1. Sistemas Inteligentes de Control: Esquema Mdulo I. Control de Sistemas. Mdulo II. Fundamentos de Lgica Difusa. Mdulo III. Sistemas Basados en Reglas Difusas.Mdulo IV. Aprendizaje y Adaptacin en Sistemas Basados en Reglas Difusas. Tema 8. Diseo Automtico de Sistemas Basados en Reglas Difusas para Control. Tema 9. Diseo Ad Hoc. Tema 10. Diseo con Algoritmos Genticos. MDULO IV: Aprendizaje y adaptacin en sistemas basados en reglas difusasTema 10. Diseo con algoritmos genticos

2. Tema 10: Diseo con Algoritmos Genticos 1. Conceptos bsicos sobre algoritmos genticos 1.1.Introduccin 1.2.Cmo se construye? 1.3.Sobre su utilizacin 1.4.Diversidad, exploracin, explotacin2. Diseo evolutivo de sistemas difusos 2.1.Diseo de la base de reglas 2.2.Diseo de la base de datos 2.3.Diseo combinado 1.1. Introduccin a los algoritmos genticosEvolucin natural. Evolucin artificialQu es un algoritmo gentico?Los ingredientesEl ciclo de la evolucinEstructura de un algoritmo genticoDominios de aplicacin1.1. Introduccin a los algoritmos genticos 3. Evolucin natural En la naturaleza, los procesos evolutivos ocurren cuando se satisfacen las siguientes condiciones:Una entidad o individuo tiene la habilidad de reproducirseHay una poblacin de tales individuos que son capaces de reproducirseExiste alguna variedad, diferencia, entre los individuos que se reproducenAlgunas diferencias en la habilidad para sobrevivir en el entorno estn asociadas con esa variedad1.1. Introduccin a los algoritmos genticos Evolucin naturalLos 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 1.1. Introduccin a los algoritmos genticos 4. Evolucin naturalLa seleccin natural es el enlace entre los cromosomas y la actuacin de sus estructuras decodificadasEl proceso de reproduccin es el punto en el cual la evolucin toma parte, actaLa evolucin biolgica no tiene memoriaReferencia: Darwin, C. (1859). On the Origin of Species by Means of Natural Selection or the Preservations of Favored Races in the Struggle for Life. London: John Murray.1.1. Introduccin a los algoritmos genticos Evolucin artificial COMPUTACION EVOLUTIVAEst compuesta por modelos de evolucin basados en poblaciones cuyos elementos representan soluciones a problemasLa simulacin de este proceso en un ordenador resulta ser una tcnica de optimizacin probabilstica, que con frecuencia mejora a otros mtodos clsicos en problemas difciles 1.1. Introduccin a los algoritmos genticos 5. Evolucin artificialExisten cuatro paradigmas bsicos: Algoritmos Genticos que utilizan operadores genticos sobrecromosomasEstrategias de Evolucin que enfatizan los cambios decomportamiento al nivel de los individuosProgramacin Evolutiva que enfatizan los cambios decomportamiento al nivel de las especiesProgramacin Gentica que evoluciona expresionesrepresentadas como rboles Existen otros modelos de evolucin de poblaciones 1.1. Introduccin a los algoritmos genticos Qu es un algoritmo gentico?Los Algoritmos Genticosson algoritmos de optimizacin, bsqueda y aprendizaje inspirados en los procesos de Evolucin Natural yEvolucin Gentica1.1. Introduccin a los algoritmos genticos 6. Los ingredientes t reproduccin t+1 seleccinmutacin Cruce (o recombinacin)1.1. Introduccin a los algoritmos genticos El ciclo de la evolucinSeleccin PADRESCrucePOBLACIN Mutacin Reemplazamiento DESCENDIENTES1.1. Introduccin a los algoritmos genticos 7. Estructura de un algoritmo genticoAlgoritmo Gentico Bsico Inicio (1) t=0 inicializar P(t) evaluar P(t) Mientras (no se cumpla la condicin de parada) hacer Inicio(2) t=t+1 seleccionar P(t) desde P(t-1) P(t) cruce P(t) P(t) mutacin P(t) evaluar P(t) Final(2) Final(1)1.1. Introduccin a los algoritmos genticos Dominios de aplicacin Control deprocesos qumicos Clasificacin AprendizajeGeneracin deOptimizacin trayectorias estructural Planificacin de sistemas de ProduccinDiseo de circuitos n 11 2 m VLSI1.1. Introduccin a los algoritmos genticos 8. Dominios de aplicacin Optimizacin combinatoria y en dominios reales Modelado e identificacin de sistemas Planificacin y control Ingeniera Vida artificial Aprendizaje y minera de datos Internet y Sistemas de Recuperacin de Informacin ...1.1. Introduccin a los algoritmos genticos 1.2. Cmo se construye?Los pasos para construir un Algoritmo Gentico1. Disear una representacin2. Decidir cmo inicializar la poblacin3. Disear una correspondencia entre genotipo y fenotipo4. Disear una forma de evaluar un individuo5. Disear un operador de mutacin adecuado6. Disear un operador de cruce adecuado7. Decidir cmo seleccionar los individuos para ser padres8. Decidir cmo reemplazar a los individuos9. Decidir la condicin de parada 1.2. Cmo se construye? 9. 1.2.1. Representacin Debemos disponer de un mecanismo para codificar un individuo como un genotipoExisten muchas maneras de hacer esto y se escoge la ms relevante para el problema en cuestinUna vez elegida una representacin, tenemos que tener en cuenta cmo sern evaluados los genotipos y qu operadores genticos hay que utilizar DEFINICIONES Cromosoma: vector completo que codifica la solucin Gen: elemento mnimo del cromosoma Alelos: valores que puede tomar cada gen1.2. Cmo se construye?1.2.1. Representacin binariaLa representacin de un individuo se puede hacer mediante unacodificacin discreta, y en particular binariaCROMOSOMA GEN ALELOS={0,1}1.2. Cmo se construye? 10. 1.2.1. Representacin binaria Genotipo Fenotipo Entero8 bits Nmero real Secuencia ... Cualquier otra?1.2. Cmo se construye?1.2.1. Representacin binariaEl fenotipo pueden ser nmeros enteros Genotipo:Fenotipo: = 163 1*27 + 0*26 + 1*25 + 0*24 + 0*23 + 0*22 + 1*21 + 1*20 = 128 + 32 + 2 + 1 = 1631.2. Cmo se construye? 11. 1.2.1. Representacin binaria El fenotipo pueden ser nmeros reales Ejemplo: un nmero real entre 2.5 y 20.5 utilizando 8 dgitos binariosGenotipo:Fenotipo:= 13.9609 x = 2 .5 + 163 (20 .5 2.5 ) = 13 .9609 256 1.2. Cmo se construye?1.2.1. Representacin real Una forma natural de codificar una solucin es utilizando valores reales como genesMuchas aplicaciones tienen esta forma natural de codificacinLos individuos se representan como vectores de valores reales: x1 x X = 2 , xi R M xn La funcin de evaluacin asocia a un vector un valor real de evaluacin:f : R n R 1.2. Cmo se construye? 12. 1.2.1. Representacin de ordenLos individuos se representan como permutacionesSe utilizan para problemas de secuenciacinEjemplo famoso: Viajante de Comercio, donde cada ciudad tiene asignado un nico nmero entre 1 y nNecesita operadores especiales para garantizar que el resultado de aplicar un operador sigue siendo una permutacin 1.2. Cmo se construye?1.2.2. Inicializacin Uniforme sobre el espacio de bsqueda (si es posible)Cadena binaria: 0 1 con probabilidad 0.5Representacin real: uniforme sobre un intervalo dado (para valores acotados)Elegir la poblacin a partir de los resultados de una heurstica previa 1.2. Cmo se construye? 13. 