INTRODUCCIN A LA COMPUTACIN BIOINSPIRADA La Computacin Bioinspirada: se basa en emplear analogas con sistemas naturales o sociales para la resolucin de problemas.

Los algoritmos bioinspirados simulan el comportamiento de sistemas naturales para el diseo de mtodos heursticos no determinsticos de bsqueda /aprendizaje/comportamiento. En la actualidad los Algoritmos Bioinspirados son uno de los campos ms prometedores de investigacin en el diseo de algoritmos. CARACTERSTICAS DE LOS ALGORITMOS BIOINSPIRADOS Modelan (de forma aproximada) un fenmeno existente en la naturaleza. Metfora biolgica. Son no determinsticos. A menudo presentan, implcitamente, una estructura paralela (mltiples agentes). Son adaptativos (utilizan realimentacin con el entorno para modificar el modelo y los parmetros). ALGUNOS MODELOS REDES NEURONALES: Basados en la simulacin del comportamiento del Sistema Nervioso.

a) En una arquitectura neuronal, el potencial primordial de cmputo se encuentra en la interaccin concertada de todas las neuronas que conforman la red. b) La informacin que se almacena en una red neuronal no se ubica en un punto especfico del espacio; ms bien est en el estado de las neuronas y en la arquitectura misma de la red.

c) La capacidad de cmputo se identifica con el alto nmero de neuronas de la red y el an ms alto nmero de conexiones (sinapsis) entre ellas (en el humano, hay cerca de 1011 neuronas y 1015 interconexiones). En la siguiente figura, cada crculo representa una neurona y cada lnea representa una sinapsis. Se puede distinguir cuatro capas (o conjuntos de neuronas). La primera se conoce como capa de entrada o de presentacin; las dos segundas se denominan ocultas porque no tienen contacto directo con el mundo exterior; la ltima se llama de salida. Implcito en la figura est el hecho de que, a cada sinapsis, se encuentra asociado un valor numrico llamado el peso de la sinapsis. En la figura ilustrada, cada neurona en todas las capas (excepto la de salida) est conectada con cada una de las neuronas en la capa siguiente. Probablemente el tipo de red ms usado es el denominado Perceptrn Multicapa (PMC). Este tipo de red propaga sus seales solo hacia adelante, como se muestra en la figura:

Cuando se presenta un conjunto de datos a una RN, cada neurona en la capa de entrada transforma sus entradas en una salida y la propaga hacia otras neuronas en la siguiente capa. Estas, a su vez, transforman y propagan sus seales de entrada y salida, respectivamente. Las neuronas en la capa de salida, finalmente, presentan sus salidas al entorno. Se dice que una RN aprende cuando a un conjunto de valores de entrada la red responde con el correspondiente (y adecuado) conjunto de valores de salida. Esta posibilidad depende de la arquitectura de la red y de los pesos asociados. Tpicamente la arquitectura es fija y lo que se modifica cuando se entrena una red son los valores de los pesos.

OPTIMIZACIN

BASADA

EN

COLONIAS

DE

HORMIGAS:

Fundamentados en la simulacin del comportamiento de las colonias de hormigas cuando recogen comida.

Las hormigas son insectos sociales que viven en colonias y que tienen un comportamiento dirigido al desarrollo de la colonia como un todo ms que a un desarrollo individual. En su recorrido, depositan una sustancia llamada feromona que todas pueden oler. Este rastro permite a las hormigas volver a su hormiguero desde la comida. Cada vez que una hormiga llega a una interseccin, decide el camino a seguir de un modo probabilstico.

Las hormigas eligen con mayor probabilidad los caminos con un alto rastro de feromona. Las bifurcaciones ms prometedoras (ms cercanas a la comida) van acumulando feromona al ser recorridas por ms hormigas (reclutamiento de masas).

Las menos prometedoras pierden feromona por evaporacin al ser visitadas por menos hormigas cada vez. An as, la gran perduracin de los rastros hace que la evaporacin influya poco

La accin continuada de la colonia da lugar a un rastro que permite a las hormigas encontrar un camino cada vez ms corto desde el hormiguero a la comida

Los algoritmos de OCH reproducen el comportamiento de las hormigas reales en una colonia artificial de hormigas. El problema debe poder representarse mediante un grafo con pesos.

