unjbg ciis intro ica

7/23/2019 Unjbg Ciis Intro Ica

1/241

Inteligencia Artificial

Introduccin a la Inteligencia Artificial

Yvn Jess Tpac Valdivia, PhD

Ciencias de la Computacin

March 11, 2012

Yvn Tpac, PhD Introduccin a la Inteligencia Artificial XV CISAISI (2011)
http://find/


2/241

Inteligencia Artificial Introduccin

Modelos Inteligentes

Contenido

1 Qu es Inteligencia Artificial?

http://find/


3/241



Contenido

1 Qu es Inteligencia Artificial?2 reas de aplicacin

http://find/


4/241



Contenido


3 Tcnicas Inteligentes


I d i
http://find/http://goback/


5/241



Contenido


3 Tcnicas InteligentesSistemas Expertos (SE)


I t d i
http://find/


6/241



Contenido


3 Tcnicas InteligentesSistemas Expertos (SE)Lgica Difusa (Fuzzy Logic FL)


Introduccin
http://find/


7/241



Contenido


3 Tcnicas InteligentesSistemas Expertos (SE)Lgica Difusa (Fuzzy Logic FL)Redes Neuronales (Neural Networks NN)


Introduccin


8/241



Contenido


3 Tcnicas InteligentesSistemas Expertos (SE)Lgica Difusa (Fuzzy Logic FL)Redes Neuronales (Neural Networks NN)Computacin Evolutiva (Evolutionary Computation EC)


Introduccin
http://find/


9/241



Contenido




I li i A ifi i lIntroduccin


10/241



Contenido



4 Sistemas Inteligentes Aplicados


I t li i A tifi i l Introduccin
http://find/


11/241

Inteligencia ArtificialModelos Inteligentes

Qu es Inteligencia Artificial?

Son las tcnicas y sistemas computacionales cuya inspiracin sebasa en imitar ciertos aspectos humanos como:


http://find/


12/241




percepcin,


http://find/


13/241




percepcin,razonamiento,


http://find/


14/241





aprendizaje,


Inteligencia Artificial IntroduccinM d l I li
http://find/


15/241





aprendizaje,

evoluciny


Inteligencia Artificial IntroduccinM d l s I t li t s
http://find/


16/241

gModelos Inteligentes




aprendizaje,

evoluciny

adaptabilidad.


Inteligencia Artificial IntroduccinModelos Inteligentes
http://find/


17/241

gModelos Inteligentes

Sistemas Computacionales de Apoyo a la Decisin


http://find/http://find/


18/241


reas de Aplicacin

1 Educacin.


http://find/


19/241


reas de Aplicacin

1 Educacin.2 Energa.


http://find/


20/241


reas de Aplicacin

1 Educacin.2 Energa.3 Finanzas.




21/241

g

reas de Aplicacin

1 Educacin.2 Energa.3 Finanzas.4 Telecomunicaciones.


http://find/


22/241

reas de Aplicacin

1 Educacin.2 Energa.3 Finanzas.4 Telecomunicaciones.5 Medicina


http://find/


23/241

reas de Aplicacin

1 Educacin.2 Energa.3 Finanzas.4 Telecomunicaciones.5 Medicina6 Medio ambiente.


http://find/


24/241

reas de Aplicacin

1 Educacin.2 Energa.3 Finanzas.4 Telecomunicaciones.5 Medicina6 Medio ambiente.7 Comercio.


http://find/


25/241

reas de Aplicacin

1 Educacin.2 Energa.3 Finanzas.4 Telecomunicaciones.5 Medicina6 Medio ambiente.7 Comercio.8 Industria.


http://find/


26/241

Ejemplos de Aplicacin

Sector TemaEducacin Software educacional para enseanza de sistemas in-teligentes


http://find/


27/241



Energa Previsin de Carga Elctrica Horaria, Diaria, Mensual, us-ando Redes Neuronales


http://find/


28/241




Energa Optimizacin del Despacho usando Algoritmos Genticos


http://find/


29/241




Energa Optimizacin del Despacho usando Algoritmos GenticosEnerga Optimizacin del posicionamiento de condensadores en Sis-

temas Elctricos


http://find/


30/241





temas ElctricosEnerga Control de nivel de embalses en generadoras elctricas


http://find/


31/241





temas ElctricosEnerga Control de nivel de embalses en generadoras elctricasEnerga Reconocimiento de Descargas Parciales en equipos elctri-

cos


http://find/


32/241






cos

Petrleo Optimizacin de la distribucin de combustible usando com-putacin evolutiva



