FACULTAD DE CIENCIAS Y TECNOLOGA

RED NACIONAL UNIVERSITARIA

SYLLABUS Facultad de Ciencias y Tecnologa Ingeniera de Sistemas ESTRUCTURAS CONCEPTUALES SEPTIMO SEMESTRE Gestin I/2011

U N

I V E R S I D A D

D E 1

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

UDABOL UNIVERSIDAD DE AQUINO BOLIVIA Acreditada como PLENA mediante R. M. 288/01

VISION DE LA UNIVERSIDAD Ser la Universidad lder en calidad educativa. MISION DE LA UNIVERSIDAD Desarrollar la Educacin Superior Universitaria con calidad y competitividad al servicio de la sociedad.

Estimado(a) estudiante: El syllabus que ponemos en tus manos es el fruto del trabajo intelectual de tus docentes, quienes han puesto sus mejores empeos en la planificacin de los procesos de enseanza para brindarte una educacin de la ms alta calidad. Este documento te servir de gua para que organices mejor tus procesos de aprendizaje y los hagas mucho ms productivos. Esperamos que sepas apreciarlo y cuidarlo.

U N

I V E R S I D A D

D E 2

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

SYLLABUS I. Asignatura: Cdigo: Requisito: Carga Horaria: Horas Tericas Horas Prcticas Crditos: Estructuras Conceptuales CMP427 CMP417 80 80 0 4

II. OBJETIVOS GENERALES DE LA ASIGNATURA. Estudiar los paradigmas de la Computacin Evolutiva de manera prctica basada en comportamientos, emergencia, teora del caos, redes neuronales, algoritmos genticos, agentes autnomos, visin artificial y robtica autnoma, brindando al estudiante una alternativa genrica para el desarrollo de una lnea de investigacin; para el desarrollo de la tesis o especializacin. Asociando la teora con la prctica en base a laboratorios de programacin. III. PROGRAMA ANALTICO DE LA ASIGNATURA. UNIDAD I ORIGENES DE LA VIDA TEMA 1. ORIGENES DE LA VIDA NATURAL Vida y evolucin Origenes filosficos Teoras Psicolgicas Teora vitalista vs Teora mecanicista. El organicismo Campos morfogenticos Teora evolucionista El origen del hombre

U N

I V E R S I D A D

D E 3

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

TEMA 2. VIDA ARTIFICIAL Animats Softbots Animatronics Vida artificial Polemica: Vida artificial vs Vida natural Biotica Clase especial TEMA 3. COMPUTACIN EVOLUTIVA Algoritmos evolutivos Programacin Gentica Hardware evolutivo UNIDAD II TECNOLOGIAS TEMA 4. SISTEMAS EMERGENTES Sistemas complejos Emergencia Entropa Teora de la Percolacin Nanotecnologa TEMA 5. TEORA DEL CAOS Fractales Dimensin fractal Tecnologa fractal Teora del Caos UNIDAD III
U N I V E R S I D A D D E 4 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

AGENTES TEMA 6. AUTMATAS CELULARES Autmatas celulares Autmatas celulares uni-dimensionales Autmatas celulares bidimensionales automatas de tres dimensiones Tema especial TEMA 7. AGENTES DE ESTMULO-RESPUESTA Agentes autnomos Agentes que planifican Bsqueda a ciegas Bsqueda heurstica Taxonoma de los agentes Mltiples agentes TEMA 8. VISIN ARTIFICIAL Visin artificial Etapas de la visin por computadora Redes neuronales Algoritmos genticos Anatoma de un AG Operadores Tema especial II. BIBILIOGRAFIA A continuacin se expone una amplia bibliografa de relativa accesibilidad en la biblioteca de la universidad o el mercado. En ella el estudiante podr profundizar el contenido de la asignatura. Cabe resaltar que no existe un libro base debido a la complejidad y variedad de temas.
U N I V E R S I D A D D E 5 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Bibliografa Bsica RICH ELAINE,Inteligencia Artificial RUSSEL STUART, Inteligencia Artificial Bibliografa complementaria Arkin, Ronald, 1998, Behavior-Based Robotics, Cambridge Masachusetts. Alvarez, J.C., 1998: Planificacin del movimiento de vehculos autnomos basadas en Sensores, pags.178, [Memoria para la obtencin del grado de Doctor Ingeniero Ariza, luis Miguel, 1997. Robots, el futuro est en sus manos, Conocer, No. 169. Gaylord, Richard & Wellin, Paul, 1995, Computer simulation with mathematica, New York, Springrer-verlag, Inc. Theraulaz, Guy & Bonabeau, eric. Insectos arquiectos. Mundo cientfico, la recherche en espaol. Peters, A. K., 2000, Sensor for movile robots. industrial], Gijn. Baum, D., 2000: Definitive Guide to lego mindstorms, pp. 385. Springer-Verlag, New York. Feingenbaum, E. A. & Feldman, J., 1963: Computers and Trought, pp. 535, McGraw-Hill, New York Hilera Gonzales, J. R. & Martinez Hernando, V. J., 1995: Redes neuronales artificiales, pags. 390. Addison-Wesley Iberoamericana, Madrid. Islas, E., [sin ao]: Hardware evolutivo, inedito]. Es importante que el estudiante acceda al laboratorio de Internet porque se dispone de informacin para la obtencin de datos de algunas de las pginas webs que se sugieren a continuacin, Direcciones WEB: http://www.control-automatico.net/htm/ca_ate_ina_art.htm www.legomindstorms.com www.petri.org VII. CONTROL DE EVALUACIONES
U N I V E R S I D A D D E 6 A Q U I N O B O L I V I A

[Notas para: Maestra en Inteligencia artificial,

FACULTAD DE CIENCIAS Y TECNOLOGA

1 evaluacin parcial Fecha Nota 2 evaluacin parcial Fecha Nota Examen final Fecha Nota APUNTES

U N

I V E R S I D A D

D E 7

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

UNIVERSIDAD DE AQUINO-BOLIVIA UNIDAD ACADMICA DE ORURO

CALENDARIO ACADMICO GESTIN I/2011 TURNOS REGULAR-TRABAJO ESTUDIANTES NUEVOS-ANTIGUOS

SEMANA

DEL

AL

ACTIVIDADES

OBSERVACIONES

1ra. 2da. 3ra. 4ta. 5ta. 6ta. 7ma. 8va. 9na. 10ma. 11ra. 12da. 13ra. 14ta. 15ta. 16ta. 17ma. 18va. 19na. 20va. 21ra.

09-mar 14-mar 21-mar 28-mar 04-abr 11-abr 18-abr 25-abr 02-may 09-may 16-may 23-may 30-may 06-jun 13-jun 20-jun 27-jun 04-jul 11-jul 18-jul 25-jul

12-mar 19-mar 26-mar 02-abr 09-abr 16-abr 23-abr 30-abr 07-may 14-may 21-may 28-may 04-jun 11-jun 18-jun 25-jun 02-jul 09-jul 16-jul 23-jul 26-jul

Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia Avance de materia
Inicio Evaluacin Final
Conclusin Evaluacin Final Evaluacin del segundo turno Cierre de Gestin

Inicio Primera Evaluacin Parcial Conclusin Primera Evaluacin Parcial

Presentacin de Notas Presentacin de Notas

Inicio Segunda Evaluacin Parcial

Presentacin de Notas

Avance de materia Conclusin Segunda Evaluacin Parcial Presentacin de Notas

Presentacin de Notas Transcripcin de Notas Transcripcin de Notas

FERIADOS 22 de abril Viernes Santo 1 de mayo Da del Trabajo 23 de junio Corpus Christi
U N I V E R S I D A D D E 8 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

IX. WORK PAPERs

INGENIERIA DE SISTEMAS FACULTAD DE INGENIERIA WORK PAPER # 1 PROGRAMA DE CONTROL DE CALIDAD Nro DE PROCEDIMIENTO: ELABORO: ING.EVELYN MARCIA FLORES MAGNE TITULO WORK PAPER: EVOLUCION MOLECULAR Y EL ORIGEN DE LA VIDA DPTO: DESTINADO A: DOCENTE ALUMNOS X ADMINISTRATIVOS OTROS UDABOL ORURO CDIGO: CMP 427 APRO 07 Nro. DE HOJAS: 2

