taller: inteligencia computacional
DESCRIPTION
Taller: Inteligencia Computacional. MC. LETICIA FLORES PULIDO. CONTENIDO. TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA. TEMA 4 : PROGRAMACIÓN EVOLUTIVA. INTRODUCCIÓN ALGORITMOS GENÉTICOS EJEMPLO - PowerPoint PPT PresentationTRANSCRIPT
Taller:Inteligencia Computacional
MC. LETICIA FLORES PULIDO
2
CONTENIDOTEMA1: INTRODUCCIÓN
TEMA2: APRENDIZAJE MÁQUINA
TEMA3: RECONOCIMIENTO DE PATRONES
TEMA4: PROGRAMACIÓN EVOLUTIVA
3
TEMA 4 : PROGRAMACIÓN EVOLUTIVA
INTRODUCCIÓN
ALGORITMOS GENÉTICOS
EJEMPLO
HIPÓTESIS Y ESPACIO DE BÚSQUEDA
PROGRAMACIÓN GENÉTICA
MODELOS DE EVOLUCIÓN Y APRENDIZAJE
PARALELIZANDO ALGORITMOS GENÉTICOS
4
IntroducciónLos algoritmos genéticos proporcionan un
método de aprendizaje que es basado en evolución simulada
Las hipótesis que forman las muestras de entrenamiento son por lo regular en forma de bits
La búsqueda de una hipótesis apropiada comienza con una población, una colección o una hipótesis inicial
5
IntroducciónLos miembros de la población actual dan lugar
a una nueva generación de la población por medio de operaciones como mutación y cruza
En cada paso, la hipótesis o fórmula que nos lleva a modelar un problema, proporciona una medida de aptitud y esto nos lleva a la hipótesis mas cercana a la respuesta correcta probabilisticamente
Una vez seleccionada dicha hipótesis, se originan las semillas para la nueva generación
6
IntroducciónLos algoritmos genéticos han sido aplicados
exitosamente a aprender:
colecciones de reglas para control de robots,
para optimizar la topología de parámetros de aprendizaje para redes neuronales artificiales.
7
Motivación Los algoritmos genéticos proveen un método de
aprendizaje motivado por la analogía a la evolución biológica
Los algoritmos genéticos realizan una búsqueda de hipótesis repetitiva mutando y recombinando sus partes a partir de la hipótesis de solución más reciente
A cada paso, una colección de hipótesis llamada la actual población se actualiza al reemplazar alguna fracción de la misma población por la nueva descendencia de la hipótesis más actual
8
MotivaciónDicho proceso forma una búsqueda de hipótesis donde es
posible realizar un recorrido a través de un conjunto de soluciones mas apropiadas
La popularidad de los Algoritmos Genéticos es motivada por un número de factores incluyendo: Que la evolución es un método robusto para la adaptación desde
el punto de vista biológico Los AG pueden buscar espacios de búsqueda de hipótesis que
contienen mezclas de códigos que pueden ser difíciles de modelar Los AG pueden paralelizarse fácilmente y pueden tomar ventaja
de los bajos costos de hardware computacional poderoso
9
Algoritmos Genéticos El problema que solucionan los algoritmos
genéticos es el de buscar un espacio de hipótesis candidato para identificar la mejor hipótesis
En AG, la mejor hipótesis se define a aquella que optimiza una medida numérica predefinida para el problema, llamada la hipótesis de adaptación.
En el ejemplo del ajedrez podemos decir que la hipótesis de adaptación es igual a el número de juegos ganados contra otros jugadores dentro de un torneo.