En cada iteracin, cada hormiga artificial recorre el grafo generando un camino completo (solucin al problema) En cada paso, elige hacia qu nodo moverse segn una regla probabilstica de transicin La bondad de estas soluciones determina el aporte de feromona que realiza cada hormiga en el camino recorrido

PARTICLE SWARM OPTIMIZATION (PSO): Es una tcnica de Optimizacin inspirada en el comportamiento social de bandadas de aves, insectos, peces u otras sociedades de animales.

Ejemplo: Abejas

Cooperacin social Regulan la temperatura interna de la colmena Eficiencia va especializacin: divisin de la labor en la colonia

Comunicacin: Las fuentes de comida se explotan de acuerdo a la calidad y distancia desde la colmena

Caractersticas del enjambre

Compuesto de agentes simples (auto-organizado) Descentralizado: No existe un nico supervisor No hay un plan global (comportamiento emergente) Robusto: Las actuaciones se completan aunque un
individuo falle

Flexible:
o Puede responder a cambios externos o Percepcin del entorno (sentidos) o No existe un modelo explcito de entorno ni una habilidad para cambiarlo ALGORITMOS EVOLUTIVOS: Basados en los principios Darwinianos de Evolucin Natural.

En la naturaleza, los procesos evolutivos ocurren cuando se satisfacen las siguientes condiciones:

Una entidad o individuo tiene la habilidad de reproducirse. Hay una poblacin de tales individuos que son capaces de reproducirse. Existe alguna variedad, diferencia, entre los individuos que se reproducen. Algunas diferencias en la habilidad para sobrevivir en el entorno estn asociadas con esa variedad.

Los mecanismos que conducen esta evolucin no son totalmente conocidos, pero s algunas de sus caractersticas, que son ampliamente aceptadas:

La evolucin es un proceso que opera sobre los cromosomas ms que sobre las estructuras de la vida que estn codificadas en ellos.

La seleccin natural es el enlace entre los cromosomas y la actuacin de sus estructuras decodificadas. El proceso de reproduccin es el punto en el cual la evolucin toma parte, acta. La evolucin biolgica no tiene memoria.

Algoritmos de bsqueda basados en la mecnica de la evolucin: La seleccin natural La herencia gentica

Combinan la supervivencia del ms fuerte con intercambio de informacin entre individuos para generar descendientes. As se consigue crear sistemas de cmputo artificiales con

caractersticas propias de los sistemas naturales. Bucle general de un algoritmo evolutivo: Un algoritmo evolutivo sigue generalmente los siguientes pasos: Generar una POBLACIN aleatoria de N individuos Evaluar los individuos de la POBLACIN de acuerdo a la funcin de fitness Repetir durante GENERACIONES iteraciones: a. Aplicar el operador de seleccin para elegir S individuos de la POBLACIN. b. Aplicar los operadores genticos a esos S individuos para generar la descendencia. c. Evaluar los nuevos individuos de acuerdo a la funcin de fitness. d. Reemplazar los peores individuos en POBLACIN por los individuos recin creados.

Esquemticamente, podramos verlo segn la siguiente figura:

ALGORITMOS INMUNOLGICOS: Basados en la simulacin del comportamiento del sistema inmunolgico humano para resolver problemas mediante el ordenador.

Sistema Inmunolgico Natural: Es el encargado de proteger al cuerpo de los patgenos externos e internos. Emplea una defensa multinivel contra los invasores:

Mecanismos no especficos: Inmunidad innata. Primera

defensa ante un agente extrao. Mecanismos especficos: Inmunidad adquirida Su tarea principal es reconocer las clulas en el cuerpo y clasificarlas como propias y no propias.

Sistema inmune innato: Responde a bacterias. Sistema inmune adaptativo:

Defensa del cuerpo frente a patgenos Adaptacin a nuevas infecciones

Sistema Inmunolgico Artificial: Algunas cualidades de los Sistemas Inmunolgicos Artificiales:

Reconocimiento de extraos Deteccin de anomalas Deteccin distribuida Tolerancia a ruido Aprendizaje por refuerzo

El modelo computacional trabaja como un clasificador, detectando los elementos que son propios al problema y los que no lo son. El sistema artificial se adapta para ser cada vez ms preciso, usando mecanismos que imitan al funcionamiento de las clulas del sistema inmunolgico natural. Aplicaciones:

Deteccin y diagnstico de fallos Reconocimiento de patrones e imgenes Verificacin de firmas Seguridad computacional: deteccin de accesos no
autorizados a sistemas informticos