1.2.3. Correspondencia entre genotipo yfenotipoAlgunas veces la obtencin GenotipoDatos de un del fenotipo a partir del(Codificacin) Problema genotipo es un proceso obvio En otras ocasiones elAlgoritmo genotipo puede ser un de obtencin conjunto de parmetros para algn algoritmo, el cual trabaja sobre los datos de un problema para Fenotipo obtener un fenotipo1.2. Cmo se construye?1.2.4. Evaluacin de un individuoEste es el paso ms costoso para una aplicacin realPuede ser una subrutina, un simulador, o cualquier proceso externo (ej. Experimentos en un robot, ....)Se pueden utilizar funciones aproximadas para reducir el costo de evaluacinCuando hay restricciones, stas se pueden introducir en el costo como penalizacinCon mltiples objetivos se busca una solucin de compromiso 1.2. Cmo se construye? 14. 1.2.5. Operador de mutacinPodemos tener uno o ms operadores de mutacin para nuestra representacinAlgunos aspectos importantes a tener en cuenta son:Debe permitir alcanzar cualquier parte del espacio de bsquedaEl tamao de la mutacin debe ser controladoDebe producir cromosomas vlidos 1.2. Cmo se construye?Ejemplo: Mutacin para representacin binariaantes 1 1 1 1 1 1 1despus 1 1 1 0 1 1 1gen mutado La mutacin ocurre con una probabilidad pm para cadagen, o para cada cromosoma 1.2. Cmo se construye? 15. Ejemplo: Mutacin para representacin real Perturbacin de los valores mediante un valor aleatorioGeneralmente, mediante una distribucin normal N(0,), donde 0 es la media es la desviacin tpicaxi = xi + N(0,i) para cada parmetro 1.2. Cmo se construye?Ejemplo: Mutacin para representacin deorden Intercambio de dos genes seleccionadosaleatoriamente7 3 1 8 2 4 6 57 3 6 8 2 4 1 51.2. Cmo se construye? 16. 1.2.6. Operador de crucePodramos tener uno o ms operadores de cruce para nuestra representacinAlgunos aspectos importantes a tener en cuenta son:Los hijos deberan heredar algunas caractersticas de cada padre. Si ste no es el caso, entonces estamos ante un operador de mutacinSe debe disear de acuerdo a la representacinLa recombinacin debe producir cromosomas vlidos 1.2. Cmo se construye?Ejemplo: Cruce para representacin binariaPoblacin: ... Cada cromosoma se corta en n partes que son recombinadas(Ejemplo para n = 1) padrescortecorte1 1 1 1 1 1 10 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 1 descendientes 1.2. Cmo se construye? 17. Ejemplo: Cruce para representacin real Cruce uniforme (recombinacin discreta):a b c d e f g h a b C d E f g H A B CDE F GH 1.2. Cmo se construye?Ejemplo: Cruce para representacin real Cruce aritmtico (recombinacin aritmtica): a b c d e fA B CDE F (a+A)/2 (b+B)/2 (c+C)/2 (d+D)/2 (e+E)/2(f+F)/21.2. Cmo se construye? 18. Ejemplo: Cruce para representacin de orden Padre 1 Padre 27 3 1 8 2 4 6 54 3 2 8 6 7 1 5 7, 3, 4, 6, 5ordenar1 8 2 4, 3, 6, 7, 5 Hijo 17 5 1 8 2 4 3 61.2. Cmo se construye?1.2.7. Estrategia de seleccinDebemos garantizar que los mejores individuos tengan una mayor posibilidad de ser padres (reproducirse) frente a los individuos menos buenosEsta idea nos define la presin selectiva que conducir la reproduccinNo obstante, debemos ser cuidadosos para dar una posibilidad de reproducirse a los individuos menos buenos. stos pueden incluir material gentico til en el proceso de reproduccin 1.2. Cmo se construye? 