SISTEMAS INTELIGENTES
|
|
- Carlos García Camacho
- hace 6 años
- Vistas:
Transcripción
1 SISTEMAS INTELIGENTES T4: Algoritmos Genéticos {jdiez, aic.uniovi.es
2 La idea es Qué pretende la IA? Producir agentes inteligentes Cuál es el mejor ejemplo de agente inteligente? El Hombre Cómo ha logrado ser inteligente? Gracias a la EVOLUCIÓN!!! La evolución se ha mostrado como una solución exitosa dentro de los sistemas biológicos La inteligencia humana es el mejor ejemplo del poder de la evolución Idea: seguir la teorías neo-darwinistas para hacer evolucionar los agentes inteligentes de un problema
3 Cómo funcionan? Simulan vagamente la evolución biológica Parten de una población de agentes (hipótesis) diseñados para realizar una determinada tarea La población evoluciona cómo? Sobreviven los mejores agentes: SELECCIÓN! Combinamos dos agentes: REPRODUCCIÓN! Alteramos agentes: MUTACIÓN! Tras cada generación, la población resuelve mejor la tarea para la que se diseñó Al final nos quedaremos con el mejor agente
4 El Ciclo Evolutivo Selección Padres Población Mutación Cruce Descendencia
5 Desmitificando un poco No producen hombres, ni nada parecido (de momento) Son sistemas de búsqueda Es una búsqueda informada, similar a la búsqueda por haz local (con cruce) Cuándo dejamos de evolucionar? A pesar de todo, tienen ventajas: Trabajan en espacios de búsqueda complejos Fácilmente paralelizables Éxito indudable en ciertas tareas
6 Técnicas evolutivas Programación evolutiva [Fogel, 60] Evolución al nivel de las especies Usa la mutación y la selección es probabilística No usan el cruce Estrategias Evolutivas [Alemania, 64] Evolución al nivel de los individuos Usan operadores de recombinación La selección es determinista Algoritmos Genéticos [Holland, 60] Programación Genética
7 Algoritmos Genéticos John Holland, 60s, y 70s, Univ. Michigan Idea original estudio teórico de la adaptación y los planes reproductivos (nombre original) Se evoluciona el genotipo y no el fenotipo Representación genética independiente del dominio: cadenas binarias Selección probabilística Operación principal: cruce La mutación desempeña un papel secundario
8 Qué necesitamos para definir un GA? Representación de las soluciones (genotipos) Función de evaluación Estrategia de selección Operadores genéticos (cruce, mutación, ) Parámetros: Tamaño de la población Porcentaje de elitismo/cruce Probabilidad de mutación Criterio de parada (calidad de la solución, nº máximo de generaciones, )
9 Algoritmo genérico (genético) GA ( F, F_T, p, r, m) F: función de evaluación, valora cada genotipo F_T: nivel de aceptación p: número de individuos (hipótesis) en la población r: porcentaje de la población reemplazada por cruce m: probabilidad de mutación P = generar p hipótesis (aleatoriamente) (Población inicial) Para cada h P, evaluar F(h) Mientras ( max h P F(h) < F_T ) hacer Crear una nueva población Ps 1) Ps = Selección probabilística de (1-r)*p miembros de P Cada hipótesis tiene Pr(h)=F(h)/ΣF(h) de ser elegida 2) Cruce: seleccionar r*p/2 parejas de individuos de P Cada pareja genera 2 descendientes Ps 3) Mutación: selección uniforme de m*p miembros de Ps Se actualiza P: P = Ps Para cada h p, evaluar F(h) Fin Mientras Retornar el mejor individuo: h, tal que F(h)=max h P F(h) Fin GA
10 Representación de los genotipos Hay que definir cómo se representan las características genéticas de los individuos (soluciones, hipótesis) de la población Aspecto muy importante en la definición de GA La representación afecta a la definición de los operadores genéticos (selección, cruce, mutación) Muchos tipos de representación: Cadenas de bits (la más típica) Código Gray (mantiene la adyacencia) Punto Flotante (Binaria, Real) Entera LISP, Expresiones, (Programación Genética)
11 Representación: Cadenas de bits (I) Se utilizan cadenas de bits para representar los distintos genotipos existentes Es un tipo de representación que se adapta a casi cualquier problema Ej. Problema n-reinas: Podemos usar una matriz de bits Demasiadas reinas
12 Representación: Cadenas de bits (II) Ej. Optimizar la función x*sen(10*pi*x)+2 en [-1,2] Para 6 decimales de precisión habrá valores (long. intervalo 3) = 2 21 < < 2 22 = ( ) representa al número (fenotipo) En esta caso: cada genotipo representa un fenotipo (OK!)