E l d A l
http://find/


33/241






cos

Petrleo Optimizacin de la distribucin de combustible usando com-putacin evolutiva

Petrleo Planeamiento de produccin ptimo mediante computacinevolutiva



P R li d
http://find/


34/241

Proyectos Realizados

Empresa Sistema Inteligente TcnicaPUC-Rio Alocao tima de salas de aula (2001) EC



P t R li d
http://find/


35/241


Empresa Sistema Inteligente TcnicaPUC-Rio Alocao tima de salas de aula (2001) ECCVRD S4: Shipment Scheduler & Simulator System

(2000)EC



P t R li d


36/241



(2000)EC

ONS PPTec: Evoluo metodolgica dos modelosde gesto hidrotrmica (2005-2006)

EC,RN, FL



P t s R li d s
http://find/


37/241



(2000)EC


EC,RN, FL

Petrobras ANEPI: Anlise Econmica de Projetos deE&P sob Incerteza I, II, III, CI (2000-2007)

EC,NN,FL



http://find/


38/241



(2000)EC


EC,RN, FL


EC,NN,FL

Petrobras CONFPETRO Confiabilidad Humana enIndustria del petrleo (2005-2007)

FL





39/241



(2000)EC


EC,RN, FL


EC,NN,FL

Petrobras CONFPETRO Confiabilidad Humana enIndustria del petrleo (2005-2007)

FL

Petrobras SMART-E&P Sistemas e Modelos In-teligentes Aplicados a Reservatrios comTecnologia de Malha Fechada para a E&Pde Petrleo e Gs (2008-2010)

EC,NN,RL



http://find/


40/241


Empresa Sistema Inteligente TcnicaEletropaulo Desenvolvimento de um Sistema de Previsode Carga da ELETROPAULO (2006)

RN



http://find/


41/241



RN

Light SIGESE Sistema de Apoio Deciso Gesto de Demanda e Consumo de Energia(2000-2010)

NN, FL





42/241



RN


NN, FL

UNSA-Concytec

Sistema Inteligente de Gestin Integrada delRecurso Hdrico para la Cuenca del Pacfico:Caso Cuenca del Ro Chili - Arequipa (2009-2010)

EC





43/241



RN


NN, FL

UNSA-Concytec


EC

EletroNuclear Aplicativo de Simulao de Estratgias Op-

eracionais e Alternativas de Investimento(2010)

EC





44/241


Empresa Sistema Inteligente TcnicaEletropaulo Desenvolvimento de um Sistema de Previso

de Carga da ELETROPAULO (2006)RN


NN, FL

UNSA-Concytec


EC

EletroNuclear Aplicativo de Simulao de Estratgias Op-

eracionais e Alternativas de Investimento(2010)

EC

SEDIMED Plataforma de diagnstico por contenido deImgenes para preseleccion de normalidad deestudios cerebrales (2011-2013)

NN



Aplicacin: Optimizacin y Planeamiento


45/241


Optimizacin deFlujos de Caja.



http://find/


46/241



Optimizacin dePortafolios de Inversin.



http://find/


47/241

p cac Opt ac y a ea e to



Optimizacin deAsignacin de espacio fsico.



http://find/


48/241

p p y




Planificacion delMantenimiento de equipos.




http://find/


49/241

p p y





Planificacion deSistemas de Transporte.




http://find/


50/241

p p y






Optimizacin dePlanes de explotacin de recursos.




http://find/


51/241

y






Optimizacin dePlanes de explotacin de recursos.

Optimizacin deCostos operativos.




Aplicacin: Previsin
http://find/


52/241

Previsin deDemanda de Electricidad(diversos horizontes).




Aplicacin: Previsin
http://find/


53/241


Previsin deDemanda de Combustibles.




Aplicacin: Previsin
http://find/


54/241



Previsin dendices financieros.




Aplicacin: Previsin
http://find/


55/241




Previsin dePrecios de commodities.




