Avances en Inteligencia Computacional

1
Avances en Inteligencia Computacional
ISAR PERU SAC
Intelligent Software and Research Peru SAC

• Dr. Juan G. Lazo Lazo

2
Que es Inteligencia Computacional?

• Técnicas y sistemas computacionales que imitan
  aspectos humanos, tales como percepción,
  raciocinio, aprendizaje, evolución y adaptación.

3
Inteligencia Computacional
Ofrece técnicas, métodos y algoritmos innovadores
inspirados en la naturaleza

• Sistemas Especialistas
• Lógica Fuzzy
• Redes Neuronales
• Algoritmos Genéticos
• Sistemas Híbridos

• inferencia humana
• procesamiento lingüístico
• neuronas biológicas
• evolución biológica
• aspectos combinados

4
Novos Sistemas Computacionais

• Apoyo a la Decisión
• Clasificación de Datos
• Reconocimiento de Padrones
• Previsión
• Optimización
• Control
• Modelar
• Planeamiento
• Descubierta de Conocimiento

5
Sistemas de Apoyo a la Decisión

• Sistemas Especialistas
• Lógica Fuzzy
• Redes Neuronales
• Algoritmos Genéticos
• Sistemas Híbridos
• Design/Síntesis Evolucionaría
• Neuro Fuzzy
• Alg. Genéticos Quánticos
• Neuro-Fuzzy-Genético
• Co-Evolución
• Técnicas Tradicionales

6
Áreas de Aplicación
7
Algoritmos Genéticos (AG)

• Algoritmos computacionales inspirados en los
  mecanismos de la evolución natural y
  recombinación genética.
• Algoritmo de busca adaptativa basado en el
  principio Darwiniano de reproducción y sobre
  vivencia de los más aptos.
• Su principal aplicación es en la área de
  optimización y síntesis de sistemas.

8
Ciclo del Algoritmo Genético
9
Algoritmos Genéticos (AG)
Aplicado em problemas complexos de optimización
de difícil modelagem matemática, con variedade
de regras e condições, ou con grande número de
soluções a considerar.
10
Modelos Evolutivos

• Nuevos modelos de optimización evolutiva
• Coevolución, con características especiales para
  la solución de problemas de optimización
  multicriterio (múltiples especies).
• Algoritmo Evolutivo con Inspiración Quántica, La
  evolución está inspirada en los principios de la
  mecánica quántica para acelerar la convergencia.
• Evolución Inspirada en colonias de especies,
  Colonias de hormigas, de abejas, cardúmenes, etc,
  especiales para resolver algunos tipos de
  problemas de optimización.

11
Optimización Multicritério

• Coevolución
• Evolución de soluciones empleando dos o más
  poblaciones geneticamente aisladas que componen
  la solución.
• Coevolución cooperativa

12
Optimización Multicritério

• Coevolución cooperativa - Seleción de
  colaboradores
• Presión de selección de colaboradores
• Mejor
• Peor
• Aleatório
• Combinaciones.
• Tamaño del grupo de colaboración
• Asociación de crédito de colaboración
• Optimista
• Pesimista
• Médio.

13
Evolución con Inspiración Quántica

• Algoritmo evolutivo para problemas de
  optimización numérica (Algoritmo Evolutivo con
  Inspiración Quántica usando Representación Real
  AEIQ R).
• Inspirado en el concepto de múltiples universos
  de la física quántica.
• Permite realizar la optimización con menos
  evaluaciones de soluciones. Menor tiempo para
  convergencia.
• Menos poblaciones y con pocos indivíduos.

14
Evolución con Inspiración Quántica AEIQ R

• iniciar
• 1. t ? 1
• 2. Genera población quántica Q(t) con N
  indivíduos con G genes
• 3. While (t lt T)
• 4. E(t) ? generar indivíduos clássicos
  observando indivíduos quánticos
• 5. If (t1) Then
• 6. C(t) ? E(t)
• 7. else
• 8. E(t) ? recombinación entre E(t) e C(t)
• 9. evalua E(t)
• 10. C(t) ? K mejores indivíduos de E(t)
  C(t)
• 11. fin If
• 12. Q(t 1) ? Actualiza Q(t) usando los N
  mejores indivíduos de C(t)
• 13. t ? t 1
• 14. fin While
• fin

15
Redes Neuronales (RNA)

• Modelos computacionales no-lineales, inspirados
  en la estructura y operación del cerebro humano.
• Reproducen características humanas, tales como
  aprendizaje, asociación, generalización y
  abstracción.
• Eficientes en aprender padrones a partir de datos
  no-lineales, incompletos, ruidosos y hasta
  compuestos por ejemplos contradictorios.
• Utilizadas en la solución de problemas
  clasificación, previsión, reconocimiento de
  padrones, entre otros.

