Algoritmos Genticos

Bsqueda, optimizacin y
aprendizaje
En realidad, los algoritmos de bsqueda
abarcan prcticamente todo algoritmo para
resolver problemas automticamente.
Habitualmente, en Informtica se habla de
bsqueda cuando hay que hallar
informacin, siguiendo un determinado
criterio, dentro de un conjunto de datos
almacenados

 sin embargo, aqu nos referiremos a otro

tipo de algoritmos de bsqueda, a saber,
aquellos que, dado el espacio de todas
las posibles soluciones a un problema, y
partiendo de una solucin inicial, son
capaces de encontrar la solucin mejor o
la nica.

 Generalmente, los problemas de

optimizacin son tratados por la rama de
las matemticas denominada
Investigacin Operacional, aunque
prcticamente todas las ramas de la
ciencia y la ingeniera necesitan tratar con
problemas de optimizacin en algn
momento.

 Por ejemplo, en teora de juegos se trata

de maximizar la probabilidad de ganar, y
en reconocimiento de patrones de
minimizar el error de clasificacin de un
patrn desconocido (como una imagen de
satlite digitalizada, o un canal procesado
de una seal de un
electroencefalograma).

 En los problemas de Biologa que la Vida

Artificial trata de resolver mediante
simulaciones, la funcin de evaluacin
viene siempre dado por el entorno,
acercndose a la definicin biolgica, que
no es otra cosa que el nmero posible de
descendientes de un individuo.

 No siempre, el espacio de bsqueda

completo contiene soluciones vlidas; en
algunos casos, los valores de las variables
se sitan dentro de un rango, ms all del
cual la solucin es invlida.
Se trata entonces de un problema de
optimizacin con restricciones. En este
caso, el problema consiste en
maximizar F(xi) dentro del sub-espacio.

Tcnicas basadas en poblacin

Este tipo de tcnicas en vez de tener una
sola solucin, que se va alterando hasta
obtener el ptimo, se persigue el ptimo
cambiando varias soluciones. Entre estas
tcnicas se hallan la mayora de los
algoritmos evolutivos.

 La teora de la, fue descrita por Charles

Darwin 20 aos despus de su viaje por
las islas Galpagos, en el libro Sobre el
Origen de las Especies por medio de la
Seleccin Natural.
Este libro fue bastante polmico en su
tiempo, y en cualquier caso es una
descripcin incompleta de la evolucin.

 La hiptesis de Darwin, presentada junto

con Wallace, que lleg a las mismas
conclusiones independientemente, es que
pequeos cambios heredables en los
seres vivos y la seleccin son los dos
hechos que provocan el cambio en la
Naturaleza y la generacin de nuevas
especies.

 Pero Darwin desconoca cual es la base

de la herencia, pensaba que los rasgos de
un ser vivo eran como un fluido, y que los
"fluidos" de los dos padres se mezclaban
en la descendencia; esta hiptesis tena el
problema de que al cabo de cierto tiempo,
una poblacin tendra los mismos rasgos
intermedios.

 Fue Lendel quien descubri que los

caracteres se heredaban de forma
discreta, y que se tomaban del padre o de
la madre, dependiendo de su carcter
dominante o recesivo. A estos caracteres
que podan tomar diferentes valores se
les llamaron genes,

 Y no fue hasta los aos 50,

cuando Watson y Crick desc
ubrieron que la base
molecular de los genes est
en el ADN, cido
desoxirribonucleico, Los
cromosomas estn
compuestos de ADN, y por
tanto los genes estn en los
cromosomas.

 Un tema polmico, con opiniones variadas

dependiendo de si se trata de informticos
evolutivos o de bilogos o geneticistas, es si la
evolucin optimiza o no. Segn los informticos
evolutivos, la evolucin optimiza, puesto que va
creando seres cada vez ms perfectos,. Sin
embargo, los geneticistas y bilogos evolutivos
afirman que la evolucin no optimiza, sino que
adapta y optimiza localmente en el espacio y el
tiempo; evolucin no significa progreso.

Algoritmos Genticos
En los aos 1970, de la mano de John Henry
Holland, surgi una de las lneas ms
prometedoras de la inteligencia artificial, la de los
algoritmos genticos.
Son llamados as porque se inspiran en la
evolucin biolgica y su base gentico-molecular.
Estos algoritmos hacen evolucionar una poblacin
de individuos sometindola a acciones aleatorias
semejantes a las que actan en la evolucin
biolgica (mutaciones y recombinaciones
genticas), as como tambin a una Seleccin de
acuerdo con algn criterio, en funcin del cual se
decide cules son los individuos ms adaptados,
que sobreviven, y cules los menos aptos, que
son descartados.