Aplicacin: Previsin
http://find/


56/241




Previsin dePrecios de commodities.

Previsin deVariables Climticas.




Aplicacin: Data mining
http://find/


57/241

Caracterizacin de negocios: extraer reglas a partir de lasBases de Datos




http://find/


58/241


Enriquecimiento de Bases de datos: inferir informacin apartir de un levantamiento parcial



Introduccin


http://find/


59/241



Segmentacin de bases de datos: agrupar entradas parecidasen clusters



Introduccin


http://find/


60/241




Clasificacin de entradas: clasificacin provisionalde cualquiernueva entrada en un cluster



Introduccin


http://find/


61/241




Clasificacin de entradas: clasificacin provisionalde cualquiernueva entrada en un cluster

Analisis de riesgo: identificacin de reglas de inversin



Introduccin


Aplicacin: Procesos en Industria
http://find/


62/241

Deteccin y diagnstico de anomalas: Una red neuronaldetecta una falla en una red elctrica, un experto da eldiagnstico



Introduccin


http://find/


63/241


Mantenimiento Predictivo: Una red neuronal puededeterminar el mejor momento para realizar el mantenimientode un determinado equipo



Introduccin


http://find/


64/241


Mantenimiento Predictivo: Una red neuronal puededeterminar el mejor momento para realizar el mantenimientode un determinado equipo

Prediccin de Propiedades: Una red neuronal interpola laspropiedades de un material (soft-sensoring)



Introduccin


Sistemas ExpertosConceptos Bsicos
http://find/


65/241

p

Son programas queguardan y manejanel conocimiento adquiridode un experto



Introduccin


http://find/


66/241


Se necesitanentrevistas y observacionespara extraer elconocimiento



Introduccin


http://find/


67/241


Se necesitanentrevistas y observacionespara extraer elconocimiento

El conocimiento se representa de una formamanejable por lacomputadora



Introduccin


Sistemas ExpertosRepresentacin del Conocimiento
http://find/


68/241

El conocimiento se representa a travs de reglas del tipo IF -THEN(Reglas de Produccin)

if AND then AND

end if




http://find/


69/241


if AND then AND

end if

Ejemplo 1




http://find/


70/241


if AND then AND

end if

Ejemplo 1ifauto =BMWANDciudad =Arequipa then

seguro =10% valor del autoend if




http://find/


71/241


if AND then AND

end if

Ejemplo 1ifauto =BMWANDciudad =Arequipa then


ifauto =tico amarillo ANDciudad =Ilo thenseguro =4% valor del autoend if




http://find/


72/241


Ejemplo 2




http://find/


73/241


Ejemplo 2

ifedad =65 aos thenseguro =s/. 600.00

end if




http://find/


74/241


Ejemplo 2


end ififedad 50 aos ANDpresin =14/10 then

seguro =s/. 600.00end if




http://find/


75/241


Ejemplo 2


end ififedad 50 aos ANDpresin =14/10 then

seguro =s/. 600.00end if

ifedad

40 aos ANDpresin =12/810

%thenseguro =s/. 200.00end if




Sistemas ExpertosOrganizacin de Sistemas Expertos
http://find/


76/241

Base de conocimientoif auto = BMW AND ciudad = Arequipathen


if auto = tico amarillo AND ciudad = Ilothen


auto = BMW

ciudad = Arequipa

Memoria de trabajo

Maquina de

Inferencia

Sistema deExplicacion

Adquisicion deConocimiento




Sistemas ExpertosEvaluacin
http://find/


77/241

Sistemas adecuados en aplicaciones donde:

Elconocimiento(del experto) es accesible

Lasreglas son conocidasyfcilesde formular por el experto

Cuando hay necesidad deexplicaciones




Sistemas ExpertosVentajas y Desventajas
http://find/


78/241

Ventajas

Usa representacin explcita

del conocimiento




http://find/


79/241

Ventajas


del conocimientoCapaces de generarjustificaciones (medianteexplicaciones)




http://find/


80/241

Ventajas






http://find/


81/241

Ventajas



Desventajas

No hay un mecanismoautomtico de aprendizaje




http://find/


82/241

Ventajas



Desventajas


El proceso de extraccin deconocimiento es largo ycostoso




http://find/


83/241

Ventajas



Desventajas


El proceso de extraccin deconocimiento es largo ycostoso

Necesidad de declaraciones

exactas de los expertos

Yvn Tpac PhD Introduccin a la Inteligencia Artificial XV CISAISI (2011)