OBSERVACIONES: I NGENIERIA DE SISTEMAS- ESTRUCTURAS CONCEPTUALES- UNIDAD I FECHA DE DIFUSIN: FECHA DE ENTREGA:

U N

I V E R S I D A D

D E 9

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

.WORKPAPER # 1 ESTRUCTURAS CONCEPTUALES EVOLUCIN MOLECULAR Y EL ORIGEN DE LA VIDA. Qu es la vida?, todos hemos tenido curiosidad por nuestro origen mediato y el primitivo, sin duda los recientes adelantos y amplios estudios genticos en el campo de la biologa molecular han producido una visin adicional a las preguntas del origen, tal cmo el origen de la vida se dio en la Tierra. Este escenario proporciona una apreciacin global de la gentica en perspectiva con la ingeniera informtica en cuanto a la similitudes y a los avances debidos a esta ultima disciplina. Nosotros los ingenieros de la computacin y la electrnica, hemos mostrado inters en la gentica debido a las similitudes entre los procesos genticos e informticos. Hay un cdigo gentico digital y hay lgica digital con funciones y matrices lgicas. Hay incluso errores que corregir en el copiado digital o en la codificacin gentica. El rbol de la vida La evolucin, es el concepto que pretende explicar que toda la vida en el planeta se deriva de un antepasado comn. Hiptesis que pretende ligar todos los fenmenos fsicos, qumicos, biolgicos por transformaciones sucesivas ms o menos graduales y continuas de una sola realidad primaria. La bioqumica de organismos vivientes es una coleccin de estrategias exitosas acumuladas a travs de billones de aos de experimentacin de la vida. La mayor estimacin de los aos que la vida esta en la tierra se calcula en 3.85 mil millones de aos Esto es basado en las proporciones de istopo de carbono en algunas de las piedras sedimentarias ms viejas conocidas en la tierra, las rocas Itsaq la piedra gnesis en el sur oriental de Groenlandia. Estas piedras no contienen microfsiles visibles, pero las clulas vivientes preferencialmente incorporan el istopo ms ligero del carbono C12 no el C13 o C14. Material que se ha originado de los seres vivientes, tiene una proporcin de estos istopos de carbono que refleja el decaimiento de los istopos ms pesados. El carbono de materiales no orgnico-biolgico tiene una proporcin diferente. Las proporciones de istopo de carbono vistas en estas piedras antiguas de 3.85 mil millones de aos parece como si tuvieran un origen en clulas vivientes. Un decaimiento similar de istopos de carbono se ha reportado para un meteorito marciano que se pens contena microfsiles
U N I V E R S I D A D D E 10 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Qu significa eso para el origen de la vida? El planeta se form hace aproximadamente 4.5 mil millones de aos y se piensa que la superficie se encontraba fundida o bajo el bombardeo continuo del espacio antiguo hasta hace aproximadamente 4 mil millones de aos. Los impactos de meteoros y la actividad volcnica habran hecho la superficie incapaz para la vida. La existencia probable de vida promedia 3.85 mil millones de aos, cuando la vida casi comenz en el planeta. Por consiguiente, el origen de vida en la tierra fue muy rpido. Cmo, donde y cuando ocurri el nacimiento de la vida? Hasta este siglo, es una clase de pregunta que normalmente se considera fuera del lmite para la capacidad humana. Dependiendo de su punto de vista, es para nosotros una seal de optimismo ilimitado que la ciencia y sus cientficos hoy esperan resolver el enigma de cmo la vida empez, lo decimos en lo absoluto sin ninguna arrogancia. En 1863, Charles Darwin coment que era un ejercicio ftil -poco apreciado- para intentar aplicar el pensamiento cientfico a este origen de orgenes, cuando las primeras cosas vivientes asumieron y transformaron a nuestro planeta inanimado. Ocho aos despus l haba cedido un poco, meditando ms adelante, se pregunto si la vida podra haber empezado en algunos "estanque clidos y pequeos" condimentados con especies qumicas orgnicas simples. Pero dnde en la Tierra podemos encontrar los ladrillos moleculares que formaron la vida, en un planeta que simplemente es una masa de piedra y agua? Nosotros nos hemos acostumbrado a la idea de una Tierra que germina la vida en cada nicho, que es difcil imaginarse el mundo yermo inhabitado- de hace cuatro mil millones de aos, cuando los mares fueron formados y el propio planeta era una mitad no ms vieja -mil millones de aos-. De algn modo, este mundo desov las protenas y los cidos nucleicos ADN y ARN- sas son las huellas digitales moleculares que distinguen vida. Algunos cientficos han especulado que estas molculas no son en absoluto de cosecha propia, es decir esa vida se sembr del espacio, por esporas llevadas desde el profundo espacio helado a otra parte a travs del vaco interestelar de un mundo viviente. Esta idea, se ha llamado "panspermia" en 1907 por el qumico sueco Svante Arrhenius y se hizo revivir en los aos sesenta por Francis Crick, el co-descubridor de la estructura del ADN. Pero finalmente esto no slo es satisfactorio como hiptesis, mientras sta dirige hacia afuera la atencin, la pregunta central la enva a otro lado, a otro lugar, pero sigue siendo cientfica -- porque no es obvio cmo pudiera probarse la vida-. La mayora de los cientficos prefiere asumir que las molculas que
U N I V E R S I D A D D E 11 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

constituyeron los organismos ms primitivos surgieron de molculas ms simples, pequeas formadas por procesos no biolgicos en la Tierra primitiva. Cuestionario 1. Cules son las piedras sedimentarias ms viejas conocidas en la tierra? 2. Segn las incorporaciones de istopos de Carbono, de cuantos aos data la tierra?

U N

I V E R S I D A D

D E 12

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

INGENIERIA DE SISTEMAS FACULTAD DE INGENIERIA WORK PAPER # 2 PROGRAMA DE CONTROL DE CALIDAD Nro DE PROCEDIMIENTO: APRO 07 Nro. DE HOJAS: 7

ELABORO: ING. EVELYN FLORES MAGNE TITULO WORKPAPER: VIDA ARTIFICIAL DPTO: DESTINADO A: DOCENTE ALUMNOS X ADMINISTRATIVOS UDABOL ORURO

CDIGO: CMP427

OTROS

OBSERVACIONES: INGENIERA DE SISTEMAS ESTRUCTURAS CONCEPTUALESUNIDAD II FECHA DE DIFUSIN: FECHA DE ENTREGA:

U N

I V E R S I D A D

D E 13

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

VIDA ARTIFICIAL Caractersticas del campo Aunque el estudio de vida artificial tiene alguna superposicin significativa con el estudio de inteligencia artificial (IA), los dos campos son muy diferentes en su historia y mtodos. La investigacin de IA organizada empezaba temprano en la historia de calculadoras digitales, y se caracterizaba a menudo en aquellos aos por una enfoque "de arriba abajo" (top-down) basada en redes complejas de reglas. Los estudios de vida artificial no tuvieron un campo nada organizado hasta los aos 80, y a menudo trabajaban de forma aislada, sin conocer de otros que hacan trabajos similares. Si en alguna ocasin se preocupaban por la inteligencia, los investigadores tendan a centrarse en la natura "de abajo arriba" (bottom-up) de conductos emergentes. Los investigadores de vida artificiales se han dividido a menudo en dos grupos principales (aunque otros clasificaciones son posibles):

La posicin de vida artificial dura/fuerte manifiesta que "la vida es un proceso que se puede conseguir fuera de cualquier medio particular". (John Von Neumann). Notablemente, Tom Ray declaraba que su programa Tierra no estaba simulando vida en un ordenador, sino la estaba sintetizando.