19. Ejemplo: Seleccin proporcionalEl nmero de veces que un individuo debe reproducirse esfi ps i =fj jLos mejores individuos tienen:Ms espacio en la ruleta Mejor Ms probabilidad de ser seleccionados Peor1.2. Cmo se construye?1.2.8. Estrategia de reemplazamientoLa presin selectiva se ve tambin afectada por la forma en que los cromosomas de la poblacin son reemplazados por los nuevos descendientesPodemos utilizar mtodos de reemplazamiento aleatorios, o determinsticosPodemos decidir no reemplazar al mejor cromosoma de la poblacin: Elitismo 1.2. Cmo se construye? 20. 1.2.9. Criterio de paradaCuando se alcanza el ptimo Recursos limitados de CPU: fijar el mximo nmero deevaluaciones Lmite sobre la paciencia del usuario: Despus de algunasiteraciones sin mejora 1.2. Cmo se construye? 1.3. Utilizacin Nunca sacar conclusiones de una nica ejecucinutilizar medidas estadsticas (medias, medianas, ...)con un nmero suficiente de ejecuciones independientes Se puede obtener lo que se desea en una experimentacin deacuerdo a la dificultad de los casos utilizados No se debeajustar/chequear la actuacin de un algoritmo sobre ejemplossimples si se desea trabajar con casos reales Desde el punto de vista de las aplicaciones: doble enfoque ydiferente diseoEncontrar una solucin muy buena al menos una vezEncontrar al menos una solucin muy buena en cada ejecucin 1.3. Utilizacin 21. 1.4. Diversidad, exploracin, explotacin Diversidad gentica Asociada a las diferencias entre los cromosomas en la poblacinFalta de diversidad gentica = todos los individuos en la poblacin son parecidosFalta de diversidad convergencia al vecino ms cercanoEn la prctica es irreversible. Solucin: Inclusin de mecanismos de diversidad Reinicializacin 1.4. Diversidad, exploracin, explotacin 1.4. Diversidad, exploracin, explotacin Exploracin vs ExplotacinExploracin = muestrear regiones desconocidasExcesiva exploracin = bsqueda aleatoria, no convergeExplotacin = trata de mejorar el mejor individuoExcesiva explotacin = solo bsqueda local, convergencia a un ptimo local1.4. Diversidad, exploracin, explotacin 22. Resumen de los algoritmos genticosBasados en una metfora biolgica: evolucinGran potencialidad de aplicacinMuy populares en muchos camposMuy potentes en diversas aplicacionesAltas prestaciones a bajo costo 2. Diseo evolutivo de sistemas difusos Algoritmos EvolutivosDiseo EvolutivoBase de Conocimiento Funciones de escaladoReglasFunciones de Difusas pertenencia Entrada Motor deSalida Fuzificacin Defuzificacin escaladainferenciaescaladaProcesamiento Difuso2. Diseo evolutivo de sistemas difusos 23. 2. Diseo evolutivo de sistemas difusos Objetivo del proceso de aprendizaje de un SBRDEncontrar una Base de Conocimiento tal que el SBRD que la incluya resuelva un problema dado.Qu partes del SBRD se van a optimizar?Procesos de aprendizaje: Diseo de algunos componentes de la Base de Conocimiento o de la Base de Conocimiento al completo.Procesos de ajuste: Optimizacin de un SBRD existente.2. Diseo evolutivo de sistemas difusos 2. Diseo evolutivo de sistemas difusosPredefinidosFactores de escalaR1: Si X1 es Alto y X2 es Bajo -> Y es Medio MedioR2: Si X1 es Bajo y X2 es Medio -> Y es AltoBajo Alto Predefinida ...X1Bajo Medio Alto Base de ConocimientoX2 Base de Base de Bajo MedioAlto Reglas DatosY Interfaz de Interfaz de Mecanismo de InferenciaFuzificacin Defuzificacin2. Diseo evolutivo de sistemas difusos 24. 