Sistemas ExpertosEjemplos de Aplicaciones Comerciales
http://find/


84/241

Se muestran unos ejemplos de aplicaciones comerciales y exitosas

de este tipo de sistemas:




http://find/


85/241



American Express Sistema de Auxilio a la autorizacin decrdito (CC)




http://find/


86/241



American Express Sistema de Auxilio a la autorizacin decrdito (CC)

Citibank, National

Westminster,Midland Bank

Anlisis de prstamos personales, gestin

de portfolios de inversin




Lgica Difusa (Fuzzy Logic)Conceptos Bsicos
http://find/


87/241




http://find/


88/241

Es una tcnica inteligente que tiene como objetivo:




http://find/


89/241

Es una tcnica inteligente que tiene como objetivo:Modelar elmodo aproximadodel razonamiento humano




http://find/


90/241


Usar variables fuzzy que modelan elrazonamientolingsticopara poder imitar la habilidad humana de tomardecisiones en unambiente con incertidumbre e imprecisin




http://find/


91/241


Usar variables fuzzy que modelan elrazonamientolingsticopara poder imitar la habilidad humana de tomardecisiones en unambiente con incertidumbre e imprecisin




http://find/


92/241

Con lgica difusa se permite que los sistemas inteligentes de

Controlysoporte a la decisintraten con informacin imprecisa odifusa





C l d f l l d
http://find/


93/241



Ejemplos

Inversiones de alto riesgo





C l i dif i l i i li d
http://find/


94/241



Ejemplos


Presion arterial





C l i dif it l i t i t li t d
http://find/


95/241



Ejemplos


Presion arterialFlujos intensos





C l i dif it l i t i t li t d
http://find/


96/241



Ejemplos



Edad (joven, adulto, anciano, de media edad)





http://find/


97/241



Ejemplos




Sensacin trmica (calor, fro, mucho calor, templado)

Y T PhD I t d i l I t li i A tifi i l XV CISAISI (2011)




http://find/


98/241



Ejemplos





Razas (blanco, negro, aymara, quechua, ashninka)





http://find/


99/241



Ejemplos





Razas (blanco, negro, aymara, quechua, ashninka)

Son necesarios algunosnuevos conceptos




Lgica Difusa (Fuzzy Logic)Nuevos Conceptos

Para comprender el mecanismo de la lgica difusa es necesario
http://find/


100/241

Para comprender el mecanismo de la lgica difusa, es necesario

conocer algunos conceptos como:





http://find/


101/241



Conjuntos difusos (fuzzy sets)





http://find/


102/241




Grado de Pertenencia a un conjunto





http://find/


103/241





Reglas difusas (fuzzy rules)





http://find/


104/241

a a co p e de e eca s o de a g ca d usa, es ecesa o




Reglas difusas (fuzzy rules)

Inferencia difusa




Lgica Difusa (Fuzzy Logic)Conjuntos y reglas rgidos

Dado el siguiente conjunto de categoras:
http://find/


105/241

g j g

0 10 20 30 40 50 60 70 80

muy joven joven viejo muy viejo





http://find/


106/241

g j g

0 10 20 30 40 50 60 70 80


Podemos generar las siguientes reglas

ifedad =40 thenla persona esVIEJA

end if





http://find/


107/241

g j g

0 10 20 30 40 50 60 70 80


Podemos generar las siguientes reglas

ifedad =40 thenla persona esVIEJA

end if

ifedad =39 thenla persona esJOVEN

end if




Lgica Difusa (Fuzzy Logic)Conjuntos Difusos
http://find/


108/241

0 10 20 30 40 50 60 70 80

0 10 20 30 40 50 60 70 80


0.5

1.0

grado depertenencia

edad





Si Pedro tiene 40 aos
http://find/


109/241

Pedro es joven o viejo?





http://find/


110/241


0 10 20 30 40 50 60 70 80

0.5

1.0

gra o epertenencia

edad





http://find/


111/241


0 10 20 30 40 50 60 70 80

0.5

1.0

gra o epertenencia

edad

En realidad, Pedro esjovenyviejoal mismo tiempoLosgrados de pertenenciaindican que Pedro no estan jovennies tan viejo.