La posicin de vida artificial dbil niega la posibilidad de generar un "proceso de vida" fuera de una solucin qumica basada en el carbono. Sus investigadores intentan en cambio imitar procesos de vida por entender aspectos de fenmenos sencillos. La manera habitual es a travs de un modelo basado en agentes, que normalmente da una solucin posible mnima. Esto es: "no sabemos qu genera este fenmeno en la naturaleza, pero podra ser algo tan simple cmo... "

El campo se caracteriza por el uso extenso de programas informticos y simulaciones que incluyen clculo evolutivo (algoritmos evolutivos, algoritmos genticos (GA por el ingls Genetic Algorithm), programacin gentica, inteligencia de enjambre, optimizacin de colonias de hormigas), qumica artificial, modelos basados en agentes, y autmatas celulares (CA del ingls Cellular Automata). A menudo aquellas tcnicas se ven como subcampos de la vida artificial. Adems de artculos tcnicos en los temas que son aceptados en conferencias de vida artificial hasta que su campo haya crecido lo suficiente para celebrar sus propias
U N I V E R S I D A D D E 14 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

conferencias. Como tal, a lo largo de los aos, la vida artificial tambin ha trabajado como trmino genrico provisional para tcnicas diferentes que no se aceptaran en otros campos. La vida artificial es un punto de reunin para gente de otros muchos campos ms tradicionales como lingstica, fsica, matemticas, filosofa, informtica, biologa, antropologa y sociologa en los cuales se puede hablar de enfoques computacionales y tericos inusuales que serian controvertidas dentro de su propia disciplina. Como campo, ha tenido una historia controvertida; John Maynard Smith criticaba el 1995 algunos trabajos de vida artificial como "ciencia libre de hecho", y no ha recibido generalmente demasiada atencin de los bilogos. Aun as, la publicacin recientes de artculos de vida artificiales en revistas ampliamente ledas como Science y Nature es evidencia que las tcnicas de vida artificial se estn volviendo ms aceptadas en la lnea central, como mnimo como mtodo que estudia la evolucin. Cuestionario 1. Qu es la vida artifical? 2. Cules son los subcampos de la vida artificial? 3. Indique una de las posiciones de la vida artificial

U N

I V E R S I D A D

D E 15

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

INGENIERIA DE SISTEMAS FACULTAD DE INGENIERIA WORK PAPER # 3 PROGRAMA DE CONTROL DE CALIDAD Nro DE PROCEDIMIENTO: APRO 07 Nro. DE HOJAS: 5

ELABORO: ING. EVELYN FLORES MAGNE

CDIGO: CMP427

TITULO WORKPAPER: OPCIOES DE UN ALGORITMO EVOLUTIVO DPTO: UDABOL ORURO

DESTINADO A: DOCENTE ALUMNOS X ADMINISTRATIVOS OTROS

OBSERVACIONES: INGENIERA DE SISTEMAS ESTRUCTURAS CONCEPTUALESUNIDAD II FECHA DE DIFUSIN: FECHA DE ENTREGA:

U N

I V E R S I D A D

D E 16

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORKPAPER #3 ESTRUCTURAS CONCEPTUALES Opciones de un Algoritmo Evolutivo Por lo general, estos programas comienzan con una fase de inicializacin de las entidades y su entorno, y seguidamente ejecutan repetidamente ciclos dentro de los cuales podemos distinguir tres etapas:

Evaluacin: se trata de asignar un valor de peso o fitness a cada individuo, en funcin de lo bien que resuelve el problema. Seleccin: ahora debemos clasificar a los agentes en cuatro tipos, segn sobrevivan o no, y segn se reproduzcan o no, en funcin de los pesos. Reproduccin: se generan los nuevos individuos, producindose algunas mutaciones en los nacimientos.

En realidad las dos primeras fases se pueden fundir en una, ya que no es estrictamente necesario asignar a cada entidad un peso, sino simplemente saber cules son mejores que otras, pero asignar pesos suele ser lo ms cmodo. Tambin podemos combinar la segunda y la tercera generando las nuevas entidades nicamente en la zona de memoria donde se encuentran los agentes a eliminar, y mantener as la poblacin constante. En cualquier caso, siempre existir alguna forma de evaluacin, seleccin y reproduccin. Cada uno de estos procesos se puede realizar de muchas formas distintas, independientemente del problema que se est resolviendo. En la siguiente tabla se resumen algunas opciones de un algoritmo evolutivo. Podemos idear muchas ms. En general se trata de distintas formas de producir, o bien una convergencia ms rpida hacia una solucin, o bien una exploracin ms a fondo del espacio de bsqueda. Ambas cosas son deseables y contradictorias, por lo que se ha de llegar a un compromiso. Este compromiso es lo que antes he llamado cooperacin. Por supuesto que todo esto no son ms que metforas. Se requiere de una fuerza conservadora (explotacin-egosmo), que beneficie a los mejores agentes, es decir, a los que mejor resuelvan nuestro problema. Esto es evidente, pero no basta. Tambin es necesaria una fuerza innovadora (exploracin-altruismo), que permita la existencia de agentes muy distintos, an cuando su peso sea menor. As se puede obtener la variedad suficiente para evitar una poblacin estancada en un mximo local, y permitir la resolucin de problemas cambiantes o con varios mximos. Esto ocurre de forma
U N I V E R S I D A D D E 17 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

espontnea en la naturaleza por ser algo inherente a cada entidad, que puede ser seleccionado, pero resulta ms cmodo programarlo de forma externa, es decir, haremos que nuestro programa seleccione para la reproduccin "los agentes buenos", pero tambin "unos cuantos de los malos" para mantener la variedad.

Opciones Generales
o o

Nmero de entidades. Nmero de elementos (genes, reglas) por cada agente. Desordenar las entidades antes de evaluarlas Diferentes formas de modificacin de los pesos despus de la evaluacin. Por ejemplo, el peso de una entidad se puede calcular independientemente de las dems entidades, o se puede modificar posteriormente este valor, disminuyendo el peso si existe otra entidad muy parecida, analizando para ello un cierto subconjunto de la poblacin vecina.

Mtodo de Evaluacin: Asignar un peso

o o

Mtodo de Seleccin: Quin muere? Quin se reproduce?

o o o o

Con o sin reemplazamiento Mtodo de la ruleta Mtodo de los torneos Seleccionar el n% mejor y el m% peor Los padres pueden tomarse por parejas o en grupos ms numerosos, elegidos al azar o en orden de pesos En el caso de detectar que los progenitores son muy parecidos, se puede realizar una accin especial, como incrementar la probabilidad de mutacin Las entidades pueden comunicar a otras su conocimiento, ya sea a toda o a una parte de la poblacin, directamente o a travs de una pizarra, (una especie de tabln de anuncios) Mtodo de recombinacin de genes: se puede tomar genes de uno u otro progenitor al azar, en un cierto orden, con uno, dos o ms puntos de corte, etc. Tasa de mutacin variable Fijar una tasa de mutacin diferente para cada individuo o incluso para cada gen Hacer que sea ms probable que se produzca una mutacin en un gen si en su vecino ya se ha producido
U N I V E R S I D A D D E 18 A Q U I N O B O L I V I A

Mtodo de Reproduccin: Generar y mutar nuevos hijos

o

o o o

FACULTAD DE CIENCIAS Y TECNOLOGA

o o

Sustituir por mutaciones genes sin utilidad, como reglas incorrectas o repetidas Tipos de mutaciones

