UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE INGENIERÍA DE MINAS

ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

APLICACIONES DE SISTEMAS INTELIGENTES

ALUMNO: SOCOLA CHIROQUE JUNIOR YAMPIER.

CURSO: MODELOS Y SIMULACIÓN DE MINAS.

PROFESOR: ING. MARTIN ZETA FLORES.

CICLO: 2019 – 1
INDICE
INTRODUCCIÓN ............................................................................................................................. 4
OBJETIVO DE LA INVESTIGACIÓN .................................................................................................. 5
MARCO TEÓRICO ........................................................................................................................... 5
SISTEMA INTELIGENTE .................................................................................................................. 5
CAPACIDADES REQUERIDAS .......................................................................................................... 5
 Inteligencia: ....................................................................................................................... 5
 Sistematización ................................................................................................................. 5
 Objetivo: ............................................................................................................................ 5
 Capacidad sensorial:.......................................................................................................... 6
 Conceptualización: ............................................................................................................ 6
 Reglas de actuación:.......................................................................................................... 6
 Memoria: ........................................................................................................................... 6
 Aprendizaje: ...................................................................................................................... 6
EJEMPLO DE SISTEMA INTELIGENTE ............................................................................................. 6
SISTEMAS INTELIGENTES ARTIFICIALES ......................................................................................... 7
REDES NEURALES ARTIFICIALES .................................................................................................... 7
REDES NEURALES BIOLÓGICAS .............................................................................................. 7
Fundamentos Biológicos De Las Redes Neurales Naturales ..................................................... 7
DEFINICIÓN DE UNA RED NEURONAL ARTIFICIAL ................................................................. 8
ELEMENTOS BÁSICOS QUE COMPONEN UN RED NEURONAL .................................................... 10
Función De Entrada (Input Function). ..................................................................................... 10
Función De Activación (Activation Function). ......................................................................... 10
Función Lineal: .................................................................................................................... 11
Función De Sigmoidea: ........................................................................................................ 11
Función Tangente Hiperbólica: ........................................................................................... 12
Función De Salida (Output Function). ..................................................................................... 13
Aplicaciones De Las Redes Neuronales ....................................................................................... 13
Biología ................................................................................................................................ 13
Empresa ............................................................................................................................... 13
Medio ambiente .................................................................................................................. 14
Finanzas ............................................................................................................................... 14
Manufacturación ................................................................................................................. 14
Medicina .............................................................................................................................. 14
Militares .............................................................................................................................. 14
 CASOS CONCRETOS DE APLICACIÓN ....................................................................................... 15
Planificación De La Demanda De Materiales .......................................................................... 15
Base De Datos Y Codificación .................................................................................................. 15
Topología De La Red:............................................................................................................... 16
Lógica Difusa (Fuzzy Logic) ......................................................................................................... 17
CARACTERÍSTICAS.................................................................................................................... 17
APLICACIONES ......................................................................................................................... 18
EJEMPLO .................................................................................................................................. 18
Ventajas ................................................................................................................................... 18
Los Algoritmos Genéticos ........................................................................................................... 18
Ventajas Y Desventajas ........................................................................................................... 19
Limitaciones ............................................................................................................................ 19
Aplicaciones............................................................................................................................. 19
INTRODUCCIÓN

Para abordar el concepto de inteligencia artificial, tal vez cabría plantearse

primero la siguiente pregunta: “¿qué es la inteligencia?” Sin duda, se trata
de una pregunta difícil cuya respuesta aún no ha sido resuelta totalmente, la
cual sigue desconcertando tanto a los biólogos como a los psicólogos y
filósofos de nuestra época. Más bien la intención es presentar algunas ideas
en torno a la noción de inteligencia que nos ayuden a identificar ciertas
características distintivas de la denominada inteligencia artificial (IA).
Los sistemas inteligentes están relacionados con el diseño y el análisis de
agentes autónomos, pudiendo ser sistemas software o máquinas físicas, con
sensores y actuadores embebidos, por ejemplo en un robot o en un vehículo
autónomo. Un sistema inteligente percibe su entorno, actúa con racionalidad
en sus tareas asignadas, interactúa con otros agentes y con seres humanos.
Muchas de esas capacidades mencionadas anteriormente son cubiertas por
distintos tópicos de estudio que dependen de un conjunto amplio general y
especializado de mecanismos de razonamiento y de representación de
conocimiento, algoritmos de búsqueda, solución de problemas y técnicas de
aprendizaje de máquinas. Los sistemas inteligentes proveen un conjunto de
herramientas para solucionar problemas que son demasiados difíciles de
solucionar con otros métodos.
OBJETIVO DE LA INVESTIGACIÓN

Lo que se pretende con estos métodos de sistemas inteligentes e

inteligencia artificial en ingeniería es resolver los problemas, no sólo de una
manera novedosa, sino sobre todo tener mejores soluciones, más eficientes
y mejor planeadas.