Lgica Difusa (Fuzzy Logic)Reglas Difusas
http://find/


112/241





if edad es MEDIA-EDAD Y presin es BAJO then
http://find/


113/241

ifedad esMEDIA EDAD Ypresin esBAJOthenvalor del seguro esBAJO

end if





if edad es MEDIA-EDAD Y presin es BAJO then
http://find/


114/241

ifedad esMEDIA EDAD Ypresin esBAJOthenvalor del seguro esBAJO

end ififedad esJOVEN Ypresin esALTOthen

valor del seguro esALTO

end if




Lgica Difusa (Fuzzy Logic)Inferencia Difusa

Sean los universos Edad, Presin y Seguro con sus respectivos
http://find/


115/241

conjuntos difusos:





Sean los universos Edad, Presin y Seguro con sus respectivos
http://find/


116/241

conjuntos difusos:





SIedad esmedia edad Ypresin esbaja, ENTONCESseguro es
http://find/


117/241

bajo





http://find/


118/241

bajo





http://find/


119/241

bajo





SIedad esjoven Ypresin esalta,ENTONCESseguro esalto
http://find/


120/241





http://find/


121/241





http://find/


122/241





http://find/


123/241

Seguro = (700 0.6+ 800 0.5)/(0.6+ 0.5) = s/.745.45




Lgica Difusa (Fuzzy Logic)Evaluacin
http://find/


124/241

Lgica Difusa es una tcnica usada en aplicaciones donde:

Elconocimientoincluye conceptossubjetivose

intrnsecamente imprecisosDonde se desea obtenerexplicacionescon respecto alresultado del problema




Lgica Difusa (Fuzzy Logic)Ventajas y Desventajas
http://find/


125/241

Ventajas

Facilidad de tratar datosimprecisos




http://find/


126/241

Ventajas


Facilita la descripcin dereglas dadas por los expertos




http://find/


127/241

Ventajas



Nmero menor de reglas




http://find/


128/241

Ventajas




Explicacin del raciocinio delexperto




http://find/


129/241

Ventajas








http://find/


130/241

Ventajas





Desventajas

Necesidad de especificar las

funciones de pertenencia




http://find/


131/241

Ventajas





Desventajas

Necesidad de especificar las

funciones de pertenenciaNecesidad de un experto ode informacin histrica




Lgica Difusa (Fuzzy Logic)Ejemplos de Aplicaciones Comerciales


http://find/


132/241







http://find/


133/241

de este tipo de sistemas:Yamaichi Securi-ties

Sistema de gestin de fondos de inversin






http://find/


134/241



Fuji Bank Sistema de negociacin en Bolsa de Val-

ores






http://find/


135/241




oresWorld Bank Sistema de inversiones






http://find/


136/241




oresWorld Bank Sistema de inversionesMetus Systems Sistema Fuzzy de deteccin de fraudes

en el sistema de salud






http://find/


137/241




oresWorld Bank Sistema de inversionesMetus Systems Sistema Fuzzy de deteccin de fraudes

en el sistema de saludSamsung, LG,

Panasonic

Control de procesos de lavado, estabi-

lizacin de imagen en cmaras de videoCCD




Redes Neuronales (Neural Networks)Conceptos Bsicos
http://find/


138/241





Son modelos computacionales inspirados en lasneuronas biolgicas

y en la estructura del cerebro con capacidad de:
http://find/


139/241







http://find/


140/241

y en la estructura del cerebro con capacidad de:Adquirirconocimiento experimental