Los tipos de mutaciones requieren de una mayor explicacin. Cuando los genes son bits, una mutacin consiste en invertir un bit, pero cmo mutar genes cuando cada gen puede tomar mas de dos valores? Supongamos que tenemos un problema con tres variables de 8 bits cada una. Tendramos cadenas como: 10001000-0101011111-11101110 Vamos a suponer que es probable que existan zonas de valores buenas y malas; es decir, que si el 7 es un buen valor y el 200 malo, ser probable que tambin el 8 sea bueno y el 199 malo. Sera interesante que las mutaciones nos permitiesen movernos (cambiar de valor) lentamente y con exactitud si estamos en la zona buena, pero tambin rpida y bruscamente por si acaso nos encontrramos en la mala. Esto lo podemos conseguir precisamente cambiando un bit al azar, ya que nos movemos lentamente cambiando bits de la parte derecha, y rpidamente con los de la izquierda. En cambio, si la mutacin consistiera en cambiar el valor de toda una variable por otro cualquiera, teniendo todos la misma probabilidad, podremos movernos rpidamente, pero no lentamente (al menos, con una probabilidad baja), con lo que perderamos valores interesantes. Si las mutaciones consistieran en incrementar o restar uno de forma circular, podramos movernos lentamente, pero no rpidamente, con lo que costara mucho salir de la zona mala. En definitiva se trata de, dado un valor, definir la probabilidad de pasar a cada uno de los valores restantes. Hemos supuesto que existen zonas de valores buenas y malas. Si esto no se cumpliera podramos simplemente "incrementar uno" de forma circular, para recorrer todos los valores cuanto antes. En general se observa que las mutaciones a nivel de bit son las ms adecuadas, aunque no siempre ocurre as. En cualquier caso, cuando combinemos dos cadenas deberemos actuar a nivel de variable, y combinar variables completas. De lo contrario estaramos generando multitud de mutaciones simultneas, rompiendo por cualquier lugar valores que pueden ser valiosos.

Programas autoconfigurables Qu opciones son las buenas? Tal vez sea posible determinar a simple vista si una eleccin es adecuada, pero en la mayora de los casos ser necesario un tedioso proceso de prueba, ya que la bondad de unas
U N I V E R S I D A D D E 19 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

puede depender de la eleccin de otras. Si algo se aprende programando algoritmos evolutivos es que las ideas geniales no siempre lo son. Es muy corriente la existencia de parmetros que aunque disminuyen el nmero de ciclos necesarios para llegar al tipo de entidad que buscamos, en la prctica no son rentables dado el incremento de la duracin de los ciclos. Ejecutar todas las posibles combinaciones de opciones es inconcebible No ser posible analizar varias en un nico algoritmo, en diferentes momentos? Y que tal analizar varias opciones simultneamente, en fracciones separadas de la poblacin? Es decir, Podemos crear algoritmos evolutivos autoconfigurables? Para responder a estas preguntas es interesante agrupar todos los aspectos y opciones en cuatro categoras, segn la siguiente figura.

Tipo gen Los aspectos de tipo gen sern aquellos que, como los genes, son diferentes dentro de un mismo individuo.

Tipo individuo Los aspectos de tipo individuo son aquellos que se mantienen iguales en un mismo individuo, pero difieren de unos agentes a otros.

Tipo isla Los aspectos de tipo isla son aquellos que son iguales para un subconjunto de individuos; de ms de uno, pero sin llegar al total.

Tipo poblacin Los aspectos de tipo poblacin son los que deben ser iguales para toda la poblacin.

Las opciones o aspectos de tipo gen pueden probarse introducindolos como parte de cada uno de los genes, dentro de cada uno de los genes. Si se quiere, se puede pensar en una matriz de dos dimensiones ms que en una cadena de genes. Vamos a verlo en el caso de un programa que aprende a jugar al tres en raya. Cada uno de los genes es una regla que dice cmo jugar ante determinada situacin. Antes de realizar un movimiento, el agente comprueba qu reglas puede usar y elige una de ellas. Cmo elegirla? Podramos pensar en asociar inicialmente a cada regla una prioridad arbitraria fija, y elegir la de mayor prioridad. Otra forma sera asignar a cada regla un peso que se incrementase cada vez que dicha regla fuera usada en una partida ganada, y aplicar la regla que en ms victorias haya participado hasta el momento. Para llevar a la practica cualquiera o las dos opciones combinadas, bastar con incluir la informacin como parte de cada gen. Si antes cada gen era una regla, ahora cada gen ser una regla, ms
U N I V E R S I D A D D E 20 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

un valor de prioridad, ms un peso. Otra opcin de tipo gen sera asignar una probabilidad de mutacin distinta para cada elemento de la cadena, de forma que los genes, despus de ser heredados, tengan diferentes probabilidades de mutarse. Si en un determinado momento, cierto valor de un gen se muestra como muy til, puede ser interesante que su probabilidad de mutacin disminuya, y viceversa.

Los aspectos de tipo individuo pueden probarse introducindolos como si fueran nuevos genes, a continuacin de los que ya existen. La tasa de mutacin, aunque suele ser igual para toda la poblacin, y hemos visto que podra ser incluso diferente para cada gen, podra tambin ser distinta para cada individuo, de forma que los hijos de ciertos agentes tengan mayor probabilidad de poseer mutaciones. Por ejemplo, en el tres en raya, una entidad estar compuesta por un conjunto de reglas ms una probabilidad de mutacin. Este valor se podr heredar y mutar, y si es til, se ver seleccionado, igual que una regla cualquiera. Antes hemos hablado de asignar una prioridad a cada regla. La prioridad asociada a cada regla es un aspecto de tipo gen, pero la decisin de asociar o no prioridades a las reglas es un aspecto de tipo individuo, que debe afectar obligatoriamente a todas sus reglas.
U N I V E R S I D A D D E 21 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Probar e implementar aspectos de tipo isla va a ser ms complicado. Por ejemplo, supongamos que queremos comprobar que ocurrira si permitimos a nuestros bichos compartir su conocimiento, es decir, transmitirse informacin gentica en forma de infeccin vrica, tal como relata Mximo Sandn . Podramos crear varias islas o sub-grupos de agentes con distintas opciones, mantenindolos separados por una barrera de algn tipo que no permita el contacto de unos con otros. Ms tarde podramos comparar el conocimiento obtenido en cada isla o incluso juntar de vez en cuando a algunos o a los mejores de cada grupo para la reproduccin [B2]. Las opciones de tipo isla pueden ser evaluadas automticamente sin modificar mucho el algoritmo, ya que es de esperar que los grupos con peores opciones se extingan. La idea general es que tanto para grupos como para individuos o genes, lo bueno sobrevive y lo malo perece. Para crear barreras, podemos definir tipos de especies distintas que slo son capaces de reproducirse entre s, poseyendo cada una de ellas, por ejemplo, distintos mtodos de recombinacin de genes, con uno, dos o ms puntos de corte en el cruzamiento, o incluso concibiendo de forma distinta los puntos de comienzo y fin de las unidades mnimas que se recombinan (genes). Curiosamente, en este caso, el propio mtodo de implementacin de las barreras (tipos de reproduccin incompatibles) es precisamente aquello que estamos probando. Para implementarlo podemos aadir un gen especial a cada agente de forma que slo los agentes con el mismo valor en dicho gen sean capaces de recombinarse entre s. Cada valor corresponder con una opcin diferente. Para probar ms de una deberemos poner varios de estos genes, y obligar a una coincidencia en todos ellos. Las opciones de tipo poblacin slo pueden probarse ejecutando algoritmos en paralelo. Estas opciones son las ms generales, como el nmero total de agentes o el nmero de reglas que tiene cada individuo. Otro ejemplo de tipo poblacin es el hecho de ajustar los pesos de los agentes, de forma que si ya existe otro agente parecido al que acaba de nacer, se disminuye el peso del nuevo agente. Esta opcin no puede ser aplicada slo a una parte la poblacin, ya que se vera en obvia desventaja. Evaluar opciones de tipo poblacin es lo ms complicado. Deberemos crear algoritmos independientes y compararlos, por ejemplo, en el tres en raya, provocando una partida entre las mejores entidades de cada una de las simulaciones, es decir, creando otro plano superior de juego.

U N

I V E R S I D A D

D E 22

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Algoritmos jerrquicos En un algoritmo gentico , la reproduccin, seleccin, mutaciones, asignacin de pesos, etc. se desarrollan a un slo nivel o plano. Sin embargo, en el caso del tres en raya , existen varios planos.