MARCO TEÓRICO

SISTEMA INTELIGENTE
Un sistema inteligente es un programa de computación que reúne características y
comportamientos asimilables al de la inteligencia humana o animal.
La expresión "sistema inteligente" se usa a veces para sistemas inteligentes incompletos,
por ejemplo para una casa inteligente o un sistema experto.
Un sistema inteligente completo incluye "sentidos" que le permiten recibir información
de su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus
acciones. Tiene un objetivo e, inspeccionando su memoria, puede aprender de su
experiencia. Aprende cómo lograr mejorar su rendimiento y eficiencia.

CAPACIDADES REQUERIDAS
Para que un sistema inteligente pueda ser considerado completo, debe incluir diversas
funcionalidades que incluyan:

 Inteligencia: Hay muchas definiciones de "inteligencia". Para usos prácticos usamos

esta: La inteligencia es el nivel del sistema en lograr sus objetivos de los sistemas
inteligentes.
 Sistematización: Un sistema es parte del universo, con una extensión limitada en
espacio y tiempo. Las partes del sistema tienen más, o más fuertes, correlaciones
con otras partes del mismo sistema; que con partes fuera del sistema.
 Objetivo: Un objetivo es una cierta situación que el sistema inteligente quiere lograr.
Normalmente hay muchos niveles de objetivos, puede haber un objetivo principal y
muchos sub objetivos.
 Capacidad sensorial: Un sentido es la parte del sistema que puede recibir
comunicaciones del entorno. Se necesitan los sentidos para que el sistema
inteligente puede conocer su entorno y actuar interactivamente.
 Conceptualización: Un concepto es el elemento básico del pensamiento. Es el
almacenamiento físico, material de información (en neuronas o electrones). Todos
los conceptos de la memoria están interrelacionados en red. La capacidad de
conceptualizar implica el desarrollo de niveles de abstracción.
 Reglas de actuación: Una regla de actuación es el resultado de una experiencia o el
resultado de interpretar la propia memoria. Relaciona situación y consecuencias de
la acción.
 Memoria: La memoria es un almacenaje físico de conceptos y reglas de actuación.
Esto incluye la experiencia del sistema.
 Aprendizaje: El aprendizaje es probablemente la capacidad más importante de un
sistema inteligente. El sistema aprende conceptos a partir de la información recibida
de los sentidos. Aprende reglas de actuación a base de su experiencia. El aprendizaje
incluye la fijación de conceptos abstractos, a base de ejemplos concretos y la
creación de conceptos compuestos que contienen los conceptos de partes de un
objeto.

EJEMPLO DE SISTEMA INTELIGENTE

Los seres humanos y animales son sistemas inteligentes naturales, y los sistemas
artificiales tratan progresivamente de emular sus capacidades. Los sistemas
inteligentes se caracterizan por su capacidad de adaptarse a situaciones cambiantes,
capacidad que todavía no logran cabalmente los sistemas artificiales. La dificultad
principal se encuentra en el desarrollo de la capacidad de aprendizaje.
SISTEMAS INTELIGENTES ARTIFICIALES

RAMAS QUE COMPONEN LA INTELIGENCIA ARTIFICIAL:

REDES NEURALES ARTIFICIALES

REDES NEURALES BIOLÓGICAS
Las redes neurales artificiales son aproximadores no lineales a la forma en que funciona
el cerebro; por lo tanto no deben compararse directamente con el cerebro ni confundir
los principios que fundamentan el funcionamiento de las redes neurales artificiales y el
cerebro, ni pensar que las redes neurales se basan únicamente en las redes biológicas
ya que sólo emulan en una parte muy simple el funcionamiento del cerebro humano.
Además se debe considerar que las redes biológicas son generadoras de procesos
neurobiológicos en que se establecen relaciones de complejidad muy alta, las cuales no
se puede lograr con redes monocapas ni con redes multicapas.
Las RNA pueden estudiarse como aproximadores universales desde el punto de vista
matemático. A continuación se presenta un panorama general de los fundamentos
biológicos de las redes neurales naturales, sin profundizar en este apasionante campo,
ya que el aprendizaje de un tema tan complejo como éste requiere de muchos otros
volúmenes para su estudio. Aquí sólo se desarrolla una idea básica que sirve como
planteamiento primordial en el estudio de las redes neurales artificiales.