 Los algoritmos genticos son mtodos

sistemticos para la resolucin de
problemas de bsqueda y optimizacin
que aplican a estos los mismos mtodos
de la evolucin biolgica: seleccin
basada en la poblacin, reproduccin
sexual y mutacin.

 Hay que tener en cuenta que un algoritmo

gentico es independiente del problema,
lo cual lo hace un algoritmo robusto, por
ser til para cualquier problema, pero a la
vez dbil, pues no est especializado en
ninguno.

 En la Naturaleza lo nico que hay que

optimizar es la supervivencia.
Por lo tanto, un algoritmo gentico
consiste en lo siguiente: hallar de qu
parmetros depende el problema,
codificarlos en un cromosoma, y se
aplican los mtodos de la evolucin:
seleccin y reproduccin sexual con
intercambio de informacin y alteraciones
que generan diversidad.

Un algoritmo gentico es un mtodo de bsqueda

dirigida basada en probabilidad.
Bajo una condicin muy dbil (que el algoritmo
mantenga elitismo, es decir, guarde siempre al
mejor elemento de la poblacin sin hacerle
ningn cambio) se puede demostrar que el
algoritmo converge en probabilidad al ptimo.

El algoritmo gentico procede

de la forma siguiente
1. Evaluar la puntuacin de cada uno de los
genes.
2. Permitir a cada uno de los individuos
reproducirse, de acuerdo con su puntuacin.
3. Emparejar los individuos de la nueva
poblacin, haciendo que intercambien material
gentico, y que alguno de los bits de un gen se
vea alterado debido a
una mutacin espontnea.

Parmetros que se tienen que

fijar para cada ejecucin
Tamao de la poblacin: debe de ser
suficiente para garantizar la diversidad de
las soluciones.
Condicin de terminacin: lo ms
habitual es que la condicin de
terminacin sea la convergencia del
algoritmo gentico o un nmero prefijado
de generaciones.

Funcionamiento de un
algoritmo gentico bsico
Un algoritmo gentico puede presentar
diversas variaciones, dependiendo de
cmo se aplican los operadores genticos
(cruzamiento, mutacin), de cmo se
realiza la seleccin y de cmo se decide
el reemplazo de los individuos para formar
la nueva poblacin. En general, el
pseudocdigo consiste de los siguientes
pasos:

Funcionamiento de un
algoritmo gentico bsico
Inicializacin: Se genera aleatoriamente la
poblacin inicial, que est constituida por un
conjunto de cromosomas los cuales representan
las posibles soluciones del problema.
En caso de no hacerlo aleatoriamente, es
importante garantizar que dentro de la poblacin
inicial, se tenga la diversidad estructural de estas
soluciones para tener una representacin de la
mayor parte de la poblacin posible o al menos
evitar la convergencia prematura.

Funcionamiento de un
algoritmo gentico bsico
Evaluacin: A cada uno de los cromosomas de
esta poblacin se aplicar la funcin de aptitud
para saber qu tan "buena" es la solucin que
se est codificando.

Funcionamiento de un
algoritmo gentico bsico
Condicin de trmino El AG se deber detener
cuando se alcance la solucin ptima, pero sta
generalmente se desconoce, por lo que se
deben utilizar otros criterios de detencin.
Normalmente se usan dos criterios: correr el AG
un nmero mximo de iteraciones
(generaciones) o detenerlo cuando no haya
cambios en la poblacin. Mientras no se cumpla
la condicin de trmino se hace lo siguiente:

Funcionamiento de un
algoritmo gentico bsico
Seleccin Despus de saber la aptitud de cada cromosoma se
procede a elegir los cromosomas que sern cruzados en la
siguiente generacin. Los cromosomas con mejor aptitud tienen
mayor probabilidad de ser seleccionados.
Sobrecruzamiento El cruzamiento es el principal operador
gentico, representa la reproduccin sexual, opera sobre dos
cromosomas a la vez para generar dos descendientes donde se
combinan las caractersticas de ambos cromosomas padres.
Mutacin modifica al azar parte del cromosoma de los individuos,
y permite alcanzar zonas del espacio de bsqueda que no
estaban cubiertas por los individuos de la poblacin actual.
Reemplazo una vez aplicados los operadores genticos, se
seleccionan los mejores individuos para conformar la poblacin
de la generacin siguiente.