10
Algoritmos GenéticosESTRUCTURA:
1. El algoritmo opera por iteración actualizando una cantidad de hipótesis llamada población
2. En cada iteración, todos los miembros de la población son evaluados de acuerdo a la función de adaptabilidad
3. Una nueva población es generada entonces al seleccionar probabilísticamente los individuos más aptos de la población actual
4. Algunos de estos individuos se conservan en la población actual y se conservan intactos con la generación de la nueva población
11
Algoritmos GenéticosESTRUCTURA (SIGUE)
Otros individuos son utilizados como base para crear nueva descendencia al aplicar operaciones genéticas tales como cruza y mutación
12
Algoritmos Genéticos
13
Algoritmos GenéticosLas entradas al AG incluyen:
la función de aptitud y un umbral que define el nivel aceptable de
adaptatividad El tamaño de la población a conservar Los parámetros que definen como se generarán
los sucesores de las poblaciones La fracción de la población que será reemplazada
en cada generación y la taza de mutación
14
Representación de HipótesisLa representación de la información en AG es
por cadenas, de modo que pueda ser fácilmente manipulada por los operadores genéticos de mutación o cruza
Las hipótesis representadas por estas cadenas de bits puede ser tan compleja como se requiera: Pueden representarse conjuntos de reglas if-then
(Holland 1986)
15
Representación de HipótesisUn ejemplo de representación en cadenas es considerando
por ejemplo:
La palabra Pronóstico la cual puede tomar cualquiera de los tres valores siguientes: Soleado Nublado Lluvioso
Una forma obvia de representar estos estados, es tomar una cadena de bits con tres valores, donde cada valor indique cada una de las variables posibles del pronóstico
16
Representación de Hipótesis010 indica Pronóstico= Nublado
011 indica Pronóstico= Nublado ∨ lluvioso
011 indicará que no importa que valor tome dicha variable
Dada la anterior representación, podemos entonces describir reglas fácilmente con conjunciones de condiciones que corresponden a cadenas de bits
17
Representación de HipótesisConsideremos otro atributo llamado Viento:
Una regla de condición para este estado sería:
(Pronóstico=Nublado ∨ Lluvioso) ∧ (Viento=Fuerte)
Que puede ser representada por la siguiente cadena de bits de longitud cinco:
PRONÓSTICO011
VIENTO10
18
Representación de HipótesisEntonces una regla postcondicionada como:
JugarTenis=Si, puede ser representada de forma similar
Entonces una regla completa puede describirse al concatenar las cadenas de bits de las condiciones de la parte del IF que queremos escribir y concatenar la cadena de bits de la regla THEN de la postcondicion
19
Representación de HipótesisPor ejemplo, la regla:
IF viento=fuerte THEN JugarTenis=si
Puede ser representada por la cadena:
Donde los primeros 3 bits indican la condición no importa el clima, los siguientes dos describen la constante del viento y los dos últimos asumen los valores de la regla postcondicion, donde suponemos que JugarTenis puede tomar los valores de SI=10 o NO=01
Pronóstico111
Viento10
JugarTenis10
20
Representación de Hipótesis
Observemos que la cadena que utilizamos para representar esta hipótesis se forma de subcadenas de atributos aun cuando los atributos no son considerados dentro de la precondición
21
Operadores GenéticosLa generación de nueva descendencia o de los sucesores
(recordemos el juego del ajedrez, conocido como la siguiente jugada), es determinada por las operaciones de mutación o cruza
Dichas operaciones representan al caso idealizado de su analogía biológica
Los dos operadores mas comunes son: LA MUTACION Y LA CRUZA
22
Operadores Genéticos
23
Operadores GenéticosEJEMPLOS:
TIPO DE
CRUZACADENA INICIAL
MASCARA DE
CRUZADESCENDENC
IA
Cruza en un punto simple
1000 11000110 1101
11110000 1000 11000110 1101
Cruza en dos puntos
1000 11000110 1101
00011110 1000 11010110 1101
Cruza uniforme 1000 11000110 1101
1001 1011 1110 11000000 1101
Mutación en un punto
1000 1100 -------- 1000 1110
24
Programación GenéticaLa programación genética es una forma de
cómputo evolutivo en la cual los individuos que se encuentran dentro de la población a evolucionar son programas de computadora
Dichos programas son manipulados y representados como cadenas de caracteres (Koza, 1992).
25
Programación Genética
REPRESENTACIÓN DE PROGRAMAS
Los programas son representados por árboles Cada llamada a una función, se representa por un
nodo del árbol Los argumentos de la función entonces son dados
por sus descendientes
26Programación
Genética Para la
representación de la función
sin(x)+√(x2+y)
+
sen
x
√
+
∧
x
y
2
27Programación Genética
28
¿¿¿Preguntas???