Fundamentos Biológicos De Las Redes Neurales Naturales

Una neurona biológica es una célula especializada en procesar información. Está
compuesta por el cuerpo de la célula (soma) y dos tipos de ramificaciones: el axón y las
dendritas. La neurona recibe las señales (impulsos) de otras neuronas a través de sus
dendritas y transmite señales generadas por el cuerpo de la célula a través del axón. La
figura muestra los elementos de una red neuronal natural.
En general, una neurona consta de un cuerpo celular más o menos esférico, de 5 a 10
micras de diámetro, del que salen una rama principal, el axón y varias ramas más cortas
que corresponden a las dendritas. Una de las características de las neuronas es su
capacidad de comunicarse. En forma concreta, las dendritas y el cuerpo celular reciben
señales de entrada; el cuerpo celular las combina e integra y emite señales de salida. El
axón transmite dichas señales a las terminales axónicos, los cuales distribuyen la
información. Se calcula que en el cerebro humano existen aproximadamente 10 15
conexiones.
Las señales que se utilizan son de dos tipos: eléctricas y químicas. La señal generada por
la neurona y transportada a lo largo del axón es un impulso eléctrico, mientras que la
señal que se transmite entre los terminales axónicos de una neurona y las dendritas de
la otra es de origen químico. Para establecer una similitud directa entre la actividad
sináptica y la analogía con las redes neurales artificiales podemos considerar que las
señales que llegan a la sinapsis son las entradas a la neurona;
Fig. Elementos neurales.

DEFINICIÓN DE UNA RED NEURONAL ARTIFICIAL

Las RNA se definen como sistemas de mapeos no lineales cuya estructura se basa en
principios observados en los sistemas nerviosos de humanos y animales. Constan de un
número grande de procesadores simples ligados por conexiones con pesos. Las unidades
de procesamiento se denominan neuronas. Cada unidad recibe entradas de otros nodos
y genera una salida simple escalar que depende de la información local disponible,
guardada internamente o que llega a través de las conexiones con pesos. Pueden
realizarse muchas funciones complejas dependiendo de las conexiones.
Las neuronas artificiales simples fueron introducidas por McCulloch y Pitts en 1943. Una red
neuronal se caracteriza por los siguientes elementos:

1) Un conjunto de unidades de procesamiento o neuronas.

2) Un estado de activación para cada unidad, equivalente a la salida de la unidad.
3) Conexiones entre las unidades, generalmente definidas por un peso que determina el efecto
de una señal de entrada en la unidad.
4) Una regla de propagación, que determina la entrada efectiva de una unidad a partir de las
entradas externas.
5) Una función de activación que actualiza el nuevo nivel de activación basándose en la entrada
efectiva y la activación anterior.
6) Una entrada externa que corresponde a un término determinado como bias para cada
unidad.
7) Un método para reunir la información, correspondiente a la regla del aprendizaje.
8) Un ambiente en el que el sistema va a operar, con señales de entrada e incluso señales de
error.
En muchas redes las unidades de proceso tienen respuesta de la forma:

𝑦 = 𝑓(∑ 𝜔𝑘 𝑥𝑘 )
𝑘

Donde:
X k : señales de salida de otros nodos o entradas externas.
ω k : pesos de las ligas de conexión.
f(•): función no lineal simple.
La función f puede ser sigmoidal, tangente hiperbólica, escalón, entre otras. En MATLAB
® se tiene diferentes funciones de activación como tansig, hardlim y purelin, entre otras,
lo cual facilita las aproximaciones que se requieran hacer, empleando RNA.
Cada unidad de proceso tiene una tarea simple: recibe la entrada de otras unidades o
de fuentes externas y procesa la información para obtener una salida que se propaga a
otras unidades.
Una red puede tener una estructura arbitraria, pero las capas que contienen estas
estructuras están definidas de acuerdo con su ubicación en la topología de la red
neuronal. Las entradas externas son aplicadas en la primera capa, y las salidas se
consideran la última capa. Las capas internas que no se observan como entradas o
salidas se denominan capas ocultas. Por convención, las entradas no se consideran como
capa porque no realizan procesamiento.
La entrada total u de una unidad k es la suma de los pesos de las entradas conectadas,
más un bias θ:

𝑢 = ∑ 𝜔𝑗 𝑥𝑗 + 𝜃
𝑗

Si el peso ωj es positivo se habla de una excitación y si el peso es negativo se considera

una inhibición de la entrada. Si consideramos a las entradas como funciones del tiempo,
la expresión anterior se convierte en:

𝑢(𝑡) = ∑ 𝜔𝑗 (𝑡)𝑥𝑗 (𝑡) + 𝜃(𝑡)

𝑗
ELEMENTOS BÁSICOS QUE COMPONEN UN RED NEURONAL

Función De Entrada (Input Function).

La neurona trata a muchos valores de entrada como si fueran uno solo; esto recibe el
nombre de entrada global. Por lo tanto, ahora nos enfrentamos al problema de cómo se
pueden combinar estas simples entradas (ini1, ini2,...) dentro de la entrada global, gini.
Esto se logra a través de la función de entrada, la cual se calcula a partir del vector
entrada. La función de entrada puede describirse como sigue:

Inputi = (ini1• wi1)* (ini2• wi2)*... (inin• win)

Dónde: * representa al operador apropiado (por ejemplo: máximo, sumatoria,
productoria, etc.), n al número de entradas a la neurona Ni y wi peso.
Los valores de entrada se multiplican por los pesos anteriormente ingresados a la
neurona. Por consiguiente, los pesos que generalmente no están restringidos cambian
la medida de influencia que tienen los valores de entrada. Es decir, que permiten que
un gran valor de entrada tenga solamente una pequeña influencia, si estos son lo
suficientemente pequeños.

Fig. Ejemplo de un neurona con 2 entradas y una salida.

Función De Activación (Activation Function).

Una neurona biológica puede estar activa (excitada) o inactiva (no excitada); es decir,
que tiene un “estado de activación”. Las neuronas artificiales también tienen diferentes
estados de activación; algunas de ellas solamente dos, al igual que las biológicas, pero
otras pueden tomar cualquier valor dentro de un conjunto determinado.
La función activación calcula el estado de actividad de una neurona; transformando la
entrada global (menos el umbral, Θi ) en un valor (estado) de activación, cuyo rango
normalmente va de (0 a 1) o de (–1 a 1). Esto es así, porque una neurona puede estar
totalmente inactiva (00 –1) o activa (1).
La función activación, es una función de la entrada global (gini) menos el umbral (Θi). Las
funciones de activación más comúnmente utilizadas se detallan a continuación:

Función Lineal:

−1 𝑥 ≤ −1/𝑎
1 1
𝑓(𝑥) = {𝑎 ∗ 𝑥 − 𝑎 < 𝑥 < 𝑎}
1
1 𝑥≥
𝑎

Con x = gini – Θi, y a > 0.

Los valores de salida obtenidos por medio de esta función de activación serán: a· (gini –
Θi), cuando el argumento de (gini – Θi) esté comprendido dentro del rango (-1/a, 1/a).
Por encima o por debajo de esta zona se fija la salida en 1 o –1, respectivamente. Cuando
a = 1 (siendo que la misma afecta la pendiente de la gráfica), la salida es igual a la
entrada.

Fig. función de activación lineal

Función De Sigmoidea:
1
f (x) = , con x = gini – Θi
1+ e−g x

Los valores de salida que proporciona esta función están comprendidos dentro de un
rango que va de 0 a 1. Al modificar el valor de g se ve afectada la pendiente de la función
de activación.
Fig. función de activación sigmoidea.

Función Tangente Hiperbólica:

𝑒𝑔 𝑥 − 𝑒− 𝑔 𝑥
𝑓(𝑥 ) = , con x = gini – Θi
𝑒𝑔 𝑥 + 𝑒− 𝑔 𝑥
Los valores de salida de la función tangente hiperbólica están comprendidos dentro de
un rango que va de -1 a 1. Al modificar el valor de g se ve afectada la pendiente de la
función de activación.