En el plano ms elevado, juegan el ordenador contra el hombre. Este juego puede interpretarse como un algoritmo evolutivo reducido a su mnima expresin, con una poblacin de dos individuos, donde el algoritmo termina al finalizar la partida. En este tipo de problemas tienen bastante xito los paradigmas en los que el ordenador trata de aprender observando el juego humano, pero no es este el caso. Para aprender, el ordenador crea un segundo nivel de juego, donde muchas entidades jugarn por parejas. Aquella entidad que ms partidas gane ser la que represente al ordenador en el juego contra el hombre. Pero todava se puede hablar de un tercer nivel, ya que dentro de un mismo agente, cada una de las reglas puede poseer tambin un peso, y aunque las reglas no se reproducen combinando sus elementos (podran hacerlo), es posible sustituir algunas cada cierto tiempo. Ya que la entidad de nivel superior ha creado un sub-mundo o plano donde juegan varias sub-entidades, gracias a las cuales es capaz de aprender por su cuenta antes de jugar contra el hombre, estas subentidades podran a su vez crear otros planos que les proporcionasen conocimiento, hasta que llegue el momento de jugar "de verdad". Es decir, una entidad, al igual que jugar, o reproducirse, podra tambin tener una accin que podramos llamar "pensar" y que consistiera en experimentar partidas hipotticas (hipotticas para la entidad superior; a la inferior le parecern las suyas tan reales como a cualquier otra), creando "mundos virtuales", de la misma forma que las personas imaginamos o creamos hiptesis para prever los acontecimientos. En la figura siguiente se ilustra esta posibilidad.

U N

I V E R S I D A D

D E 23

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Este sera adems un esquema donde implementar el algoritmo minimax tpico de los juegos, donde el agente evala posibles movimientos propios y del contrario a varios niveles de profundidad. Podemos combinar este tipo de jerarquas con las relativas a la eleccin de opciones de tipo poblacin. Es decir, mientras buscamos la solucin a nuestro problema inicial en los algoritmos o planos inferiores, podemos experimentar en un plano superior algunas opciones, las cuales pueden a su vez tener subopciones, tal como ilustra la figura siguiente.

El problema ms difcil Una cadena de un algoritmo evolutivo tiene varios elementos (genes) que corresponden con variables del problema a resolver. Puede haber genes cuyos valores sean intrnsecamente buenos o malos, es decir, buenos o malos independientemente de los valores del resto de la cadena. Vamos a darles un nombre a este tipo de genes, por ejemplo, genes no-vinculados. Consecuentemente, un gen cuya bondad o maldad dependa de los valores de algunos de los otros genes ser vinculado. La propiedad de ser o no vinculado puede aplicarse tambin a un conjunto de elementos de la cadena, si tienen en cuenta todos ellos juntos, como un nico gen, sin requerir que sean contiguos. Imaginemos un
U N I V E R S I D A D D E 24 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

problema en el que todos los genes fueran no-vinculados: No sera necesario un algoritmo evolutivo! Para encontrar los valores ptimos de las variables, bastara con analizar independientemente todos los posibles valores de cada gen, manteniendo constante el resto de la cadena con cualquier valor. Imaginemos ahora que todos los segmentos son vinculados, menos dos, es decir, todos los genes son intrnsecamente buenos o malos, excepto dos, que dependen de otros. S, pero de cules? El uno del otro? Ambos de todos los restantes? Si la bondad de cada uno de estos dos segmentos slo dependiera de s mismo y del valor del otro podran ser tratados en conjunto como un nico gen no-vinculado, y aplicar el mismo proceso. Si la bondad de los genes vinculados dependiera de todos los dems podremos utilizar el mismo mtodo, teniendo la precaucin de calcular primero los valores de los segmentos no-vinculados. Imaginemos ahora el caso extremo de que todos los genes sean vinculados, y sus efectos siempre dependan del valor de todos los dems genes. Este no sera un problema irresoluble, pero s el peor que nos podramos encontrar, no slo para las tcnicas evolutivas, sino para cualquier otro mtodo. Sera algo as como buscar un objeto con los ojos cerrados, y la mejor forma de tratarlo sera, lgicamente, una bsqueda secuencial. En cualquier caso, lo que ms nos interesa es buscar segmentos y grupos de segmentos no-vinculados, aunque sean grandes, ya que si podemos dividir la cadena en varios segmentos no-vinculados podremos aplicar un algoritmo independiente para cada segmento, en el que el resto de la cadena sea siempre fijo, con un valor cualquiera, y obtener la solucin mucho ms rpido.

CUESTIONARIO

Investigue el mtodo de la ruleta y el mtodo de los torneos para realizar una exposicin

U N

I V E R S I D A D

D E 25

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

INGENIERIA DE SISTEMAS FACULTAD DE INGENIERIA

WORK PAPER # 4

PROGRAMA DE CONTROL DE CALIDAD Nro DE PROCEDIMIENTO: APRO 07 Nro. DE HOJAS: 4

ELABORO: ING. EVELYN MARCIA FLORES MAGNE TITULO WORK PAPER: AUTOMATAS CELULARES DPTO: DESTINADO A: DOCENTE ALUMNOS X ADMINISTRATIVOS UDABOL ORURO

CDIGO: CMP427

OTROS

OBSERVACIONES: INGENIERIA DE SISTEMAS- ESTRUCTURAS CONCEPTUALES-UNIDAD III FECHA DE DIFUSIN: FECHA DE ENTREGA:

U N

I V E R S I D A D

D E 26

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

WORKPAPER #4 AUTOMATAS CELULARES

AUTOMATAS CELULARES PODEMOS CREAR LA VIDA ARTIFICIAL?

En las Ciencias de la Complejidad los aportes de la Biologa y de la Ciencia de la Computacin son de suma importancia. Muchas de las ms valiosas herramientas computarizadas de la Complejidad han sido inspiradas en la Biologa. Tal es el caso de los Autmatas Celulares, que desde un inicio han buscado cmo responder a trascendentales preguntas del ser humano: Cmo ha sido creada la vida?, Cules son los mecanismos que la originan? Podemos nosotros replicarlos de una forma artificial? QU ES UN AUTMATA CELULAR? Se define como Autmata Celular a una herramienta computarizada de simulacin de sistemas reales o imaginarios, basada en modelos biolgicos, y compuesta por una estructura esttica de datos y un conjunto finito de reglas que se aplican a cada elemento de la estructura. Los requisitos que deben cumplir esos sistemas para ser objeto de estudio con esta herramienta, son que posean elementos mltiples similares que interactan unos con otros. Estos instrumentos de simulacin han tenido vasta aplicacin en los campos de la fsica, la qumica, la biologa, estudios de dinmica de poblacin, sistemas de transporte,
U N I V E R S I D A D D E 27 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

entre otros. CMO SE ORIGINARON LOS AUTMATAS CELULARES?

John Von Neumann, el famoso matemtico hngaro-norteamericano, pionero de la computadora digital fue, en 1os aos 40s, el creador del primer Autmata Celular, siguiendo sugerencias de otro famoso matemtico Stanislaw Ulam, co-inventor de la bomba de hidrgeno, y basndose en los trabajos del matemtico ingls Alan Turing, creador de la Mquina de Turing. Se consideran tres etapas en la historia de los Autmatas Celulares: 1. Era de Von Neumann. Este matemtico quien particip en el desarrollo de la primera computadora ENIAC quera desarrolla una mquina capaz de replicarse a s misma (auto reproduccin. 2. Era de Martn Gardner. John Horton Conway en 1970 cre el autmata celular conocido como El Juego de la Vida, que fue publicado por Martn Gardner en la revista Scientific American. En este autmata se aplican las tres reglas de: Nacimiento, Muerte y Supervivencia 3. Era de Stephen Wolfram. Este clasific los Autmatas Celulares unidimensionales en las siguientes clases: 1. 1. 2. 3. 4. Clase I. Se llega a tener una configuracin estable y homognea. Clase II. Se evoluciona a un conjunto de estructuras simples estables o peridicas. Clase III. Se evoluciona a un patrn catico. Clase IV. Se evoluciona a comportamiento complejo (ni completamente catico ni completamente ordenado).