13 Representación: Cadenas de bits (III) Ej. Problema Nadar, atributos: Pronóstico: Soleado, Nublado, Lluvia Temperatura: Baja, Moderada, Alta Humedad: Normal, Alta Viento: Flojo, Fuerte Nadar: Si, No (Clase) Cada individuo representa una regla: Pronóstico Temperatura Humedad Viento Nadar SI Pronóstico = Lluvia Y Viento = Fuerte ENTONCES Nadar = No
14 Interpretación biológica Cromosoma: cadena de ADN que contiene la información genética de un individuo Gen: sección de ADN que codifica una cierta función bioquímica (p.e. producir una proteína) Alelo: cada valor posible para una cierta posición genética Pronóstico Temperatura Humedad Viento Nadar Gen#1 Gen#2 Gen#3 Gen#4 Gen#5 Cromosoma
15 Representación: otros aspectos Cromosomas de longitud variable Nadar: cada individuo es un conjunto de reglas SI (Pronóstico = Soleado ) Y (Humedad = Normal) ENTONCES Nadar = Si SI (Pronóstico = Soleado ) Y (Humedad = Alta) ENTONCES Nadar = No Individuos correctos La representación de los individuos y los operadores genéticos deben diseñarse para producir siempre individuos correctos Faltan genes!!!
16 Cadenas de bits: Ventajas Representación universal Es la que usan los ordenadores Justificación teórica (y biológica): Representación con muchos genes y con pocos alelos posibles Es lo habitual en los cromosomas naturales Se favorece la diversidad y la formación de buenos bloques constructores Bloque constructor: grupo pequeño de genes que ha coevolucionado y que si se introdujera en un cromosoma incrementaría probablemente su aptitud
17 Cadenas de bits: Problemas Escalabilidad, cromosomas demasiado grandes Precisión limitada Diferencias entre el espacio genotípico y el fenotípico Pero: 5 (entero) = (entero) = 110 Distancia 1 en el espacio fenotípico, y 2 en el genotípico Posible solución: usar código Gray Todas las representaciones tienen inconvenientes Es la representación más usada
18 Otras representaciones: enteros n-reinas: un entero por cada columna indicando en qué fila está la reina Individuo: TSP: se representa cada ciudad con un número {1,,n} y cada individuo será una permutación de esos números indicando el orden de recorrido Individuo:
19 Cómo diseñar buenas representaciones? La representación no debe tener sesgos, todos los individuos se deben encontrar representados de manera equitativa en el conjunto de genotipos posibles. Es decir, los genotipos deben representar bien los fenotipos La representación no debería permitir soluciones no factibles La función de evaluación debe aplicarse fácilmente (de forma rápida) sobre los genotipos de los individuos La representación debe poseer localidad (cambios pequeños en el genotipo resultan en cambios pequeños en el fenotipo) La representación debe ajustarse a un conjunto de operadores genéticos de tal forma que se transmitan los bloques constructores de padres a hijos Una buena representación debe minimizar la epístasis (la medida en que la contribución de aptitud de un gen depende de los valores de los otros genes)
20 Función de evaluación (o de fitness) Mide la aptitud de cada individuo. Nos permiten evaluar la calidad de los genotipos Hay muchas posibles: Precisión de la hipótesis Coste de la solución (TSP) Nivel de complejidad: se prefiere la más simple (Occam) Híbridas Es dependiente del problema Debe ser rápida, se ejecuta muchísimas veces Es clave en el algoritmo, en base a ella se decide la selección de individuos, y de ella depende en gran medida la velocidad de ejecución (y por tanto las soluciones que se pueden alcanzar)
21 Selección de individuos Permite que las poblaciones mejoren sucesivamente Normalmente siempre se suele incluir el mejor individuo en la siguiente generación (elitismo) La selección no se debe basar en elegir sólo a los mejores individuos (problema de crowding) Aunque los mejores deben tener siempre más probabilidad de ser elegidos (convergencia) Hay muchísimas técnicas de selección Proporcional Por torneo Ranking