Funcionamiento de un
algoritmo gentico bsico

Algoritmo gentico i: inicializacin, f(X): evaluacin, ?:

condicin de trmino, Se: seleccin, Cr: cruzamiento, Mu:
mutacin, Re: reemplazo, X*: mejor solucin.

VENTAJAS DE LOS ALGORITMOS

GENTICOS
Cuando se usan para problemas de optimizacin
resultan menos afectados por los mximos
locales(falsas soluciones) que las tcnicas
tradicionales.
No necesitan conocimientos especficos sobre el
problema que intentan resolver.
Son intrnsicamente paralelos, es decir, operan
de forma simultnea con varias soluciones, en
vez de trabajar de forma secuencial como las
tcnicas tradicionales.

DESVENTAJAS
Pueden tardar mucho en converger, o no
converger en absoluto, dependiendo en cierta
medida de los parmetros que se utilicen -tamao
de la poblacin, nmero de generaciones.
Pueden converger prematuramente si un individuo
que es ms apto que la mayora de sus
competidores emerge muy pronto en el curso de
la ejecucin, se puede reproducir tan
abundantemente que merme la diversidad de la
poblacin.

Dr. Juan Pedro Febles

30

Dr. Juan Pedro Febles

31

Un Problema bsico de la
IA
1.Se refiere a la bsqueda de
un estado (META).
2. Este estado puede ser
aceptado como la solucin al
problema.

Bsqueda
9
A

D
1

8
2

S
2

8
1

E
7

Un camino es SADG

Distancia 18

Otra posibilidad es SCDG

Distancia 16

Tambin SBACEFDG

Distancia 12

 La Inteligencia Artificial incluye varios campos de desarrollo

tales como: la robtica, usada principalmente en el campo
industrial; comprensin de lenguajes y traduccin; visin en
mquinas que distinguen formas y que se usan en lneas de
ensamblaje; reconocimiento de palabras y aprendizaje de
mquinas; sistemas computacionales expertos.

 Los sistemas expertos, que reproducen el

comportamiento humano en un estrecho
mbito del conocimiento, son programas
tan variados como los que diagnostican
infecciones en la sangre e indican un
tratamiento, etc.

 Tales tareas reducen costos, reducen

riesgos en la manipulacin humana en
reas peligrosas, mejoran el desempeo
del personal inexperto, y mejoran el
control de calidad sobre todo en el mbito
comercial.

Diferentes metodologas:
La lgica difusa: permite tomar decisiones
bajo condiciones de in-certeza.
Redes neuronales: esta tecnologa es
poderosa en ciertas tareas como la
clasificacin y el reconocimiento de
patrones.
Est basada en el concepto de "aprender"
por agregacin de un gran nmero de muy
simples elementos.

 La lgica difusa se desarroll a partir de

1965 con la aparicin de un artculo sobre
la teora de los conjuntos difusos,
establecida por el catedrtico de la
Universidad de Berkeley, California, Lofti
A. Zadeh, quien hoy es considerado el
padre de la lgica difusa.

Lgica difusa
La lgica difusa o lgica heuristica se
basa en lo relativo de lo observado.

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 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").

 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.

regla heurstica
SI hace muchsimo calor ENTONCES
disminuyo 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.
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.

Esquema de funcionamiento tpico

para un sistema 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.

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 la compresin de
datos de entrada

Consiste en tratar 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...

Ejemplo

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.

 La lgica difusa se aplica ya a diversos productos: algunas

videocmaras eliminan con ella el eventual temblor del
aficionado; hay lavadoras inteligentes que dosifican las dosis
de detergente segn el grado de suciedad detectada en el
prelavado; los frenos ABS de los automviles se basan en
ella, igual que la suspensin activa, la climatizacin y el
control de velocidad.

AGENTES BASADOS EN
CONOCIMIENTO

Agentes Basado en Conocimiento

Un agente basado en conocimiento; es aquel sistema
que posee conocimiento de su mundo y que es capaz
de razonar sobre las posibles acciones que puede
tomar para cambiar el estado de su mundo.
El agente es un conjunto de sentencias, representado
mediante un lenguaje de representacin de
conocimiento.

 Los agentes basados en objetivos

estn mejor preparados para resolver
problemas que los agentes reejos
simples.
Dotando a los agentes de razonamiento
lgico pueden obtener un buen
desempeo realizando tareas ms
difciles.