Fig. función de activación tangente hiperbólica.

Para explicar porque se utilizan estas funciones de activación se suele emplear la
analogía a la aceleración de un automóvil. Cuando un auto inicia su movimiento necesita
una potencia elevada para comenzar a acelerar. Pero al ir tomando velocidad, este
demanda un menor incremento de dicha potencia para mantener la aceleración. Al
llegar a altas velocidades, nuevamente un amplio incremento en la potencia es
necesario para obtener una pequeña ganancia de velocidad. En resumen, en ambos
extremos del rango de aceleración de un automóvil se demanda una mayor potencia
para la aceleración que en la mitad de dicho rango.
Función De Salida (Output Function).
El último componente que una neurona necesita es la función de salida. El valor
resultante de esta función es la salida de la neurona i (outi); por ende, la función de
salida determina qué valor se transfiere a las neuronas vinculadas. Si la función de
activación está por debajo de un umbral determinado, ninguna salida se pasa a la
neurona subsiguiente. Normalmente, no cualquier valor es permitido como una entrada
para una neurona, por lo tanto, los valores de salida están comprendidos en el rango [0,
1] o [-1, 1]. También pueden ser binarios {0, 1} o {-1, 1}.
Dos de las funciones de salida más comunes son:

 Ninguna: este es el tipo de función más sencillo, tal que la salida es la misma que la
entrada. Es también llamada función identidad.
1 𝑠𝑖 𝑎𝑐𝑡𝑖 ≥ 𝜀𝑖
 𝑏𝑖𝑛𝑎𝑟𝑖𝑎 = { } , donde el εi es el umbral.
0 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

Aplicaciones De Las Redes Neuronales

Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones,
tanto comerciales como militares.
Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la
capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se
implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta
tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el
procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo coste
en sistemas existentes y recientemente desarrollados.
Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una
aplicación particular más apropiada. Algunas aplicaciones comerciales son:

Biología
- Aprender más acerca del cerebro y otros sistemas.
- Obtención de modelos de la retina.

Empresa
- Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Explotación de bases de datos.
- Optimización de plazas y horarios en líneas de vuelo.
- Optimización del flujo del tránsito controlando convenientemente la temporización
de los semáforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatización y control.
Medio ambiente
- Analizar tendencias y patrones.
- Previsión del tiempo.

Finanzas
- Previsión de la evolución de los precios.
- Valoración del riesgo de los créditos.
- Identificación de falsificaciones.
- Interpretación de firmas.

Manufacturación
- Robots automatizados y sistemas de control (visión artificial y sensores de presión,
temperatura, gas, etc.).
- Control de producción en líneas de procesos.
- Inspección de la calidad.

Medicina
- Analizadores del habla para ayudar en la audición de sordos profundos.
- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
- Monitorización en cirugías.

Militares
- Clasificación de las señales de radar.
- Creación de armas inteligentes.
- Optimización del uso de recursos escasos.
- Reconocimiento y seguimiento en el tiro al blanco.
CASOS CONCRETOS DE APLICACIÓN
A continuación se detallan los siguientes casos concretos de aplicación de redes
neuronales:

Planificación De La Demanda De Materiales

La tarea de planificar la demanda de materiales es justamente predecir en forma segura
la necesidad de los mismos, o más exactamente, de los factores de consumo. Esto
involucra tener una correcta información de los volúmenes aproximados de producción,
así como de los factores de tiempo.
Principalmente para resolver esta tarea pueden distinguirse los siguientes
procedimientos:
- Programación orientada (program-oriented).
- Consumo orientado (consumption-oriented).
En el método de programación orientada la predicción de la cantidad demandada se
basa sobre los resultados del planeamiento de producción. Mientras que el método de
consumo orientado toma en cuenta el consumo observado en períodos anteriores y
sobre la base de dicha información intenta predecir las futuras demandas.
Como primera aproximación utilizaron una red neuronal por predicción del consumo
orientado; centralizando la investigación en la determinación de las habilidades de las
redes para producir salidas correctas cuando analizan un dato real. El proyecto lo
realizaron conjuntamente con la compañía que lo solicitó, la cual se dedica a la
fabricación de bicicletas y por ende, necesita de tubos para la construcción de las
mismas; cuyo consumo debían predecir.