22 Selección Proporcional Este nombre describe un grupo de esquemas de selección originalmente propuestos por Holland Eligen individuos de acuerdo a su contribución de aptitud con respecto al total de la población Pueden provocar poca diversidad, propiciando que predominen los mejores individuos (crowding) Variantes: Ruleta Sobrante Estocástico Universal Estocástica P ( h ) i f = p j = 1 [ hi ] f [ h ] j
23 Selección por torneo y ranking Torneo: Ranking Se seleccionan uniformemente un grupo de individuos k Con probabilidad p se selecciona el mejor individuo El parámetro p permite controlar el crowding Similar al proporcional Se ordenan los individuos de acuerdo a su aptitud La probabilidad de selección es proporcional a la posición en el ranking
24 Operador de cruce Combina individuos (típicamente 2) para generar descendientes (usualmente 2) Máscara de cruce: máscara de bits que indica los miembros del primer y del segundo padres que se transmiten a la descendencia Single-Point Padres: Máscara: Descendientes: Two-Point Padres: Máscara: Descendientes: Uniform (bit aleatoriamente elegidos) Padres: Máscara: Descendientes:
25 Operador de mutación Idea: introducir cambios aleatorios en las estructuras (genes) Provoca: una búsqueda estocástica por el espacio de hipótesis Single-Point Individuo: Individuo mutado: (bit aleatorio) Multi-Point Se invierten múltiples bits (elegidos aleatoriamente)
26 Ejemplo: las n reinas (I) Representación: entera, cada dígito indica la fila dentro de la columna i-ésima donde está situada la reina i Fitness: pares de reinas no atacadas Selección: proporcional Cruce y mutación: single-point Ejemplo:
27 Ejemplo: las n reinas (II)
28 Esquemas Objetivo: identificar bloques constructores Describen familias de individuos Definición: cadena contiene tres símbolos, 0, 1, *. El * representa que en esa posición da igual un 1 ó un 0 Ejemplo: ***010*** Caracterizan las poblaciones de acuerdo al número de individuos que representan cada esquema m(s,t)= nº de individuos con el esquema s en la población del instante t
29 Programación Genética Uso de estructuras de árboles para representar programas de computadora Se predetermina la máxima profundidad de los árboles, pero no su topología precisa El tamaño, forma y contenido de los árboles puede cambiar dinámicamente durante el proceso evolutivo
30 Funciones más utilizadas Operaciones aritméticas: +,-,*, Funciones matemáticas: seno, exp, Operaciones Booleanas: AND, OR,.. Operadores condicionales: IF Iteraciones: DO-UNTIL Recursión Cualquier función específica
31 Cruce
32 Aplicaciones Problemas de optimización combinatoria Problemas de ajuste de parámetros Problemas de satisfacción de restricciones, planificación y asignación de recursos espaciales y temporales Optimización (estructural, de topologías, numérica, combinatoria, etc.) Reconocimiento de patrones Generación de gramáticas (regulares, libres de contexto)
Son una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 4 : PROGRAMACIÓN
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detalles3. Algoritmo genético
3. Algoritmo genético 3.1 Antecedentes El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin. Se presentarán aquí los conceptos básicos más importantes para entender
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesII Unidad EL ALGORITMO GENETICO BINARIO. Rafael Vazquez Perez
II Unidad EL ALGORITMO GENETICO BINARIO Rafael Vazquez Perez Contenido 2.1.- Algoritmos Genéticos: La Selección Natural en una Computadora 2.2.- Componentes de un Algoritmo Genético 2.2.1.- Selección de
Más detallesTema 2: Algoritmos Genéticos
Tema 2: Algoritmos Genéticos p. 1/3 Tema 2: Algoritmos Genéticos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesAnálisis de algoritmos
Tema 14: Algoritmos de aproximación M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom 1 Contenido Introducción Algoritmos de aproximación
Más detallesComputación Evolutiva Algoritmos Genéticos
Computación Evolutiva Algoritmos Genéticos Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Hace 200 años... Inteligencia Computacional - FICH - UNL La idea de que las especies
Más detallesAlgoritmos Genéticos Y
Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Selección Rank Based