 Un agente lgico o basado en el

conocimiento parte del conocimiento y
utiliza el razonamiento lgico para decidir
las acciones que le llevarn a su objetivo.

 Un agente basado en el conocimiento

necesita conocimiento muy variado:
sobre el mundo: estado actual, cmo
inferir sus propiedades a partir de
percepciones, cmo evoluciona, . . .
sobre el objetivo a conseguir.
sobre las acciones a realizar dependiendo
de las circunstancias.

 El conocimiento y el
razonamiento juegan
un papel importante
cuando se trata con
entornos parcialmente
observables.

Un Agente basado en conocimiento puede

combinar el conocimiento general con las
percepciones reales para inferir aspectos
ocultos del estado del mundo, antes de
seleccionar cualquier accin.

 El entendimiento del LN tambin necesita

inferir estados ocultos:
John miro el diamante a travs de la
ventana y lo codici.
John lanz el ladrillo a la ventana y se
rompi.

Agentes Basado en Conocimiento

Motor de
Inferencia

mundo

Efectores

Sensores

Percepciones

Base de
Conocimiento

Acciones

Base de conocimientos

El componente principal de un agente basado en el conocimiento

es su base de conocimientos, o BC.

De manera informal podra decirse que una base de

conocimientos es un conjunto de representaciones de ciertos
hechos acerca del mundo.

Cada una de estas representaciones se

denomina oracin. Las oraciones se expresan
en un lenguaje denominado lenguaje para la
representacin del conocimiento.

Base de conocimientos
Para interactuar con la BC, es decir para agregarle
nuevas oraciones e interrogarle sobre ellas, existen
dos tareas que pueden realizarse: INFORMAR y
PREGUNTAR, respectivamente.

Informar y preguntar
Siempre que se solicita la intervencin de un programa
de agente, se realizan dos acciones.
Primera, el programa INFORMA a la base de conocimientos lo
que percibe.

Segunda, le PREGUNTA a la base de conocimientos cul es la

accin que debe emprender. Debe quedar claro que es el agente
quien informa y pregunta a su BC, y no una entidad externa a l.

Agentes Basado en Conocimiento

Enfoque declarativo
Si es posible entender la operacin de un agente
basado en el conocimiento en funcin de lo que ste
sabe, entonces es posible construirlo informndole
todo lo que necesita saber.
El programa inicial del agente, antes de que empiece
a recibir percepciones, se construye incorporando de
una en una todas las oraciones que representan todo
lo que el diseador sabe acerca del ambiente. A lo
anterior se lo conoce como enfoque declarativo de la
construccin de un sistema.

Agentes Basado en Conocimiento

Aprendizaje
Es posible disear mecanismos de aprendizaje
producen un conocimiento general acerca del
ambiente una vez que se les proporciona un
conjunto de percepciones. Mediante la
incorporacin de mecanismos de aprendizaje
en un agente basado en el conocimiento se
logra la total autonoma de ste.

El Motor de Inferencias (MI)

Es un programa de control cuya
funcin es seleccionar las
reglas posibles a satisfacer el
problema, para alcanzar una
solucin
o
conclusin
determinada y para ello se
vale de ciertas estrategias de
control sistemticas o de
estrategias heursticas.

 La mayora de los sistemas expertos

almacenan su conocimiento en forma de
reglas de inferencia: si esto, entonces
eso, si eso entonces aquello otro,
Tambien las reglas de inferencia
permiten relacionar hechos o
situaciones del mundo real para deducir
otros hechos que en principio no son
evidentes sin la utilizacin de dichas
reglas.

 Por ejemplo, si la premisa de una regla es

cierta, entonces la conclusin de la regla
debe ser tambin cierta. Los datos
iniciales se incrementan incorporando las
nuevas conclusiones.

 Modus Ponendo Ponens: Se utiliza para

obtener conclusiones simples. En ella, se
examina la premisa de la regla, y si es
cierta, la conclusin pasa a formar parte
del conocimiento. Como ilustracin,
supongamos que tenemos la regla, Si A
es cierto, entonces B es cierto y que
sabemos adems que A es cierto. La
regla Modus Ponens concluye que B es
cierto.

 Esta regla de inferencia, que parece

trivial, debido a su familiaridad, es la base
de un gran nmero de sistemas expertos.