Base De Datos Y Codificación

En la Figura se muestran las series de tiempo que utilizaron para la planificación de la
demanda de materiales.

Figura. Series de tiempos empleados en la planificación de la demanda de materiales.

Cada serie de tiempo incluye datos desde 1992 a 1994 (semanalmente). Las series,
pedido y stock, fueron codificados dentro del intervalo [0.0, 0.9], para lo cual utilizaron
una función de transformación lineal. Mientras que al consumo lo codificaron en dos
pasos, porque esta serie de tiempo varía, en partes, de manera muy brusca. Para el
primer paso emplearon la fórmula:
𝑥𝑜𝑙𝑑 − 𝑚𝑥
𝑧𝑛𝑒𝑤 =
𝑠𝑡𝑑(𝑥)
Siendo mx el promedio de las series de tiempo y std(x) la desviación estándar de las
series de tiempo. Y para el segundo aplicaron una transformación lineal a la nueva serie
de tiempos z.

Topología De La Red:
Sobre el ensayo de diferentes redes neuronales observaron que, sin importar la
predicción que se haga (mensualmente, semanalmente), más de dos capas ocultas
desfavorecía el resultado obtenido.
Primero experimentaron solamente con la serie de tiempo del consumo, y con una red
neuronal constituida por nueve neuronas de entrada y una neurona más para la
estación; empleando 80 patrones para el entrenamientos y 53 para la validación. La
exactitud que lograron luego de varias corridas de la red neuronal, empleando
diferentes topologías, se muestran en la Tabla (error permitido: 20%, ciclos de
aprendizaje: 10000, algoritmos de aprendizaje: Quickpropagation o Resilient
Propagation).

Topología Exactitud
10-10-36-1 30.0 %
10-20-36-1 10.0 %
10-27-10-1 10.0 %
Tabla.
Como se puede observar, dando solo el consumo como una entrada no es suficiente
para predecir la demanda.
Luego, utilizaron todas las series de tiempo descriptas en la Figura como entradas a la
red neuronal y además, asignaron tres neuronas de entrada para cada serie de tiempo,
lo que resultó en una capa de entrada de nueve neuronas; logrando para las diferentes
topologías una exactitud como la que exhibe en la Tabla.
 Topología Error permitido Exactitud
9-27-1 10 % 86.36 %
20 % 89.39 %
9-9-18-1 10 % 87.88 %
20 % 90.15 % Los resultados
9-18-9-1 10 % 66.67 % citados no
20 % 70.45 % parecen ser
suficientemente buenos para la aplicación de una red neuronal real en el campo del
planeamiento de la demanda de materiales; no obstante, está claro que las técnicas de
las redes neuronales son prometedoras para la tarea. Actualmente se están ensayando
otros escenarios diferentes para mejorar las predicciones así obtenidas.

Lógica Difusa (Fuzzy Logic)

Es básicamente una lógica que permite valores imprecisos, inexactos, intermedios o
Aproximados para poder definir evaluaciones convencionales entre sí/no,
verdadero/falso, negro/blanco, etc. La inventó Lofti Zadeh en los años 60’s combinando
los conceptos de la lógica y de los conjuntos de Lukasiewicz mediante la definición de
grados de pertenencia. Expresiones como “bastante”, “mucho”, “poco”,”casi”,”muy” e
inclusive valores numéricos inexactos (0.001, 0.999, 1.0, 2.052) se pueden formular
matemáticamente y procesarse por medio del computador para así similar con mayor
precisión la forma de pensar del cerebro humano. Por lo tanto, si la lógica clásica es la
“ciencia que estudia las leyes, los modos y las formas del razonamiento“, entonces la
lógica difusa es la “ciencia que estudia las leyes, los modos yl as formas del razonamiento
aproximado".
CARACTERÍSTICAS
Soporta datos imprecisos
Es conceptualmente fácil de entender
Es flexible
Es tolerante a los datos imprecisos
Se basa en el lenguaje humano
Se basa en la experiencia de expertos conocedores del problema en cuestión.
Puede modelar funciones no lineales de alguna complejidad.
Combina en forma unificada expresiones lingüísticas con datos numéricos.
APLICACIONES
Sistemas de control de acondicionadores de aire
Sistemas de foco automático en cámaras fotográficas
Electrodoméstico
Optimización de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento
Tecnología informática
Bases de datos difusas: Almacenar y consultar información imprecisa.
EJEMPLO
Para un sistema de control de nivel de un tanque: •
“SI el nivel es muy bajo ENTONCES abra bastante la válvula
“Si el nivel es medio ENTONCES no abra ni cierre la Válvula”
SI el nivel es alto ENTONCES cierre un poco la válvula”•
“SI el nivel es muy alto ENTONCES cierre bastante la válvula”
Ventajas
Facilidad de implementación.
Los Buenos resultados en procesos no mejores resultados en la salida. (Al igual lineales
y de difícil modelización. Que ocurre con los humanos).
Modo de funcionamiento similar al comportamiento humano.