2. Diseo evolutivo de sistemas difusos Factores de escalaPredefinidaR1: Si X1 es Alto y X2 es Bajo -> Y es Medio MedioR2: Si X1 es Bajo y X2 es Medio -> Y es AltoBajo Alto Predefinida ...X1Bajo Medio Alto Base de ConocimientoX2 Base de Base deBajo Medio Alto Reglas DatosY Interfaz de Interfaz de Mecanismo de InferenciaFuzificacin Defuzificacin2. Diseo evolutivo de sistemas difusos 2. Diseo evolutivo de sistemas difusosPredefinidos PredefinidaFactores de escalaR1: Si X1 es Alto y X2 es Bajo -> Y es Medio MedioR2: Si X1 es Bajo y X2 es Medio -> Y es AltoBajo Alto ...X1Bajo Medio Alto Base de ConocimientoX2 Base de Base deBajo Medio Alto Reglas DatosY Interfaz de Interfaz de Mecanismo de InferenciaFuzificacin Defuzificacin2. Diseo evolutivo de sistemas difusos 25. 2. Diseo evolutivo de sistemas difusos Factores de escalaR1: Si X1 es Alto y X2 es Bajo -> Y es Medio MedioR2: Si X1 es Bajo y X2 es Medio -> Y es AltoBajo Alto ...X1Bajo Medio Alto Base de ConocimientoX2 Base de Base deBajo Medio Alto Reglas DatosY Interfaz de Interfaz de Mecanismo de InferenciaFuzificacin Defuzificacin2. Diseo evolutivo de sistemas difusos 2. Diseo evolutivo de sistemas difusosSegn las componentes que se optimicen:Espacio de bsqueda ms pequeoProceso de aprendizaje ms sencillo y rpidoLas soluciones pueden ser suboptimalesEspacio de bsqueda ms completoProceso de aprendizaje ms complejo e ineficienteMayor granularidad en el aprendizaje, mejor consideracin de lainterdependencia, mayor probabilidad de encontrar solucionesptimas 2. Diseo evolutivo de sistemas difusos 26. 2. Diseo evolutivo de sistemas difusos Equilibrio entre completitud ygranularidad Tipos de SBRDs Genticos: Sistemas con ajuste gentico de la Base de Datos Sistemas con aprendizaje gentico de la Base de Reglas Sistemas con aprendizaje gentico de la Base de ConocimientoSistemas con aprendizaje gentico del Mecanismo de Inferencia (poco usuales) 2. Diseo evolutivo de sistemas difusos 2.1. Diseo de la base de reglasPROCESO DE APRENDIZAJE Mdulo deevaluacin (BR)Base de DatosBase de predefinidaReglas (BR)Aprendizaje gentico de la base de reglas2.1. Diseo de la base de reglas 27. 2.1. Diseo de la base de reglas El aprendizaje gentico de la base de reglas asume la existencia de un conjunto predefinido de funciones de pertenencia Objetivo de la bsqueda: Un conjunto adecuado de reglas difusas Esquema de representacin: Alternativas: Un cromosoma representa una base de reglas al completo(Enfoque Pittsburgh) Apto para diseo off-line Un cromosoma representa una regla y la poblacin al completo, labase de reglas(Enfoque Michigan) Apto para diseo on-lineOperadores: Adaptados al esquema de representacin 2.1. Diseo de la base de reglas 2.1. Diseo de la base de reglas Ejemplo: Problema de control con dos variables de entrada y una desalida. Existe una base de datos definida a travs de conocimientoexperto, que determina las funciones de pertenencia para las siguientesetiquetas: 1 2 3 4 5 6 7 8 9 Error{N, C, P} Error {N, C, P} Potencia{B, M, A} (2)(6) 2 6 9 R1: Si el Error es Cero y la Variacin_Error es Positiva entonces la Potencia es Alta(9)26 9 1 6 8 1 ...R1 R22.1. Diseo de la base de reglas 28. 2.1. Diseo de la base de reglasSi en el antecedente de las reglas es necesario que aparezcan todas las variables de entrada (variable, etiqueta) (variable, etiqueta) ... 12 3 9Si Error es Cero entonces Potencia es AltaSi en un cromosoma representamos toda una Base de Reglas, generalmente se utilizar un esquema de codificacin de longitud variable 2.1. Diseo de la base de reglas 2.2. Diseo de la base de datosPROCESO DEAPRENDIZAJEMdulo de evaluacin (BD)Base de Reglas Base de predefinidaDatos (BD)Ajuste de la base de datos1. Ajuste de las funciones de escala2. Ajuste de las funciones de pertenencia 2.2. Diseo de la base de datos 29. 