 Se utiliza tambin para

obtener
conclusiones
simples. En este caso se
examina la conclusin, y si
es falsa, se concluye que la
premisa tambin es falsa.
Por ejemplo, supngase de
nuevo que Si A es cierto,
entonces B es cierto pero
se sabe que B es falso.
Entonces, utilizando la regla
Modus Ponens no se puede
obtener ninguna conclusin
pero la regla Modus Tollens
concluye que A es falso.

El Mundo de Wumpus
Aunque pertenece ms al mbito de los
juegos por computador, es un entorno
perfecto para evaluar los agentes
inteligentes. Michael Genesereth fue el
primero que lo propuso.

El Mundo de Wumpus
Especificacin del ambiente

En el cuadro donde est el wumpus y

en los cuadros directamente
contiguos (no los que estn en
sentido diagonal) el agente alcanza a
percibir un hedor.
En los cuadros directamente
contiguos a un precipicio el agente
recibe una brisa.
En el cuadro donde est el oro el
agente recibe un resplandor.
Si al caminar el agente topa con un
muro percibir un golpe.
Si mata al wumpus, ste lanza un
gemido que se escucha por toda la
cueva.

El Mundo de Wumpus

El Mundo de Wumpus
El agente recibe las percepciones a travs de una lista de cinco smbolos.

[Hedor, Brisa, Resplandor, Golpe, Gemido].

[Nada, Nada, Nada, Nada, Nada].

El Mundo de Wumpus

[Nada, Brisa, Nada, Nada, Nada].

El Mundo de Wumpus

[Hedor, Nada, Nada, Nada, Nada].

El Mundo de Wumpus

[Hedor, Brisa, Resplandor, Nada, Nada].

Nivel de conocimiento
Gracias a las definiciones de DECIR y
PREGUNTAR, el agente basado en
conocimiento no obtiene las acciones
mediante un proceso arbitrario.
Depende del nivel de conocimiento, en el
que solo necesitamos especificar lo que el
agente sabe y los objetivos que tiene para
establecer su comportamiento.

 Por ejemplo un taxi automatizado podra

tener el objetivo de llevar un pasajero de
la UMG a el Naranjo, podra saber que el
puente naranjo es el nico enlace entre
las dos localizaciones. Entonces podemos
esperar que el agente cruce el puente
porque l sabe que hacerlo le permitir
alcanzar su objetivo.

SISTEMAS EXPERTOS
un sistema experto puede ser definido como un
sistema basado en conocimiento que emula la
competencia de un experto, dentro de un campo
de aplicacin bien delimitado.
Tambin puede ser definido como un conjunto de
programas de computadora cuyo comportamiento
es similar al que tendra un experto humano

Caractersticas de los Sistemas

Expertos
Para que un sistema computacional acte
como un verdadero experto, es deseable
que rena, en lo posible, lo ms
importante de las caractersticas de un
experto humano, esto es:
Habilidad para adquirir conocimiento.
Fiabilidad, para poder confiar en sus resultados o
apreciaciones.
Solidez en el dominio de su conocimiento.
Capacidad para resolver problemas.

Ventajas SE

Permanencia: A diferencia de un experto humano un SE (sistema experto) no

envejece, y por tanto no sufre prdida de facultades con el paso del tiempo.
Replicacin: Una vez programado un SE lo podemos replicar infinidad de veces.
Rapidez: Un SE puede obtener informacin de una base de datos y realizar
clculos numricos mucho ms rpido que cualquier ser humano.
Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la
capacidad de duplicacin el coste finalmente es bajo.
Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dainos
para el ser humano.
Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano s
(cansancio, presin, etc.).

Limitaciones de SE

Sentido comn: Para un Sistema Experto no hay nada obvio.

Lenguaje natural: Con un experto humano podemos mantener una
conversacin informal mientras que con un SE no podemos.
Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de
sus errores y de errores ajenos, que un SE haga esto es muy complicado.
Perspectiva global: Un experto humano es capaz de distinguir cuales son las
cuestiones relevantes de un problema y separarlas de cuestiones secundarias.
Capacidad sensorial: Un SE carece de sentidos.
Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para
la resolucin de un problema.

Laboratorio

Construir un grafo que acepte como

vlidas las siguientes secuencias de
ADN:
ACAATG
ACAAATC
AGAATC
ACCGATC

Laboratorio
El objetivo es colorearla usando nicamente tres
colores (rojo, verde y azul) de forma que dos
cuadrados contiguos no tengan el mismo color.