16
Redes Neuronales (RNA)
Error Y - Real
Optimiza los pesos
17
Redes Neuronales (RNA)

• Algunas novedades
• Redes Neuronales Caóticas, basadas en la teoría
  del caos.
• Redes Neuronales Estocásticas, usa la estructura
  de la red neuronal para construir procesos
  estocásticos.

18
Redes Neuronales Caóticas

• Características
• Usan diferentes ecuaciones de la teoría del caos
  en la estructura de la red.
• Mayor capacidad de almacenamiento de información.
• Necesita de menos padrones para ser entrenadas.
• Pode ser utilizado en problemas donde las
  variables son inciertas.

19
Redes Neuronales Estocásticas

• Tradicionalmente las redes neuronales son buenos
  aproximadores de funciones.
• Basado en la estructura de la red neuronal son
  construidos procesos estocásticos.
• Incorpora en su estructura variables aleatorias.
• El proceso de entrenamiento busca la adherencia
  de la salida de la red a una distribución de
  probabilidad, maximiza la adherencia.

20
Lógica Fuzzy

• Basada en el procesamiento lingüístico.
• Objetivo modelar el modo aproximado de raciocinio
  humano.
• Desenvolver sistemas computacionales capaces de
  tomar decisiones racionales en un ambiente de
  incertidumbre e imprecisión.
• Sus principales áreas de aplicación son modelaje
  y control.

21
Lógica Fuzzy

• Permite que los sistemas inteligentes de control
  y soporte a la decisión usen informaciones
  imprecisas o fuzzy.

• Ejemplos presión media, flujo muy intenso,
  alta temperatura, persona muy joven

• Trabaja con esta información a través de un
  conjunto de reglas

antecedente
SI X1 ES muy caliente y X2 ES bajo ENTONCES gire
W un poco para la derecha
consecuente
22
Sistema Fuzzy
Ofrecidas por el especialistas o extraídas de
datos numéricos
REGLAS
Para activar las reglas
Para ofrecer la salida precisa
y Salida precisas
FUZZIFICADOR
DEFUZZIFICADOR
X Entradas precisas
Conjunto Fuzzy de salida
Conjunto Fuzzy de entrada
INFERENCIA
Mapea conjuntos fuzzy de entrada en conjuntos
fuzzy de salida Determina como las reglas son
activadas y combinadas
23
Sistema Fuzzy Tipo 2

• Aquí la variable es representada por un conjunto
  fuzzy, donde la función de pertinencia también es
  fuzzy.

1
Temperatura Alta
R
0
24
Sistema Fuzzy

• Principales aplicaciones se encuentran en la
  representación y tratamiento de incertidumbres.
• Incertidumbres de carácter lingüístico
• Incertidumbres de carácter probabilístico

25
Representación de incertidumbres

• Representación con Conjuntos Fuzzy
• Usa conjuntos fuzzy para representar
  informaciones imprecisa o vaga y emplea la lógica
  fuzzy para la toma de decisiones.

26
Representación de incertidumbres

• Representación con Números Fuzzy
• La variable con incertidumbre usa números fuzzy
  con la misma forma que la distribución de
  probabilidad.
• Usa la aritmética fuzzy para realizar las
  operaciones con Números fuzzy.
• Permite trabajar con varias incertidumbres,
  realizando cálculos con toda la incertidumbre en
  una operación.

27
Representación de incertidumbres

• Representación con Números Fuzzy
• Números fuzzy más comunes Triangular,
  trapezoidal y gausiano.

10 MM 20 MM 30 MM Distribución de
Probabilidad
10 MM 20 MM 30 MM Número Fuzzy
Triangular
28
Representación de incertidumbres

• Revisión de Números Fuzzy
• Número fuzzy es un conjunto fuzzy que debe
  cumplir las siguientes condiciones

• Estar definido en los números reales
• La función de pertenencia debe ser continua
• El conj. fuzzy debe ser normalizado
• El conj. fuzzy debe ser convexo

Cada a-cut define intervalos, luego es posible
utilizar la aritmética de intervalos
29
Representación de incertidumbres

• Operaciones con Números Fuzzy
• Son definidas basadas en la Teoría de intervalos.

Número Fuzzy B
Número Fuzzy A
30
Representación de incertidumbres

• Operaciones con Números Fuzzy
• Son definidas basadas en la Teoría de intervalos.

Número Fuzzy B
Número Fuzzy Resultante
Número Fuzzy A
Así todas las operaciones definidas por la
aritmética de intervalos son validas para los
Números Fuzzy
31
Representación de incertidumbres

• Operaciones con Números Fuzzy

Así todas las operações definidas por la
aritmética de intervalos son validas para los
Números Fuzzy
32
Representación de incertidumbres

• La ventaja de esta representación es que se
  consiguen buenas aproximaciones del valor de la
  variable
• Con una reducción significativa del tempo
  computacional.