Más detallesCONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA
CONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA Mario Alberto Llorente Lopez PFC Ingeniería en Informática 24 de Enero de 2012 CONTENIDO Introducción Objetivos Planificación
Más detallesTema 5: Algoritmos Genéticos
Tema 5: Algoritmos Genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial Búsqueda
Más detallesAlgoritmos Genéticos. Introduccion a la Robótica Inteligente
Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)
Más detallesINSTITUTO TECNOLOGICO DE NUEVO LAREDO ING. BRUNO LÓPEZ TAKEYAS INTELIGENCIA ARTIFICIAL ALGORITMOS GENETICOS
INSTITUTO TECNOLOGICO DE NUEVO LAREDO ING. BRUNO LÓPEZ TAKEYAS INTELIGENCIA ARTIFICIAL ALGORITMOS GENETICOS GABRIELA MARQUEZ GONZALEZ 99100165 ITZEL MORA GARZA 99100202 LUIS BENITO ORDOÑEZ GOMEZ 99100155
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA PROGRAMA DE LA ASIGNATURA DE: INTELIGENCIA ARTIFICIAL II IDENTIFICACIÓN
Más detallesAlgunas ventajas asociados comúnmente a ellos son:
CAPITULO 3 ALGORITMOS GENÉTICOS Charles Darwin construyó la Teoría de la Evolución, en la cual afirma que las especies naturales van evolucionando para adaptarse al medio en que viven. Aquellos individuos
Más detallesIntroducción a los Algoritmos Genéticos
Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesConceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales. Clase 12 CIA Clase 5 SIA Algoritmos genéticos Búsqueda adversaria
Conceptos de Inteligencia Artificial & Sistemas Inteligentes Artificiales Clase 12 CIA Clase 5 SIA Algoritmos genéticos Búsqueda adversaria Dr. Luciano H. Tamargo http://cs.uns.edu.ar/~lt Departamento
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesA veces queremos almacenar algún elemento que es Verdadero o Falso. Este tipo de dato se llama Booleano y su representación es sencilla, para cada
Hemos visto que los ordenadores modernos son máquinas digitales que sólo funcionan con datos binarios. Así que necesitamos una representación binaria de cada dato que queremos usar en un ordenador. El
Más detallesTema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial p. 1/2 Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e
Más detallesAnálisis y Diseño de Algoritmos Tablas de Hash
Análisis y Diseño de Algoritmos Tablas de Hash Guillermo Morales-Luna Arturo Díaz Pérez CONTENIDO 1. Dispersión 2. Funciones de dispersión (a) Método de división (b) Método de multiplicación 3. Direccionamiento
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesAlgoritmos genéticos: Aplicación al problema de la mochila.
Algoritmos genéticos: Aplicación al problema de la mochila. Javier Hidalgo Sánchez Universidad Carlos III de Madrid Coria, Cáceres, España 00056426@alumnos.uc3m.es Jesús Ignacio Turrado Martínez Universidad
Más detallesProcesadores de lenguaje Tema 7 Generación de código intermedio
Procesadores de lenguaje Tema 7 Generación de código intermedio Departamento de Ciencias de la Computación Universidad de Alcalá Resumen Representaciones intermedias Código de 3 direcciones Cuádruplas
Más detallesFUNDAMENTOS DE PROGRAMACIÓN ENTERA
02 de Octubre de 2017 FUNDAMENTOS DE PROGRAMACIÓN ENTERA Ingeniería en Informática Ingeniería Industrial Universidad Católica Andrés Bello Programación Entera José Luis Quintero 1 Puntos a tratar 1. Investigación
Más detallesAritmética finita y análisis de error
Aritmética finita y análisis de error Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Aritmética finita y análisis de error 1 / 38 Contenidos 1 Almacenamiento
Más detallesCapítulo III ALGORITMOS EVOLUTIVOS
Capítulo III ALGORITMOS EVOLUTIVOS 3.1. INTRODUCCIÓN Ha habido un interés creciente en algoritmos que se basan en el principio de evolución (supervivencia del mejor). Un término común, aceptado recientemente,
Más detallesTipos de datos y Operadores Básicos
Módulo I: Conceptos Básicos Tema 1. Qué es un ordenador? Tema 2. Cómo se representan los datos en un ordenador? Tema 3. Qué es un lenguaje de programación? Tema 4. Cómo se hace un programa informático?
