Inteligencia Artificial Ciclo lectivo 2013 Cursos: M. Ing. Mara Florencia Pollo Cattaneo M. Ing. Pablo Pytel Ing. Cinthia Vegega ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res INTELIGENCIA ARTIFICIAL INTELIGENCIA ARTIFICIAL Problemas que no se pueden resolver por un enfoque algortmico tradicional Nueva forma de manejar la imprecisin y la incertidumbre ALGORITMOS GENTICOS Los Algoritmos Genticos son algoritmos matemticos de optimizacin de propsito general basados en mecanismos naturales de seleccin y gentica, proporcionando excelentes soluciones en problemas complejos con gran nmero de parmetros. Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res TEOR TEOR A EVOLUTISTA A EVOLUTISTA PRINCIPALES POSTULADOS Las formas de vi da no son estticas sino que evol uci onan. El proceso de la evolucin es gradual , l ento ycontinuo. Los organismos parecidos se hallan emparentados y descienden de un antepasado comn. La sel ecci n natural es la llave, que explica todo el sistema. Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res TEOR TEOR A EVOLUTISTA A EVOLUTISTA SELECCIN NATURAL - La producci n de variabil i dad: generacin de modificaciones espontneas en los individuos. - La supervi vencia del ms fuerte (apto) en la lucha por la vida. Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res TEOR TEOR A EVOLUTISTA A EVOLUTISTA CONCEPTOS Ecosistema Poblacin Individuo Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res TEOR TEOR A EVOLUTISTA A EVOLUTISTA CONCEPTOS Genotipo Fenotipo Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Teora Evolucin Algoritmos Genticos Ecosistema / Ambiente Problema Individuo Posible solucin Genotipo / Cromosoma Descripcin de la solucin Gen Caracterstica o Atributo Fenotipo Funcin de Aptitud ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res EJEMPLO: el acertijo de Einstein Tenemos 5 casas de cinco colores diferentes y en cada una de ellas vive unapersona de una nacionalidad diferente. Cada uno de los dueos bebe una bebida diferente, fuma una marca de cigarrillos diferente ytiene una mascota diferente. Se tienen las siguientes pistas: El britnico vive en la casa roja. El sueco tiene un perro. El dans toma t. La casa verde esta a laizquierda de la blanca. El dueo de la casa verde toma caf. La persona que fuma Pall Mall tiene un pjaro. El dueo de la casa amarilla fuma Dunhill. El que vive en la casa del centro toma leche. El noruego vive en la primera casa. La persona que fuma Brends vive junto a la que tiene un gato. La persona que tiene un caballo vive junto a la quefuma Dunhill. El que fuma Bluemasters bebe cerveza. El alemn fuma Prince. El noruego vive junto a la casa azul. El que fuma Brends tiene un vecino que toma agua. Se pregunta: quin es el dueo del pececito? Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res EJEMPLO: el acertijo de Einstein 1. Definicin del Cromosoma Conceptos: Variables: Nacionalidad del Dueo Ubicacin de la Casa Color de la Casa Tipo de Bebida Nombre del Cigarrillo Tipo de Mascota Dueo Bebida Cigarrillo Mascota fuma bebe tiene Casa tiene ={britnico, sueco, dans, alemn, noruego } ={primera, segunda, tercera, cuarta, quinta } ={roja, verde, blanca, amarilla, azul } ={t, caf, leche, cerveza, agua } ={Pall Mall, Dunhill, Brends, Bluemasters, Prince } ={perro, pjaro, gato, caballo, pececito } Gen Principal Genes Auxiliares britnico sueco dans alemn noruego casa-ubic. casa-color bebida cigarrillo mascota Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res EJEMPLO: el acertijo de Einstein 2. Definicin de la Funcin de Aptitud Analizar pistas: Determinar condiciones que debe cumplir la solucin Determinar restricciones que no puede cumplir la solucin Analizar estructura del cromosoma definido: Determinar combinaciones invlidas en los genes Aumentan val or de apt itud Disminuyen val or de apt itud Penalizan val or de apti tud Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P 0 ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS ? Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res GENERAR POBLACIN INICIAL Mtodo Al Azar Ad-Hoc Poblacin Cantidad de Individuos Varianza o Constante o Variable Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P 0 P S ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res MTODOS DE SELECCIN Torneo Ranking Ruleta Control sobre nmero esperado Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N - - Torneo Torneo Poblacin f(x) I1 61 I2 11 I3 33 I4 25 I5 44 I6 15 I7 17 I 1 I 4 I 4 I 5 I 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N - - Ranking Ranking Pobl acin f(x) I1 61 I2 11 I3 33 I4 25 I5 44 I6 15 I7 17 Pobl acin f(x) I1 61 I5 44 I3 33 I4 25 I7 17 I6 15 I2 11 Poblacin ordenada Poblacin original Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N - - Ruleta Ruleta Poblacin f(x) p(x) P(x) I1 61 0.2961 0.2961 I2 11 0.0534 0.3495 I3 33 0.1602 0.5097 I4 25 0.1214 0.6311 I5 44 0.2136 0.8447 I6 15 0.0728 0.9175 I7 17 0.0825 1.0000 Total 206 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N - - Ruleta Ruleta I1 I3 I4 I5 I6 I7 I2 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0.2961 0.3495 0.5097 0.6311 0.8447 0.9175 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N - - Control s/nro. esperado Control s/nro. esperado Poblacin f(x) f(x) / Prom. Selecciona I1 61 2.0728 2 I2 11 0.3738 0 I3 33 1.1214 1 I4 25 0.8495 0 I5 44 1.4951 1 I6 15 0.5097 0 I7 17 0.5777 0 Total 206 Promedio 29.4286 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N Control s/nro. esperado Control s/nro. esperado Poblacin f' (x) p(x) P(x) I1 0,0728 0,0243 0,0243 I2 0,3738 0,1246 0,1489 I3 0,1214 0,0405 0,1893 I4 0,8495 0,2832 0,4725 I5 0,4951 0,1650 0,6375 I6 0,5097 0,1699 0,8074 I7 0,5777 0,1926 1,0000 Total 3 1 Promedio Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res SELECCI SELECCI N N - - Control s/nro. esperado Control s/nro. esperado I1 I3 I4 I5 I6 I7 I2 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0.8074 0.6375 0.4725 0.1489 0.0243 0.1893 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P 0 P S ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P 0 P S P C ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res MTODOS DE CRUZAMIENTO Simple Multipunto Binomial Mscara Complemento Doble Azar Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Cruza Simple PUNTO DE CORTE = 4 X 10 X 9 X 8 X 7 X 6 X 5 X 4 X 3 X 2 X 1 Y 10 Y 9 Y 8 Y 7 Y 6 Y 5 Y 4 Y 3 Y 2 Y 1 Y 10 Y 9 Y 8 Y 7 Y 6 Y 5 X 4 X 3 X 2 X 1 X 10 X 9 X 8 X 7 X 6 X 5 Y 4 Y 3 Y 2 Y 1 Padre X Padre Y Hijo A Hijo B Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Cruza Multipunto PUNTOS DE CORTE = 4 y 8 Padre X Padre Y Hijo A Hijo B X 10 X 9 X 8 X 7 X 6 X 5 X 4 X 3 X 2 X 1 Y 10 Y 9 Y 8 Y 7 Y 6 Y 5 Y 4 Y 3 Y 2 Y 1 X 10 X 9 Y 8 Y 7 Y 6 Y 5 X 4 X 3 X 2 X 1 Y 10 Y 9 X 8 X 7 X 6 X 5 Y 4 Y 3 Y 2 Y 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Cruza Binomial Mscara Complemento MSCARA B = complemento A MSCARA A = XYXXYXXYYY Padre X Padre Y Hijo A Hijo B X 10 X 9 X 8 X 7 X 6 X 5 X 