2.2. Diseo de la base de datos 1. Ajuste de las funciones de escalaTrasladan el universo de discurso en los que se definen lasvariables de entrada y salida al dominio en el que se definen losconjuntos difusos.Se adaptan para que el universo de discurso escalado secorresponda mejor con el rango de la variable.Parmetros: Factor de escala Cota superior e inferior (funcin de escala lineal) Parmetros de contraccin/expansin (funcin de escala no lineal) Forma de codificacin: esquema real de longitud fija 2.2. Diseo de la base de datos 2.2. Diseo de la base de datos 2. Ajuste de las funciones de pertenenciaComponente a optimizar: Funciones de pertenencia de los trminos lingsticos utilizados en las reglas difusasCada individuo = Base de datos al completoForma de codificacin. Depende deTipo de funcin de pertenencia utilizadaTipo de SBRD: descriptivo, todas las funciones se adaptan de formaglobal a la base de reglas, o aproximativo, cada variable se asocia a un conjuntodifuso distinto en cada regla 2.2. Diseo de la base de datos 30. 2.2. Diseo de la base de datos Ejemplo: Ajuste de las funciones de pertenencia de un SBRD descriptivo con una variable de entrada y una de salida, con tres trminos lingsticos para cada variable y funciones de pertenencia triangulares1 cromosoma representar2 (variables) 3 (etiquetas) = 6 funciones de pertenenciaCada funcin de pertenencia triangular son 3 valores realesPor tanto, hay que optimizar 6 3 = 18 valores realesCodificacin: binaria o real (recomendable)Funcin de adaptacin: Error cuadrtico medio (ECM) Operadores de Cruce y Mutacin: Adecuados para la codificacin (binaria o real) y las restricciones del problema (forma correcta de las funciones de pertenencia, grado mnimo de emparejamiento, etc.) 2.2. Diseo de la base de datos 2.2. Diseo de la base de datos-0.50 0.50 0.5 1 0.5 1 1.5 -0.5 0 0.5 0 0.51 0.5 1 1.5Bajo Medio AltoBajoMedio Alto XY -0.5 00.5 0.25 0.5 0.75 0.511.5 -0.35 0 0.35 0.3 0.5 0.7 0.5 1 1.5Bajo Medio AltoBajoMedio Alto X Y La base de reglas difusas R1: Si X1 es Bajo entonces Y es Alto permanece intacta!! R2: Si X1 es Medio entonces Y es Medio...2.2. Diseo de la base de datos 31. 2.2. Diseo de la base de datosOperador de cruce1 0 1 1 1 0 0 1 1 0 1 0 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 1 0 00 0 0 1 1 0 0 1 1 0 Vlido para la representacin utilizada? 0 0.35 0.4 0.6 ...0 0.35 0 0.2 ...-0.3 0.1 0 0.2 ... -0.3 0.1 0.4 0.6 ...Error!2.2. Diseo de la base de datos 2.2. Diseo de la base de datosOperador de cruceAlternativas: Algoritmo de reparacin a posterioriObligar a que el punto de cruce se determine aleatoriamenteentre puntos extremos de las funciones de pertenencia (intercambiode una etiqueta), oentre los extremos de la informacin relativa a una variable(intercambio de la particin de una variable)Usar otro cruce que respete las restricciones 2.2. Diseo de la base de datos 32. 2.2. Diseo de la base de datos Operador de Mutacin1 0 1 1 1 0 0 1 1 01 0 1 1 1 1 0 1 1 0 Vlido para la representacin utilizada? 0.2 0.35 0.4 ... 0.20 0.4 ...Error!2.2. Diseo de la base de datos 2.2. Diseo de la base de datos Operador de MutacinAlternativas:Mutacin aleatoria dentro del rango de variacin0.2 0.35 0.4 ... 0.2 X 0.4 ... siendo X un nmero aleatorio perteneciente a (0.2, 0.4)Construir de nuevo el conjunto difuso completo (los tres parmetros)2.2. Diseo de la base de datos 33. 