Más detallesALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES
ALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES CRISTIAN C. FORERO 35 ALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES CRISTIAN C. FORERO* Recibido / Aceptado
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detallesLÓGICA SECUENCIAL Y COMBINATORIA
LÓGICA SECUENCIAL Y COMBINATORIA SESIÓN # 2 1.4 Conversión de otra base a decimal. En los sistemas numéricos posicionales, la conversión de otra base a decimal se hace con el método de la suma [3]. Este
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesJava. Introducción a la Programación Orientada a Objetos
Java Java es un lenguaje de programación presentado en 1995 enfocado a: soportar los fundamentos de la programación orientada a objetos. generar código independiente de la arquitectura de la computadora
Más detallesIntroducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09
Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones
Más detallesVARIABLES, CONSTANTES Y EXPRESIONES ASIGNACIÓN. TIPOS ELEMENTALES. PRECEDENCIA DE LOS ESTRUCTURAS DE CONTROL. CONDICIONAL E
Java Java es un lenguaje de programación presentado en 1995 enfocado a: soportar los fundamentos de la programación orientada a objetos. generar código independiente de la arquitectura de la computadora
Más detallesInteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales
Inteligencia Artificial II Unidad Plan 2010-Ingeniería en Sistemas Computacionales Rafael Vázquez Pérez Unidad II:Técnicas de Búsqueda. 2.1. Solución de problemas con búsqueda. 2.2. Espacios de estados.
Más detallesTema 1 INTRODUCCIÓN A LOS LENGUAJES DE PROGRAMACIÓN
Tema 1 INTRODUCCIÓN A LOS LENGUAJES DE PROGRAMACIÓN - Introducción - Sintaxis - Semántica básica - Tipos de datos - Expresiones y enunciados - Procedimientos y ambientes - Tipos abstractos de datos y módulos
Más detallesAgenda. 0 Operaciones aritméticas 0 ASCII 0 UTF-8 0 Código Gray. 0 Números de punto flotante
Agenda 0 Operaciones aritméticas 0 ASCII 0 UTF-8 0 Código Gray 0 BCD 0 Números de punto flotante Operaciones aritméticas Suma de números binarios 0 0 1 1 + 0 + 1 + 0 + 1 0 1 1 10 1 Sumando + 1 Sumando
Más detallesTema 6: Búsqueda local y algoritmos genéticos
Tema 6: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial I, 2012 Índice Problemas
Más detallesTipos De Datos. Numéricos. Alfanuméricos (string) Arreglos (Vectores, Matrices) Estructurados Registros (Def. Por el Archivos Usuario) Apuntadores
Tipos De Datos Todos los datos tienen un tipo asociado con ellos. Un dato puede ser un simple carácter, tal como b, un valor entero tal como 35. El tipo de dato determina la naturaleza del conjunto de
Más detallesTema 2. Concepto de Algoritmo
Tema 2. Concepto de Algoritmo Objetivos Definir el concepto de algoritmo Resolver problemas sencillos mediante el diseño de un algoritmo Conocer los tipos de datos elementales y las operaciones sobre ellos
Más detallesNUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH
NUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH OSMAN K. EROL IBRAHIM EKSIN Istanbul Technical University GABRIEL LEIVA FRANCISCO ORTIZ SERGIO FERNANDEZ 1 OBJETIVO DE LA INVESTIGACIÓN Mejorar el criterio
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesEXPOSICIÓN UNIDAD II
SIMULACIÓN EQUIPO: 4 2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD CABRERA HERNÁNDEZ TERESA ELIZABETH 1 DE MARZO DEL 2011 2.1 GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS
Más detallesMétodos de Investigación en Psicología (7) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (7) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesCódigos IRA. Máster en Multimedia y Comunicaciones Comunicaciones Digitales. Luca Martino