Cabe anotar que los virus informticos que se van replicando a medida que pasan de una a otra computadora, son mquinas auto reproductoras de Von Neumann. DE QUE EST COMPUESTO UN AUTMATA CELULAR?

Los autmatas Celulares, de acuerdo a Jos Daniel Muoz Castao, citado por Luis Fernando Gonzlez Vargas , constan de los siguientes componentes:

U N

I V E R S I D A D

D E 28

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Un plano bidimensional o un espacio n-dimensional dividido en un nmero de subespacios homogneos llamados celdas. Todo esto es denominado Teselacin Homognea. Cada celda puede estar en uno de un conjunto finito o numerable de estados. Una Configuracin C, que consiste en asignarle un estado a cada celda del autmata. Una Vecindad definida para cada celda, la que consiste en un conjunto contiguo de celdas, indicando sus posiciones relativas respecto a la celda misma. Una Regla de Evolucin, la cual define cmo debe cada celda cambiar de estado, dependiendo del estado inmediatamente anterior de su vecindad.

Un Reloj Virtual de Cmputo conectado a cada celda del autmata, el cual generar tics o pulsos simultneos a todas las celdas indicando que debe aplicarse la regla de evolucin y de esta forma cada celda cambiar de estado. Los Autmatas Celulares pueden ser lineales, en forma de planos bidimensionales o multidimensionales. La Teselacin puede ser finita o infinita, con fronteras abiertas o peridicas.

FUNCIONAMIENTO DE UN AUTMATA CELULAR El funcionamiento de un Autmata celular Plano se puede resumir de la siguiente manera: Cada cuadrito de la rejilla, consiste en una clula del autmata, y posee cuatro clulas vecinas inmediatas: arriba, abajo, a la izquierda y a la derecha. El estado de cada clula depende de su estado inmediato anterior y del estado actual de sus clulas vecinas. El Reloj Virtual est conectado con todas las clulas del Autmata, que se rigen por reglas sencillas del siguiente tipo, utilizadas en El Juego de la Vida de
U N I V E R S I D A D D E 29 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Conway: Una celda viva permanece viva slo si en la vecindad hay 2 3 celdas vivas, de lo contrario se muere. Una celda muerta cambia a viva slo si en la vecindad hay exactamente 3 celdas vivas, de lo contrario sigue muerta. Las celdas situadas en el borde la retcula forman la frontera del Autmata. Las llamadas Condiciones de Frontera, pueden ser: Frontera abierta. Todas las clulas fuera de la rejilla (lattice), tienen un valor fijo. Frontera peridica. Se considera la rejilla como si sus extremos se tocaran. En una lattice de dimensin 1, esto puede visualizarse en dos dimensiones como una circunferencia. En dimensin 2, la lattice podra visualizarse en tres dimensiones como un toroide. Frontera reflectora. Las clulas fuera de la rejilla reflejan los valores de las que estn dentro de la rejilla. Sin frontera. Aunque existe un lmite a la extensin de la rejilla, debido a la memoria de la computadora, la lattice aumenta de tamao cada vez que sus clulas interactan con clulas fuera de la lattice. APLICACIONES CONOCIDAS En 1970, el matemtico John Conway cre el Autmata Celular llamado LIFE, El Juego de la Vida. Este, construido en un espacio de dos dimensiones simula la existencia de diferentes formas de vida, ha tenido una difusin notable y ha servido como punto de partida para la creacin de otros Autmatas tambin ampliamente publicados, tales como Evolucin: autmata simulando microbios que sobreviven comiendo bacterias; Mayora Alineada, que ensea el comportamiento de la tensin superficial entre lquidos no permeables. CUESTIONARIO 1. Qu es un autmata celular y cual su estructura? 2. Cual es la composicin de un autmata celular 3. Que Son las teselaciones? 4. D un ejemplo de aplicacin de autmata diferente a los expuestos en el texto.

U N

I V E R S I D A D

D E 30

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

X. DIFs DIF #1 ESTRUCTURAS CONCEPTUALES Principios generales de la biologa. Un punto de vista sobre la evolucin Eplogo: las ideas y su tiempo Jorge Barragn

"Los humanos insisten en creer que son mquinas que han aprendido a pensar, cuando en realidad, son pensamientos a propsito de los cuales se crean sus cuerpos". De Merln al Rey Arturo, en la cueva de cristal: Mitologa Celta. En los tiempos de Darwin, no estaban muy difundidos los principios de la gentica, por lo que la fuente de variabilidad genotpica no era fcilmente deducible de las observaciones. Slo la racionalidad de Darwin y otros, permitieron descubrir lo que no era evidente. Era ms fcil pensar en los trminos de Lamarck, como lo hicieron la mayora de los bilogos de la poca. Pero el centro de la idea evolucionista no es la fuente de diversidad, sino la idea de la seleccin natural. Detrs de ella, se "esconde" otra reconocida idea evolucionista, tal es la supervivencia de los ms aptos, y esto nos lleva a la idea de la lucha por la existencia. La lucha por la existencia, se sita en un marco local, vinculando estrechamente el proceso de evolucin al de adaptacin. Y la supervivencia de los ms aptos plantea un interrogante, cuya respuesta nos conduce casi al corazn de la idea Darwiniana, que es: "Qu condicin significa una mayor aptitud?". Y la respuesta es, el xito reproductivo diferencial. Hoy es ms fcil aceptar que la ventaja de los que sobreviven no se encuentra siempre en que puedan dejar ms descendientes (saturacin del predador), sino en que pueden mantener mayor informacin efectiva en el tiempo (Margalef).
U N I V E R S I D A D D E 31 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Pero en aquel momento, no lo fue. As, la importancia de los individuos, y su supervivencia, sucumbe ante la supervivencia de la especie. Lo individual se opone a lo colectivo, y en ese contexto, prevalece la especie por sobre los individuos. Y si bien en caso de encontrarse opuestos, puede ser aceptable que prevalezca lo colectivo por sobre lo individual, no es conveniente aceptar con los ojos cerrados, que deban siempre encontrarse en oposicin. Pero an a la nocin de lucha por la existencia, subyace otra idea, y es que en toda especie nacen ms individuos que los que podrn sobrevivir. Y la pregunta que se plantea es Por qu?. Pues sencillamente porque la generacin de recursos avanza ms lentamente que la velocidad con que se los consume. Rpidamente, la supremaca de lo colectivo por sobre lo individual se instaur en las mentes de quienes, en su momento, no pudieron sustraerse a la nocin de considerar que, inexorablemente, lo colectivo se opone a lo individual. En un mundo modelado por una revolucin industrial en curso, y en el que no slo Malthus o Darwin pensaban en estos trminos, cierto sesgo en la interpretacin de la realidad, se extendi a otros campos de la actividad humana. Y fue as que terminamos engendrando teoras sobre cmo repartir los escasos recursos disponibles, en vez de preocuparnos por generarlos con mayor eficiencia, con la firme creencia de que as se protege a los ms dbiles y quiz, a toda la raza humana. Pero el mundo del siglo XX cambi el enfoque de las cosas, y comenzamos a preocuparnos por generar ms recursos. Supuestamente, luego debamos ocuparnos de repartirlos equitatvamente. Slo Dios sabe si lo hicimos. Lo cierto es que, de todos modos, ninguno de estos enfoques se sustrae a la visin general que en su poca, se tuvo de la realidad, y ninguno de los dos abandona la concepcin meramente materialista de la condicin humana.