4 X 3 X 2 X 1 Y 10 Y 9 Y 8 Y 7 Y 6 Y 5 Y 4 Y 3 Y 2 Y 1 Y 10 Y 9 Y 8 X 7 X 6 Y 5 X 4 X 3 Y 2 X 1 X 10 X 9 X 8 Y 7 Y 6 X 5 Y 4 Y 3 X 2 Y 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Cruza Binomial Mscara Doble MSCARA B = XXYYXXYXYX MSCARA A = XYXXYXXYYY Padre X Padre Y Hijo A Hijo B X 10 X 9 X 8 X 7 X 6 X 5 X 4 X 3 X 2 X 1 Y 10 Y 9 Y 8 Y 7 Y 6 Y 5 Y 4 Y 3 Y 2 Y 1 Y 10 Y 9 Y 8 X 7 X 6 Y 5 X 4 X 3 Y 2 X 1 X 10 Y 9 X 8 Y 7 X 6 X 5 Y 4 Y 3 X 2 X 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Cruza Binomial - Azar R1 = 0,3 X R2 = 0,6 Y R3 = 0,2 X R4 = 0,4 X R5 = 0,1 X R6 = 0,8 Y R7 = 0,9 Y R8 = 0,1 X R9 = 0,7 Y R10 = 0,6 Y Si R 0,5 X Si R > 0,5 Y Padre Y Padre X X 5 X 4 Y 10 Y 9 Hijo A X 10 X 9 X 8 X 7 X 6 X 5 X 4 X 3 X 2 X 1 Y 8 Y 7 Y 6 Y 5 Y 4 Y 3 Y 2 Y 1 Y 10 Y 9 X 8 Y 7 Y 6 X 3 Y 2 X 1 Hijo B = complemento azar Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P 0 P S P C P M ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res MUTACIN Ejecuta Mutacin? P C P M = MUTA( P C ) P M = P C P M S No Ejecuta Mutacin No ejecuta Mutacin ACTIVA MUTACIN Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res MUTACIN I 1 1 1 1 0 0 1 1 0 1 0 I 2 1 0 1 0 1 1 0 1 1 1 I 3 1 1 1 0 0 1 1 0 1 0 I 4 0 1 0 1 1 0 0 0 0 0 I 5 1 1 1 0 1 1 0 1 1 1 - Random M > Probabilidad M NO MUTA P C - Random M Probabilidad M MUTA EJECUTA MUTACIN? Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res MUTACIN NO MUTA Random M > Probabilidad M NO MUTA P M I 1 1 1 1 0 0 1 1 0 1 0 I 2 1 0 1 0 1 1 0 1 1 1 I 3 1 1 1 0 0 1 1 0 1 0 I 4 0 1 0 1 1 0 0 0 0 0 I 5 1 1 1 0 1 1 0 1 1 1 P C I 1 1 1 1 0 0 1 1 0 1 0 I 2 1 0 1 0 1 1 0 1 1 1 I 3 1 1 1 0 0 1 1 0 1 0 I 4 0 1 0 1 1 0 0 0 0 0 I 5 1 1 1 0 1 1 0 1 1 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res I 1 1 1 1 0 0 1 1 0 1 0 I 2 1 0 1 0 1 1 0 1 1 1 I 3 1 1 1 0 0 1 1 0 1 0 I 4 0 1 0 1 1 0 0 0 0 0 I 5 1 1 1 0 1 1 0 1 1 1 I 1 1 1 1 0 0 1 1 0 1 0 I 2 1 0 1 0 1 1 0 1 1 1 I 3 1 1 1 0 0 1 0 0 1 0 I 4 0 1 0 1 1 0 0 0 0 0 I 5 1 1 1 0 1 1 0 1 1 1 MUTACIN MUTA Random M Probabilidad M MUTA R P ( 77 ) P M P C 1 Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res MTODOS DE MUTACIN Simple Adaptativa por Convergencia Adaptativa por Temperatura Ascendente Descendente Probabilidad M = constante Probabilidad M = G{ Promedio [ f(I x ) ] } Probabilidad M = G( Cant. Vueltas ) Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P 0 P S P C P M ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P S P C P M ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res CRITERIO DE PARO Cantidad de Vueltas Tiempo Transcurrido f(I x ) >Valor Promedio [ f(I x ) ] Valor
Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P S P C P M P i = P M ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Poblacin Final Seleccin Cruzamiento Mutacin Paro? Generar poblacin inicial No S P S P C P M P F = P M ALGORITMOS GEN ALGORITMOS GEN TICOS TICOS Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res EJ EMPLO 1 DE COMPORTAMIENTO EJ EMPLO 1 DE COMPORTAMIENTO Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res EJ EMPLO 2 DE COMPORTAMIENTO EJ EMPLO 2 DE COMPORTAMIENTO Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res ANLISIS DE LA POBLACIN FINAL Poblacin Final Aptitud Solucin Interpretar Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res ANLISIS DE LA POBLACIN FINAL Intel i genci a Arti fi ci al (AG v. 10) UNIVERSIDAD TECNOLOGI CA NACIONAL Facul tad Regi onal Buenos Ai res Para leer: Libro SI: "Captulo 3" (puntos 3.1; 3.2; 3.3.3).