide variety of applications. En 2008, Dasgupta y Nino [7] public un libro de texto sobre
Computacin inmunolgica que presenta un compendio de trabajo hasta al fecha relacionada
con la inmunidad basados en tcnicas y describe una amplia variedad de aplicaciones.

[ edit ] Techniques [ editar ] Tcnicas

The common techniques are inspired by specific immunological theories that explain the
function and behavior of the mammalian adaptive immune system . Las tcnicas ms comunes
son inspirados por las teoras inmunolgicas especficas que explican la funcin y el
comportamiento del mamfero del sistema inmune adaptativo .
Clonal Selection Algorithm : A class of algorithms inspired by the clonal selection theory of
acquired immunity that explains how B and T lymphocytes improve their response to antigens
over time called affinity maturation . Algoritmo de seleccin clonal : Una clase de algoritmos
inspirados en la seleccin clonal teora de la inmunidad adquirida que explica como B y T
linfocitos mejorar su respuesta a los antgenos a travs del tiempo se llama maduracin de la
afinidad . These algorithms focus on the Darwinian attributes of the theory where selection is
inspired by the affinity of antigen-antibody interactions, reproduction is inspired by cell division ,
and variation is inspired by somatic hypermutation . Estos mtodos se centran en los
darwinianos atributos de la teora, donde la seleccin se inspira en la afinidad de las
interacciones antgeno-anticuerpo, la reproduccin se inspira en la divisin celular , y la
variacin es inspirada por hipermutacin somtica . Clonal selection algorithms are most
commonly applied to optimization and pattern recognition domains, some of which resemble
parallel hill climbing and the genetic algorithm without the recombination operator. [ 8 ]
Algoritmos de seleccin clonal son los ms comnmente aplicado a la optimizacin y
reconocimiento de patrones dominios, algunos de los cuales se asemejan paralelo escalada
colina y el algoritmo gentico sin que el operador recombinacin. [8]
Negative Selection Algorithm : Inspired by the positive and negative selection processes that
occur during the maturation of T cells in the thymus called T cell tolerance . Algoritmo de
seleccin negativa : Inspirado por los procesos de seleccin positiva y negativa que se producen
durante la maduracin de las clulas T en los timo llamados tolerancia de clulas T . Negative
selection refers to the identification and deletion ( apoptosis ) of self-reacting cells, that is T cells
that may select for and attack self tissues. Seleccin negativa se refiere a la identificacin y
supresin ( apoptosis ) de las clulas auto-reaccin, es decir las clulas T que pueden seleccionar
 para y atacar a los tejidos propios. This class of algorithms are typically used for classification
and pattern recognition problem domains where the problem space is modeled in the
complement of available knowledge. Esta clase de algoritmos se utilizan tpicamente para la
clasificacin y el patrn de dominios de problemas de reconocimiento donde se modela el
espacio del problema en el complemento de los conocimientos disponibles. For example in the
case of an anomaly detection domain the algorithm prepares a set of exemplar pattern
detectors trained on normal (non-anomalous) patterns that model and detect unseen or
anomalous patterns. [ 9 ] Por ejemplo en el caso de una deteccin de anomalas dominio del
algoritmo prepara un conjunto de detectores de patrones ejemplares formados en normales (no
anmalos) que los patrones de modelo y detectar patrones invisibles o anmala. [9]
Immune Network Algorithms : Algorithms inspired by the idiotypic network theory proposed by
Niels Kaj Jerne that describes the regulation of the immune system by anti-idiotypic antibodies
(antibodies that select for other antibodies). Algoritmos inmunes de red : Algoritmos inspiradas
en la red idiotpica teora propuesta por Niels Jerne Kaj que describe la regulacin del sistema
inmune mediante anticuerpos antiidiotpicos (anticuerpos que seleccionan para otros
anticuerpos). This class of algorithms focus on the network graph structures involved where
antibodies (or antibody producing cells) represent the nodes and the training algorithm involves
growing or pruning edges between the nodes based on affinity (similarity in the problems
representation space). Esta clase de mtodos se centran en las estructuras de red involucrados
grfico donde los anticuerpos (o clulas productoras de anticuerpos) representan los nodos y el
algoritmo de entrenamiento consiste en cultivar o bordes de poda entre los nodos basado en
afinidad (similitud en el espacio de representacin problemas). Immune network algorithms
have been used in clustering, data visualization, control, and optimization domains, and share
properties with artificial neural networks . [ 10 ] Algoritmos inmunes de red han sido utilizados
en la agrupacin, visualizacin de datos, control, y los dominios de optimizacin, y comparten
propiedades con redes neuronales artificiales . [10]
Dendritic Cell Algorithms : The Dendritic Cell Algorithm (DCA) is an example of an immune
inspired algorithm developed using a multi-scale approach. Algoritmos de clulas dendrticas : El
Algoritmo de clulas dendrticas (DCA) es un ejemplo de un algoritmo inspirado inmune
desarrollado utilizando un enfoque multi-escala. This algorithm is based on an abstract model of
dendritic cells (DCs). Este algoritmo se basa en un modelo abstracto de las clulas dendrticas
(DCs). The DCA is abstracted and implemented through a process of examining and modeling
various aspects of DC function, from the molecular networks present within the cell to the
behaviour exhibited by a population of cells as a whole. El DCA es abstrado y aplicado a travs
de un proceso de examinar y modelar diversos aspectos de la funcin DC, a partir de las redes
moleculares presentes en la clula para el comportamiento exhibido por una poblacin de
clulas como un todo. Within the DCA information is granulated at different layers, achieved
through multi-scale processing. [ 11 ] Dentro de la informacin DCA se granula en diferentes
capas, que se logra a travs de mltiples escalas de procesamiento. [11]
http://en.wikipedia.org/wiki/Artificial_immune_system
Computacin evolutiva
De Wikipedia, la enciclopedia libre
Saltar a: navegacin,
bsqueda
La computacin evolutiva es una rama de la inteligencia artificial que involucra problemas de
optimizacin combinatoria. Se inspira en los mecanismos de la Evolucin biolgica.