U N

I V E R S I D A D

D E 32

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

La reflexin no pretende que nuestra mente se recueste en el misticismo. Pero no perder de vista la realidad superior de la que somos parte, y de la que slo nos damos cuenta cuando miramos los ojos de nuestros hijos, o cuando una lpida nos separa de lo que queda del cuerpo de nuestro padre, puede ser saludable. Porque la ciencia, nuestras observaciones, y nuestros razonamientos podrn ensearnos mucho, pero es el amor que sentimos por lo que vemos, tocamos, escuchamos, o de algn modo conocemos, lo que ms nos ensea acerca de nosotros mismos. Una rara forma de "mecanicismo positivista" parece inducirnos a pensar que somos unas extraas mquinas bioqumicas, que hemos evolucionado y, finalmente, aprendimos a pensar y a sentir, como genialmente lo resumieron los antiguos Celtas en la sentencia que preside el captulo. Sentencia no menor, que inspir al mismo Shakespeare a recrearla cuando "su" Prspero sentencia "nuestros cuerpos son la materia de la que estn hechos nuestros sueos". Nuestros sentimientos y nuestros pensamientos son mucho ms, que las palabras que los intentan capturar. Y nosotros mismos quiz, seamos mucho ms que lo que nuestros cuerpos parecen hacernos creer acerca de nuestra identidad. El tiempo que separa a una generacin de otra, slo evita que existamos todos a la vez, del mismo modo que las distancias del espacio evitan que estemos todos juntos, en el mismo lugar. Pero es probable que ni el tiempo ni el espacio que conocemos, atrapen nuestra identidad en toda su dimensin. Saber sobre nosotros y sobre el origen de nuestras ideas, puede no ser un empeo intil, y puede adems, ayudarnos a comprender nuestro extrao mundo y su casi inasequible naturaleza.

U N

I V E R S I D A D

D E 33

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

DIF #2 La realidad virtual La realidad virtual como una de las expresiones mas destacadas de la digitalizacin. INTRODUCCIN. * FUTURO DE LA REALIDAD VIRTUAL La tecnologa ha progresado ms rpido que nuestra habilidad para siquiera imaginar que vamos a hacer con ella. Hoy, un proceso digno de la mejor literatura de ciencia ficcin, ha trastocado nuestra percepcin y est revolucionando el mundo, no solo de la informtica sino tambin de diversidad de reas como la medicina, la arquitectura, la educacin y la ingeniera entre otros. El presente trabajo, no es ni pretende ser, un exhaustivo desarrollo donde se traten todos los aspectos relativos a la Realidad Virtual, sino enfocar un estudio sobre est, a fin de recopilar informacin que facilite la comprensin de este tema, ya que, por estar su experimentacin restringida a un nmero de personas limitadas, esta informacin no ha sido tan difundida y documentada, a pesar de su indiscutible atractivo e importancia. El nico valor de un mundo virtual es que nos permite hacer cosas especiales. Se nos presenta un medio esencialmente activo. La realidad virtual entra en un exclusivo rango de herramientas para hacer, en el cual el usuario puede incursionar creativamente, hasta donde el lmite de su imaginacin se lo permita. All radica, muy posiblemente el mayor atractivo, por cuanto la imaginacin y la creatividad tienen la oportunidad de ejecutarce en un "mundo" artificial e ilimitado. EVOLUCIN DE LA REALIDAD VIRTUAL. El auge de la realidad virtual ha estado precedido de un largo tiempo de intensa investigacin. En la actualidad, la realidad virtual se plasma en una multiplicidad de sistemas que permiten que el usuario experimente "artificialmente", sin embargo ha tenido diversos aportes entre los que destacan:

En 1958 la Philco Corporation desarrolla un sistema basado en un dispositivo visual de casco controlado por los movimientos de la cabeza del usuario. En el inicio de los 60, Ivan Sutherland y otros crean el casco visor HMD mediante el cual un usuario poda examinar, moviendo la cabeza, un ambiente grfico. Simultneamente Morton Heilig inventa y opera el Sensorama.

U N

I V E R S I D A D

D E 34

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Para 1969, Myron Krueger cre ambientes interactivos que permitan la participacin del cuerpo completo, en eventos apoyados por computadoras. En 1969 la NASA puso en marcha un programa de investigacin con el fin de desarrollar herramientas adecuadas para la formacin, con el mximo realismo posible, de posteriores tripulaciones espaciales.

En el inicio de los 70, Frederick Brooks logra que los usuarios muevan objetos grficos mediante un manipulador mecnico. A fines de los 70, en el Media Lab. del instituto tecnolgico de Massachusetts MIT, se obtiene el mapa filmado de Aspen, una simulacin de vdeo de un paseo a travs de la ciudad de Aspen, Colorado. Un participante puede manejar por una calle, bajarse y hasta explorar edificios.

Tambin en los 70, Marvin Minsky acua el trmino "TELEPRESENCIA", para definir la participacin fsica del usuario a distancia. William Gibson, al inicio de los 80, publica la novela " Neuromancer" donde la trama se desarrolla en base a aventuras en un mundo generado por computadora al que denomina CIBERESPACIO. Las empresas Disney producen la pelcula "TRON". Tom Zimmerman inventa el Dataglove. Jaron Lanier acua el trmino de Realidad Virtual, concretando la variedad de conceptos que se manejaban en esa poca. En 1984, Michael McGreevy y sus colegas de la NASA desarrollan lentes de datos con los que el usuario puede ahora mirar el interior de un mundo grfico mostrado en computadora. CONCLUSIONES

.. ..

U N

I V E R S I D A D

D E 35

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

DIF #3 ESTRUCTURAS CONCEPTUALES TEORIAS Teora del caos es la denominacin popular de la rama de las matemticas y la fsica que trata ciertos tipos de comportamientos aleatorios ("caticos") de los sistemas dinmicos. Los sistemas dinmicos se pueden clasificar grosso modo en:

Estables Inestables Caticos, Caos determinista

Un sistema estable tiende a lo largo del tiempo a un punto, u rbita, segn su dimensin (atractor). Un sistema inestable se escapa de los atractores. Y un sistema catico manifiesta los dos comportamientos. Por un lado, existe un atractor por el que el sistema se ve atrado, pero a la vez, hay "fuerzas" que lo alejan de ste. De esa manera, el sistema permanece confinado en una zona de su espacio de estados, pero sin tender a un atractor fijo. Una de las mayores caractersticas de un sistema inestable es que tiene una gran dependencia de las condiciones iniciales. De un sistema del que conocemos sus ecuaciones caractersticas, y con unas condiciones iniciales fijas, se puede conocer exactamente su evolucin en el tiempo. Pero en el caso de los sistemas caticos, una mnima diferencia en esas condiciones hace que el sistema evolucione de manera totalmente distinta. Ejemplos de tales sistemas incluyen la atmsfera, el sistema solar, las placas tectnicas, los fluidos turbulentos y los crecimientos de poblacin. Por ejemplo, el tiempo atmosfrico, segn describi Edward Lorenz, se describe por 3 ecuaciones diferenciales bien definidas. Siendo as, conociendo las condiciones iniciales, podramos conocer la prediccin del tiempo en el futuro. Pero, al ser ste un sistema catico, y no poder conocer nunca con exactitud los parmetros que fijan las condiciones iniciales (en cualquier sistema de medicin, por definicin, siempre se comete un error, por pequeo que ste sea) hace que aunque conozcamos el modelo, ste diverja de la realidad pasado un cierto tiempo. Por otra parte, el modelo atmosfrico es terico y puede no ser perfecto, y el determinismo, en el que se basa, es tambin terico. Movimiento catico Para poder clasificar el comportamiento de un sistema como catico, el sistema debe tener las siguientes propiedades:

Debe ser sensible a sus condiciones iniciales

U N I V E R S I D A D D E 36 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

Debe ser transitivo Sus rbitas peridicas deben ser densas.