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR)El proceso de aprendizaje de la Base de Conocimiento debe determinar: Funciones de pertenencia Reglas difusasy algunas veces tambin Factores (o funciones) de escala Trminos lingsticos Espacio de bsqueda grande y complejo Cromosomas con longitud variable Una regla por cromosoma2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) Algunos enfoques intentan mejorar la definicin de la base dedatos, una vez aprendida la base de reglasEtapas:1. Aprendizaje inicial de la base de reglas (base de datospredefinida)2. Aprendizaje de la base de datos (base de reglas aprendida en elpaso anterior) 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 34. 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR)PROCESO DEPROCESO DE APRENDIZAJE 1 APRENDIZAJE 2Mdulo de Mdulo de evaluacinevaluacin (BR)(BR)Base de Base de Base deReglasBase deDatos Reglas (BR)definitivaDatospredefinida Aprendizaje inicial de la base de reglas y aprendizaje posterior de la base de datos2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR)PROCESO DEAPRENDIZAJE Mdulo de evaluacin (BC) Base de ConocimientoBase deBase de DatosReglasAprendizaje de la base de conocimiento2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 35. 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR)Elementos a codificar en un cromosoma: Codificacin conFactores de escala longitud fija o variableFunciones de pertenenciaReglas difusasCada tipo de elemento ser una parte independiente del cromosomaFormas de combinar estas partes con los operadores genticos:Mezclando subestructurasComo dos estructuras no relacionadasAplicando un proceso secuencial cuando el resultado de cruzar unasubestructura afecte al cruce de la segunda subestructura 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) Ejemplo: Problema con dos variables y tres etiquetas por variableError: {N, C, P} Potencia: {B, M, A} Error PotenciaReglas 0 0 0.5 0.3 0.5 0.8 0.8 1 1.3 000.3 0.2 0.5 0.8 0.7 1 1 1 5 9...R1: Si el Error es Negativo entonces Potencia es Alta R2: ...2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 36. 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) Descomposicin del proceso de aprendizaje en dos etapasdependientes:1. Aprendizaje de la base de datos2. Generacin de la base de reglas Ventajas: Reduccin del espacio de bsqueda Incremento de la posibilidad de encontrar soluciones ptimas 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR)PROCESO DE PROCESO DE APRENDIZAJE 1APRENDIZAJE 2Mdulo de evaluacin (Base de Datos y Base de Base de Reglas)Base deDatosReglas Aprendizaje de la base de conocimiento mediantela derivacin gentica de la Base de Datos2.3. Diseo combinado: SBRDs con aprendizaje gentico de la base de conocimiento (BD + BR) 37. Bibliografa recomendada sobre sistemas difusos genticosBsica:O. Cordn, F. Herrera, F. Hoffmann y L. Magdalena. Genetic Fuzzy Systems. Evolutionary Tuning and Learning of Fuzzy Knowledge Bases. World Scientific, 2001. Complementaria:L. Reznik. Fuzzy Controllers. Newnes, 1997. Bibliografa recomendada sobre algoritmos genticosBsica: Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, 1996.T. Bck, D.B. Fogel y Z. Michalewicz. Handbook of Evolutionary Computation. Oxford University Press, 1997.Complementaria: D.B. Fogel. Evolutionary Computation: Towards a New Philosophy of Machine Intelligence. John Wiley & Sons, 1999.D.E. Goldberg. The Design of Innovation: Lessons from and for Competent Genetic Algorithms. Kluwer Academic Pub., 2002.