Los Algoritmos Genéticos

Son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y
optimización. Están basados en el proceso genético de los organismos vivos. A lo largo
de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los
principios de la selección natural y la supervivencia de los más fuertes, postulados por
Darwin. Por imitación de este proceso, los Algoritmos Genéticos son capaces de ir
creando soluciones para problemas del mundo real. La evolución de dichas soluciones
hacia valores óptimos del problema depende en buena medida de una adecuada
codificación de las mismas.
Un algoritmo genético consiste en una función matemática o una rutina de software
que toma como entradas a los ejemplares y retorna como salidas cuáles de ellos deben
generar descendencia para la nueva generación.
Versiones más complejas de algoritmos genéticos generan un ciclo iterativo que
directamente toma a la especie (el total de los ejemplares) y crea una nueva generación
que reemplaza a la antigua una cantidad de veces determinada por su propio diseño.
Una de sus características principales es la de ir perfeccionando su propia heurística en
el proceso de ejecución, por lo que no requiere largos períodos de entrenamiento
especializado por parte del ser humano, principal defecto de otros métodos para
solucionar problemas, como los Sistemas Expertos.
Ventajas Y Desventajas
No necesitan conocimientos específicos sobre el problema que intentan resolver.
Operan de forma simultánea con varias soluciones, en vez de trabajar de forma
secuencial como las técnicas tradicionales.
Cuando se usan para problemas de optimización maximizar una función objetivo
resultan menos afectados por los máximos locales (falsas soluciones) que las técnicas
tradicionales.
Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivamente
paralelas.
Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de las
otras técnicas.
Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta
medida de los parámetros que se utilicen tamaño de la población, número de
generaciones, etc.-.
Pueden converger prematuramente debido a una serie de problemas de diversa índole.
Limitaciones
El poder de los Algoritmos Genéticos proviene del hecho de que se trata de una técnica
robusta, y pueden tratar con éxito una gran variedad de problemas provenientes de
diferentes áreas, incluyendo aquellos en los que otros métodos encuentran dificultades.
Si bien no se garantiza que el Algoritmo Genético encuentre la solución óptima, del
problema, existe evidencia empírica de que se encuentran soluciones de un nivel
aceptable, en un tiempo competitivo con el resto de algoritmos de optimización
combinatoria. En el caso de que existan técnicas especializadas para resolver un
determinado problema, lo más probable es que superen al Algoritmo Genético, tanto
en rapidez como en eficacia. El gran campo de aplicación de los Algoritmos Genéticos se
relaciona con aquellos problemas para los cuales no existen técnicas especializadas.
Incluso en el caso en que dichas técnicas existan, y funcionen bien, pueden efectuarse
mejoras de las mismas hibridándolas con los Algoritmos Genéticos.
Aplicaciones
Diseño automatizado, incluyendo investigación en diseño de materiales y diseño multi
objetivo de componentes automovilísticos: mejor comportamiento ante choques,
ahorros de peso, mejora de aerodinámica, etc.
Diseño automatizado de equipamiento industrial.
Diseño automatizado de sistemas de comercio en el sector financiero.
Construcción de árboles filogenéticos.
Optimización de carga de contenedores.
Diseño de sistemas de distribución de aguas.
Diseño de topologías de circuitos impresos.
Diseño de topologías de redes computacionales.
En teoría de juegos, resolución de equilibrios.
Análisis de expresión de genes.
Aprendizaje de comportamiento de robots.
Aprendizaje de reglas de lógica difusa