Códigos IRA Máster en Multimedia y Comunicaciones Comunicaciones Digitales Luca Martino Codificación de Canal! Supongamos tener un canal binario discreto, simétrico sin memoria:! Objetivo: encontrar una
Más detallesGLOSARIO 1. Qué es bit y byte? Bit: Es la unidad mínima de información. Puede ser 0 o 1. Byte: Es el conjunto de 8 bits. Ejemplo:
Cuestionario Modulo 1.1 GLOSARIO 1. Qué es bit y byte? Bit: Es la unidad mínima de información. Puede ser 0 o 1. Byte: Es el conjunto de 8 bits. Ejemplo: 1001 0110. 2. qué es Dato? Definición: Es toda
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Más detallesAlgoritmos genéticos. Inteligencia Computacional TC3023
Algoritmos genéticos Inteligencia Computacional TC3023 Cromosoma Algoritmos Genéticos 2 Revisión 200913 El Cromosoma En la naturaleza, los organismos tienen ciertas características que influencian su habilidad
Más detallesESTRUCTURA Y TECNOLOGÍA DE COMPUTADORES I CAPÍTULO III ARITMÉTICA Y CODIFICACIÓN
ESTRUCTURA Y TECNOLOGÍA DE COMPUTADORES I CAPÍTULO III ARITMÉTICA Y CODIFICACIÓN TEMA 3. Aritmética y codificación 3.1 Aritmética binaria 3.2 Formatos de los números y su representación 3.3 Definiciones
Más detallesTema 1: Conceptos generales del Análisis
Tema 1: Conceptos generales del Análisis Numérico Cálculo Numérico I Anna Doubova y Blanca Climent Ezquerra Dpto. EDAN, Universidad de Sevilla 11 de febrero de 2018 A.Doubova y B. Climent Conceptos generales
Más detallesTema 4 Ampliaciones de la Genética Mendeliana I: T ma m a 5 5 Ampliaciones de la Genética Mendeliana II: Ampliaciones de la Genética
Tema 4: Ampliaciones de la Genética Mendeliana I: Árboles genealógicos. Rasgos autosómicos recesivos. Rasgos autosómicos dominantes. Dominancia incompleta. Alelos codominantes. Alelos múltiples. Tema 5:
Más detallesTema 2: Desarrollo de Algoritmos. E.E. de Algorítmica
Tema 2: Desarrollo de Algoritmos E.E. de Algorítmica Temas a tratar Identificadores Variables Constantes Tipos de Datos Separadores Operadores Aritméticos Unarios Relacionales y Condicionales Nivel de
Más detallesÁrboles de Decisión Árboles de Sintaxis
Árboles de Decisión Árboles de Sintaxis Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Árboles de Decisión Árbol de Decisión Forma gráfica de
Más detallesDiseño de Compiladores I. Estructura General de un Compilador
Diseño de Compiladores I Estructura General de un Compilador PROGRAMA FUENTE COMPILADOR SALIDA Mensajes de Error 2 Un compilador es un programa que traduce un programa escrito en lenguaje fuente y produce
Más detallesEstrategias de optimización con algoritmos genéticos complejos en la resolución de problemas de asignación de canales en redes celulares
Estrategias de optimización con algoritmos genéticos complejos en la resolución de problemas de asignación de canales en redes celulares Ing. Héctor Efrain Rodelo Torres Mayo 2013 Índice general 1 Objetivo
Más detallesOrganización de Computadoras
Organización de Computadoras CLASE 0 UNIVERSIDAD NACIONAL DE QUILMES Agenda Presentación de la materia Historia de las computadoras Sistema Binario Nosotros Horarios Miércoles 17:00 a 20:00 Teoría y Practica
Más detallesTECNICO SUPERIOR EN INFORMÁTICA EMPRESARIAL MÓDULO INTRUCCIONAL
1 TECNICO SUPERIOR EN INFORMÁTICA EMPRESARIAL MÓDULO INTRUCCIONAL TECNOLOGÍA DE LA COMPUTADORA FACILITADOR: PARTICIPANTE: DAVID, CHIRIQUÍ 2015 2 Qué es un programa? Un programa informático es un conjunto
Más detallesÁrea: INFORMÁTICA. Saber- Saber: Identificar DFD como herramienta para escribir los algoritmos de forma lógica.