Contenido
[ocultar]
1 Historia
2 Algoritmos evolutivos
3 Aspectos a considerar
4 Enlaces externos

[editar] Historia
Durante los aos 50 se comenz a aplicar los principios de Charles Darwin en la resolucin de
problemas. Durante los aos 60 y 70, varias corrientes de investigacin independientes
comenzaron a formar lo que ahora se conoce como computacin evolutiva:
Programacin evolutiva
Estrategias Evolutivas
Algoritmos genticos
La programacin evolutiva naci en la dcada de 1960 y su creador fue Lawrence J. Fogel.
Este desarrollo comenz como un esfuerzo encaminado a crear inteligencia artificial basado en
la evolucin de mquinas de estado finitas.
Las estrategias evolutivas fueron propuestas por Ingo Rechenberg y Hans-Paul Schwefel en la
dcada de 1970. Su principal objetivo era el de optimizar de parmetros.
Los algoritmos genticos fueron propuestos por John H. Holland en 1975 y su motivacin inicial
fue la de proponer un modelo general de proceso adaptable.

[editar] Algoritmos evolutivos

Artculo principal: Algoritmo evolutivo.
De manera general la computacin evolutiva toma como base las ideas de la evolucin
propuestas por Charles Darwin y en los descubrimientos realizados por Gregor Mendel en el
campo de la gentica. A continuacin se muestra el pseudocdigo de un algoritmo evolutivo
genrico.
t:= 0
Inicializacin P(t)
Evaluacin P(t)
Hacer
P'(t):= variacin[P(t)]
Evaluacin[P'(t)]
P(t+1):= seleccin[P'(t) U Q]
t:= t+1
Mientras no se cumpla condicin de trmino
Donde:
La inicializacin es la creacin de la poblacin inicial ( ), usualmente asignando
valores aleatorios a cada individuo.
representa una poblacin de individuos en la generacin .
La evaluacin es la asignacin de un indicador de aptitud (o capacidad para resolver el
problema propuesto), para cada individuo de la poblacin , mediante la aplicacin
de una funcin de desempeo.
es una poblacin construida a partir de la aplicacin de operadores como
recombinacin y mutacin, sobre la poblacin .
es un conjunto especial de individuos que pueden ser considerados para la
seleccin. Este conjunto puede ser vaco. Adems, su utilizacin varia dependiendo del
mtodo de seleccin que se utilice.
La poblacin de la generacin siguiente ( ) se obtiene a partir de la seleccin
a partir de la unin de la poblacin modificada, y los individuos eligibles, ;
considerando la funcin de desempeo utilizada.
La condicin de trmino es un criterio que indica cundo se debe poner fin a la
bsqueda. Este criterio puede ser un nivel de convergencia, un nmero de
generaciones mximo, o un tiempo de ejecucin mximo, entre otros
Cabe hacer notar que los operadores de variacin, la seleccin y la manera en que son
utilizados dependen del enfoque que se est ocupando. Por ejemplo, la aplicacin de la
mutacin no es la misma en los Algoritmos gentico que en las Estrategias evolutivas.

[editar] Aspectos a considerar

Entre los principales aspectos a considerar en el diseo de algoritmos evolutivos se encuentran
los siguientes:
La eleccin de una codificacin (representacin de las variables del problema en el
algoritmo evolutivo) tiene un gran efecto en el tamao del Espacio de bsqueda y por
ende, en el tiempo y dificultad de resolucin.
La funcin de desempeo (fitness function), la cual considera en la funcin objetivo o
funcin de la cual se desea obtener el valor ptimo.
Los algoritmos evolutivos poseen diversos parmetros los cuales deben ser
cuidadosamente elegidos para obtener un buen desempeo y evitar problemas tales
como la Convergencia prematura.
http://es.wikipedia.org/wiki/Computaci%C3%B3n_evolutiva