Sensibilidad a las condiciones iniciales significa que dos puntos en tal sistema deben moverse en trayectorias muy diferentes en sus fases del espacio incluso si la diferencia en sus configuraciones iniciales son muy pequeas. El sistema se comportaria de manera identica solo si sus configuraciones iniciales fueran exactamente las mismas. Un ejemplo de tal sensibilidad es el as llamado "efecto mariposa", donde el aleteo de las alas de una mariposa se supone que crea delicados cambios en la atmsfera los cuales durante el curso del tiempo se modifican hasta hacer que ocurra algo tan dramtico como un tornado. La mariposa aleteando sus alas representa un pequeo cambio en las condiciones iniciales del sistema el cual causa una cadena de eventos que lleva a fenmenos a gran escala como tornados. Si la mariposa no hubiera agitado sus alas, la trayectoria del sistema hubiera podido ser tremendamente distinta. La sensibilidad a las condiciones iniciales est relacionada con el exponente Lyapunov. El exponente Lyapunov es una cantidad que caracteriza el ratio de separacin de trayectorias infinitesimalmente cercanas. Transitividad significa que la aplicacion de las transformaciones de cualquier intervalo dado Isub-1 se expanden hasta que se superpone con otro intervalo dado Isub-2. Atracciones Una manera de visualizar el movimiento catico, o cualquier tipo de movimiento, es hacer un diagrama de fases del movimiento. En tal diagrama el tiempo es implcito y cada eje representa una dimensin del estado. Por ejemplo, un sistema en descanso ser dibujado como un punto, y un sistema en movivmiento peridico sera dibujado como una simple curva cerrada. Un diagrama de fases para un sistema dado depende del estado inicial del sistema (tanto como de unos ciertos parmetros), pero a menudo el diagrama de fases revela que el sistema termina haciendo el mismo movimiento para todos los estados iniciales en una regin alrededor del movimiento, casi pensar que el sistema es atraido por ese movimiento. Tal movimiento atrayente es apropiadamente llamado una atraccin para el sistema y es muy comn para sistemas disipadores de fuerza. De acuerdo a la forma que sus trayectorias evolucionen, las atracciones pueden ser clasificadas como peridicas, cuasi-peridicas y extraas. Estos nombres se relacionan exactamente con el tipo de movimiento que exhiben. Atracciones extraas La mayora de los tipos de movimientos mencionados arriba produce atracciones muy simples, tales como puntos y curvas circulares llamadas ciclos limitados; el movimiento catico lleva a lo que se conoce como
U N I V E R S I D A D D E 37 A Q U I N O B O L I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

atracciones extraas, atracciones que pueden tener gran detalle y complejidad. Por ejemplo, un simple modelo tridimensional del sistema de tiempo de Lorenz lleva a la famosa atraccin de Lorenz. La atraccin de Lorenz es quiz uno de los diagramas de sistemas caticos mejor conocidos, quiz no slo porque era el primero, sino tambin uno de los ms complejos y como tal muestra una pauta muy interesante que parece las alas de una mariposa. Atracciones extraas ocurren tanto en los sistemas continuos dinmicos (tales como el sistema de Lorenz) como en algunos sistemas discretos (por ejemplo el mapa Hnom). Otros sistemas dinmicos discretos tienen una estructura repelente llamada de tipo Julia la cual se forma en el lmite entre las cuencas de dos puntos de atraccin fijos. Julia puede ser sin embargo una atraccin extraa. Ambos, atracciones extraas y tipo Julia tienen tpicamente una estructura fractal. El teorema Poincar-Bendixson muestra que una atraccin extraa puede slo presentarse como un sistema continuo dinmico si tiene tres o mas dimensiones. Sin embargo, tal restriccin no se aplica a los sitemas discretos, los cuales pueden exhibir atracciones extraas en sistemas de dos o incluso una dimensin. Sistemas dinmicos y teora del caos Los Sistemas dinmicos y teora del caos son una rama de las Matemticas, desarrollada en la segunda mitad del Siglo XX, que estudia lo complicado, lo impredecible, lo que no es lineal. A veces se la llama "Matemtica de lo no lineal". Para los no iniciados en matemticas, el nombre "Teora del Caos" puede inducir a error por dos motivos: 1. No necesariamente es una teora sino que puede entenderse como un gran campo de investigacin abierto, que abarca diferentes lneas de pensamiento. 2. Caos est entendido no como ausencia de orden, sino como cierto tipo de orden de caractersticas impredecibles, pero descriptibles en forma concreta y precisa. Es decir: un tipo de orden de movimiento impredecible. La idea de la que parte la teora del caos es simple: en determinados sistemas naturales, pequeos cambios en las condiciones iniciales conducen a enormes discrepancias en los resultados. Este principio suele llamarse efecto mariposa debido a que, en meteorologa, la naturaleza no lineal de la atmsfera ha hecho afirmar a muchos cientficos que es posible que el aleteo de una mariposa en determinado lugar y momento, pueda ser la causa de un terrible huracn varios meses ms tarde en la otra punta del globo. Un ejemplo claro sobre el efecto mariposa es soltar una pelota justo sobre la arista del tejado de una casa varias veces; pequeas desviaciones en la posicin inicial pueden hacer que la pelota caiga por uno de los

U N

I V E R S I D A D

D E 38

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

lados del tejado o por el otro, conduciendo a trayectorias de cada y posiciones de reposo final completamente diferentes. Cambios minsculos que conducen a resultados totalmente divergentes. En teora de caos, los sistemas dinmicos son estudiados a partir de su "Espacio de Fases", es decir, la representacin coordenada de sus variables independientes. En estos sistemas caticos, es fcil encontrar trayectorias de movimiento no peridico, pero cuasi-peridicas. En este esquema se suele hablar del concepto de Atractores Extraos: trayectorias en el espacio de fases hacia las que suelen tender todas las trayectorias normales. En el caso de un pndulo oscilante, el atractor sera el punto de equilibrio central. Los atractores extraos suelen tener formas geomtricas caprichosas, y en muchos casos parecidos o similitudes a diferentes escalas. En este caso, a estas formas que son iguales a s mismas en diferentes escalas, se les ha dado en llamar "objetos fractales". La llamada "Teora del Caos" es un nuevo paradigma matemtico, tan amplio y tan importante, como pudo ser en su poca la unin entre geometra y clculo, surgida del pensamiento cartesiano, aunque quizs, por su inmadurez, an no tengamos claro todo lo que puede dar de si esta nueva forma de pensamiento matemtico, que abarca campos de aplicacin tan dispares como la medicina, la geologa, o la economa. La llamada "Teoria del Caos" no tiene un solo padre fundador, sino muchos. Entre ellos cabe destacar a Lorentz (Meteorlogo), Benoit Mandelbrot (Ingeniero Comunicaciones), Edward Feigenbaum (Matemtico), Libchaber (Fsico), Winfree (Bilogo), Mandell (Psiquiatra), y otros muchos, la mayora de ellos vivos actualmente. CONCLUSIONES . .

U N

I V E R S I D A D

D E 39

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

DIF #4 ESTRUCTURAS CONCEPTUALES Visin artificial La Visin artificial, tambin conocida como Visin por Computador (del ingls Computer Vision) o Visin tcnica, es un subcampo de la inteligencia artificial. El propsito de la visin artificial es programar un computador para que "entienda" una escena o las caractersticas de una imagen. Los objetivos tpicos de la visin artificial incluyen:

La deteccin, segmentacin, localizacin y reconocimiento de ciertos objetos en imgenes (por ejemplo, caras humanas). La evaluacin de los resultados (ej.: segmentacin, registro). Registro de diferentes imgenes de una misma escena u objeto, i.e., hacer concordar un mismo objeto en diversas imgenes. Seguimiento de un objeto en una secuencia de imgenes. Mapeo de una escena para generar un modelo tridimensional de la escena; tal modelo podra ser usado por un robot para navegar por la escena. Estimacin de las posturas tridimensionales de humanos. Bsqueda de imgenes digitales por su contenido.

Estos objetivos se consiguen por medio de reconocimiento de patrones, aprendizaje estadstico, geometra de proyeccin, procesado de imgenes, teora de grafos y otros campos. La visin artificial cognitiva est muy relacionada con la psicologa cognitiva y la computacin biolgica. CONCLUSIONES ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

U N

I V E R S I D A D

D E 40

Q U

I N O

O L

I V I A

FACULTAD DE CIENCIAS Y TECNOLOGA

U N

I V E R S I D A D

D E 41

Q U

I N O

O L

I V I A