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???