Guía No: 2 Subdirección de Educación Departamento de Educación Contratada Colegio CAFAM Bellavista CED GUIA DE APRENDIZAJE Docente: Luz del Carmen Barrera Área: INFORMÁTICA Fecha: II BIMESTRE 2014 Grado:
Más detallesAlgoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales
Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada
Más detalles2.3 Clasificación de modelos matemáticos.
2.3 Clasificación de modelos matemáticos. Qué es un modelo? Un modelo es una representación ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesCarrera: SCB Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Matemáticas para computación Ingeniería en Sistemas Computacionales SCB - 0422
Más detallesBúsqueda Informada. Algoritmos primero el mejor Algoritmos de búsqueda local
Búsqueda Informada Algoritmos primero el mejor Algoritmos de búsqueda local Algoritmos primero el mejor Búsqueda primero el mejor Búsqueda Voraz A* Algoritmos primero el mejor Familia de algoritmos de
Más detallesBacktracking: Esquema General
Backtracking Idea: Técnica para recorrer sistemáticamente todas las posibles configuraciones de un espacio asociado a soluciones candidatos de un problema computacional. Se puede pensar este espacio tiene
Más detallesAplicaciones con. Eduardo Herrera Lana
Aplicaciones con Eduardo Herrera Lana Todos los derechos reservados. Prohibida su reproducción total o parcial por cualquier medio, electrónico o mecánico, para cualquier propósito, sin autorización escrita
Más detallesBúsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33
Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesUnidad III: Introducción a la Programación
Unidad III: Introducción a la Programación 3.1 Características del lenguaje de programación Un lenguaje de programación es un idioma artificial diseñado para expresar procesos que pueden ser llevadas a
Más detallesIngeniería en Sistemas Computacionales. Inteligencia Artificial. Ing. Bruno López Takeyas. Algoritmo Hill Climbing
Ingeniería en Sistemas Computacionales Inteligencia Artificial Ing. Bruno López Takeyas Algoritmo Hill Climbing Alumnos Ylliana Samantha Anderson Benavides 01100161 Pablo Saúl Hernández Ribota 01100230
Más detallesConceptos Básicos. En la vida siempre se enfrentan problemas en donde se deben tomar decisiones,
Capítulo 2 Conceptos Básicos En la vida siempre se enfrentan problemas en donde se deben tomar decisiones, tratando de llegar a un objetivo. La optimización es una herramienta que facilita dicha tarea.