33
Simulación Monte Carlo Fuzzy

• Esta metodología permite utilizar métodos de
  muestreo (procesos estocásticos) y números fuzzy,
  dentro de proceso de simulación Monte Carlo
  adaptado.
• Las incertidumbres que antes representadas por
  distribuciones de probabilidad son ahora
  representadas por números fuzzy.
• Los números fuzzy que pueden ser usados
  Triangular, trapezoidal y gausiano.

34
Simulación Monte Carlo
Média Probabilística
35
Simulación Monte Carlo

• Entretanto, cuanto mayor la muestra, mayor el
  costo computacional, pudiendo hasta inviabilizar
  la aplicación.
• El error de las estimativas puede ser reducido si
  la de las estimativas pudiera ser reducido de
  alguna forma.

36
Simulación Monte Carlo Fuzzy
incertidumbres Modeladas con Números Fuzzy
Triangular
Media Fuzzy Media Probabilística
37
Simulación Monte Carlo Fuzzy
incertidumbre 1 Modelada con Proceso Estocástico
o Distribuciones de probabilidad
incertidumbre 2 Modelada con Números Fuzzy
Triangular
Media Fuzzy
Media Fuzzy Media Probabilística
38
Simulación Monte Carlo Fuzzy

• En esta metodología no es necesario el muestreo
  de las variables con incertidumbre.
• Esta metodología transforma todas as operaciones
  en operaciones con números fuzzy.
• Y las realiza según la aritmética de números
  fuzzy.

39
Simulación Monte Carlo Fuzzy

• Permite el uso de técnicas de reducción de
  varianza.
• Esta metodología tiene la ventaja de reducir
  substancialmente el tiempo computacional.
• No tiene limitación en cuanto al número de
  incertidumbres a ser consideradas.

40
Simulación Monte Carlo Fuzzy

• Comparada con a metodología tradicional de
  simulación Monte Carlo, esta metodología híbrida
  presenta resultados próximos, con un error medio
  porcentual inferior al 0.4.
• Con reducción expresiva del tiempo computacional,
  en algunos casos un tiempo 200 veces menor.

41
Simulación Monte Carlo Fuzzy Ejemplo

• Problema evaluar una opción de expansión en una
  reserva de petróleo, considerando incertidumbres
  técnicas y de mercado.

• El modelo usa números fuzzy para representar
  incertidumbres técnicas, procesos estocásticos
  para a incertidumbre de mercado.
• Los resultados son comparados con los obtenidos
  por la simulación Monte Carlo tradicional.

42
Exemplo Valor da Opción Real de Expansão

• Los escenarios técnicos de la reserva (B) son
  revelados con un año de producción (t 4).

43
Ejemplo Valor de la Opción Real de Expansión
44
Aplicaciones

• Sistema de simulación, optimización y
  planeamiento de embarques
• Sistema inteligente de planeamiento y
  optimización de flujo de caja
• Sistema de optimización del planeamiento de
  tráfico por ferrocarriles
• Sistema de Optimización del Control de Válvulas
  en Pozos Inteligentes de petróleo
• Optimización Evolutiva de Campos Petrolíferos
  localización, número y tipo de pozos.
• Sistema de planeamiento de mantenimiento
  preventivo

45
Aplicaciones

• Sistema de optimización de cartera de contratos
  de compra y venta de Energía
• Identificación de Irregularidades y Prevención de
  Perdidas de Facturación para Media Tensión.
• Identificación de Irregularidades en el Consumo
  de Energía Eléctrica en Baja Tensión.
• Identificación y Prevención de Morosos para el
  Mercado de Grandes Clientes.
• Previsión de Carga Eléctrica
• Sistema Inteligente para Gestión de Riesgo en
  Contratos de Compra de Energía

46
Aplicaciones

• Marketing Dirigido por la Información
• Modelamiento del Comportamiento del Consumidor
• Enriquecimiento de Banco de Dados
• Classificación de Clientes
• Segmentación de Mercado
• Perfil do consumidor
• Previsión de audiencia
• Modelamiento do Comércio Minorista
• Análisis de Ventas
• Planejamento da Programação de TV
• Modelamiento de las preferencias de usuarios do
  transporte urbano

47
Contacto

• Dr. Juan Guillermo Lazo Lazo
• ISAR PERU SAC
• Intelligent Software and Research Peru SAC
• Pontificia Universidad Católica de Río de Janeiro
  
• E-mail juanlazo_at_isarperu.com
• juan_at_ele.puc-rio.br
• www.isarperu.com