Más detallesLOGICA DIGITAL ARITMETICA DE COMPUTADORAS ASPECTOS FUNDAMENTALES 1. FORMA DE REPRESENTAR LOS NUMEROS ( FORMATO BINARIO)
LOGICA DIGITAL ARITMETICA DE COMPUTADORAS ASPECTOS FUNDAMENTALES 1. FORMA DE REPRESENTAR LOS NUMEROS ( FORMATO BINARIO) 2. ALGORITMOS UTILIZADOS PARA REALIZAR LAS OPERACIONES BASICAS (SUMA, RESTA, MULTIPLICACION
Más detallesBÚSQUEDA DE RUTAS DE METRO
8Proyecto 3 BÚSQUEDA DE RUTAS DE METRO 1. DESCRIPCIÓN DEL PROBLEMA En este proyecto se quiere implementar un algoritmo evolutivo para buscar el mejor camino entre dos puntos de una red de metro. La calidad
Más detallesUnidad II: Análisis semántico
Unidad II: Análisis semántico Se compone de un conjunto de rutinas independientes, llamadas por los analizadores morfológico y sintáctico. El análisis semántico utiliza como entrada el árbol sintáctico
Más detalles+- S x B +-E. Este estándar presupone una representación normalizada. Es decir, los números a representar obedecen a la siguiente forma:
3.6 Codificación Punto Flotante Esta codificación nace por la necesidad de tener un rango más amplio de representatividad numérica, o cobertura. Los esquemas antes mencionados ofrecen un rango limitado
Más detallesTeoría del valor extremo como criterio de parada en la optimización heurística de bóvedas de hormigón estructural
VII Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados MAEB 2010 Valencia, 8-10 Septiembre 2010 Teoría del valor extremo como criterio de parada en la optimización heurística
Más detallesSeguimiento i de objetos
IV Seminario de Inteligencia Artificial y Robótica Seguimiento i de objetos con Filtros de Partículas Franco Grassano sanno89@gmail.com Maximiliano Marufo Da Silva Alejandro Gastón Alvarez Ignacio Bertacchini
Más detallesLA HIPÓTESIS DEL TEOSINTE
LA HIPÓTESIS DEL TEOSINTE INTRODUCCIÓN En la película, se muestra que George Beadle fue el primero en proponer que el teosinte es el ancestro silvestre del maíz. Pocos científicos estuvieron de acuerdo
Más detallesAlgoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesNÚMERO Y OPERACIONES (Aritmética y Estadística)
NÚMERO Y OPERACIONES (Aritmética y Estadística) que implican la construcción del significado y el uso de los números y sus operaciones empleando diversas estrategias de solución, justificando y valorando
Más detallesGENÉTICA DE POBLACIONES Dra. Blanca Urzúa Orellana Departamento de Ciencias Básicas y Comunitarias. Facultad de Odontología, U. De Chile.
GENÉTICA DE POBLACIONES Dra. Blanca Urzúa Orellana Departamento de Ciencias Básicas y Comunitarias. Facultad de Odontología, U. De Chile. GENÉTICA DE POBLACIONES 1. Introducción: Qué es la genética de
Más detallesAlgoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detalles4. Operadores Operador asignación
Programación orientada a objetos con Java 43 4. Operadores Objetivos: a) Describir los operadores (aritméticos, incrementales, de relación, lógicos y de asignación) y los tipos de dato primitivos sobre
Más detallesLA HIPÓTESIS DEL TEOSINTE
LA HIPÓTESIS DEL TEOSINTE INTRODUCCIÓN En la película, se muestra que George Beadle fue el primero en proponer que el teosinte es el ancestro silvestre del maíz. Pocos científicos estuvieron de acuerdo
Más detallesALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL
ALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL Palabras claves: optimización, algoritmos genéticos, robustez. Resumen Amador, Niño Jairo* Este documento presenta una introducción a los algoritmos genéticos
Más detallesAlgoritmos Genéticos y sus Aplicaciones
Algoritmos Genéticos y sus Aplicaciones Angel Kuri M. Centro de Investigación en Computación Instituto Politécnico Nacional oct. 2000 Computación Evolutiva 1 Computación Evolutiva» Algoritmos Genéticos
Más detallesPráctica 1: Representación de números
Práctica 1: Representación de números Organización del Computador I DC - UBA 2do. Cuatimestre 2014 Menú del día Hoy vamos a ver: Representación de numeros Aritmética en otras bases (no decimales) Cambios
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Más detallesTema#2. Tipos de Datos 10
2.1 DEFINICIÓN DE DATOS. Los datos son los objetos sobre los que opera una computadora. El tipo de un dato es el conjunto de valores que puede tomar durante el programa. Si se le intenta dar un valor fuera
Más detallesGenética Cuantitativa y Estimación de Heredabilidad
Genética Cuantitativa y Estimación de Heredabilidad Curso Métodos en Ecología Evolutiva Universidad Nacional de Córdoba 2011 Mariano Ordano Fundación Miguel Lillo & CONICET mariano.ordano@gmail.com Breves
Más detalles