http://find/


141/241

y e a est uctu a de ce eb o co capac dad deAdquirirconocimiento experimental

Almacenarconocimiento experimental






http://find/


142/241

y pAdquirirconocimiento experimental


Utilizar el conocimiento experimental adquirido






http://find/


143/241

y pAdquirirconocimiento experimental


Utilizar el conocimiento experimental adquirido




Redes Neuronales (Neural Networks)Relacin con la Naturaleza

Cerebro

Neuronas biolgicas
http://find/


144/241

gRed de neuronas

1 1010 neuronas

Proceso de aprendizaje

GeneralizacinAsociacin

Reconocimiento de Patrones





Cerebro

Neuronas biolgicas

Redes Neuronales Artificiales

Neurona artificial
http://find/


145/241

gRed de neuronas

1 1010 neuronas

Proceso de aprendizaje



Estructura en layers

1 102 1 103 unidades

Ajuste a los datos







Neurona biolgica Neurona Artificial
http://find/


146/241




Redes Neuronales (Neural Networks)Estructura Bsica
http://find/


147/241




http://find/


148/241




http://find/


149/241

Los pesos wijalmacenan la informacin aprendida.




Redes Neuronales (Neural Networks)Entrenamiento
http://find/


150/241




http://find/


151/241




http://find/


152/241




http://find/


153/241

http://find/


154/241


155/241





156/241

http://find/


157/241


158/241





159/241




http://find/


160/241

http://find/


161/241





162/241




Redes Neuronales (Neural Networks)Generalizacin
http://find/


163/241

http://find/


164/241





165/241




http://find/


166/241

http://find/


167/241



Redes Neuronales (Neural Networks)Evaluacin

Las Redes Neuronales son una tcnica usada en aplicaciones dondese requiera:


168/241

q

Reconocer patrones cuyas muestras puedan serruidosas oincompletas

Donde no sea fcil formularreglas claras

Adems, este modelo no requiere de unaexplicacin delresultado

http://find/


169/241



Redes Neuronales (Neural Networks)Ventajas y Desventajas

VentajasFacilidad de modelar


170/241

sistemas no lineales

Aprendizaje automatizado





http://find/


171/241



Soporta datos ruidosos eincompletos

http://find/


172/241






173/241



Soporta datos ruidosos eincompletos

Respuesta rpida y precisa

Modelos compactos

http://find/


174/241


175/241


176/241


177/241



Redes Neuronales (Neural Networks)Ejemplos de Aplicaciones Industriales

Se muestran unos ejemplos de aplicaciones industriales:


178/241

http://find/


179/241





Racal Identificacin de placas de vehculosThomson Sistemas OCR


180/241






Racal Identificacin de placas de vehculosThomson Sistemas OCRSt. Georges Hos- Sistema de Clasificacin de Tumores
http://find/


181/241

gpital

http://find/


182/241





Racal Identificacin de placas de vehculosThomson Sistemas OCRSt. Georges Hos- Sistema de Clasificacin de Tumores


183/241

gpitalCRAM Sistema de seleccin de naranjas

Eletropaulo Sistema de previsin de demanda elc-trica

http://find/


184/241


185/241


186/241


187/241



Redes Neuronales (Neural Networks)Ejemplos de Aplicaciones Comerciales

Se muestran unos ejemplos de aplicaciones comerciales exitosaspara este tipo de sistemas:

Fidelity Invest-ments

Gestin de fondos de inversin (US$ 2000 millones)


188/241

Chase ManhattanBank

Deteccin de fraude en tarjeas de crdito

Citibank (USA) Evaluacin de CrditoNikko Securities Sistema de negociacin de ndice de

bolsa

http://find/


189/241



Redes Neuronales (Neural Networks)Ejemplos de Aplicaciones Comerciales


Fidelity Invest-ments

Gestin de fondos de inversin (US$ 2000 millones)

Ch M h D i d f d j d di


190/241

Chase ManhattanBank

Deteccin de fraude en tarjeas de crdito

Citibank (USA) Evaluacin de CrditoNikko Securities Sistema de negociacin de ndice de

bolsaHill Samuel/UCL Sistema de previsin de fondos de inver-

sinThorn EMI/UCL Perfil de consumidores

http://find/


191/241


192/241


193/241


194/241


195/241


196/241


197/241


198/241



Algoritmos Evolutivos(Evolutionary Computation)Finalidad

Estor algoritmos, que inspirados en laseleccin naturaly en lareproduccin gentica buscan ser:


199/241

http://find/


200/241


201/241


202/241


203/241


204/241


205/241


206/241


207/241


208/241


209/241


210/241


211/241


212/241


213/241


214/241


215/241


216/241



Algoritmos Evolutivos(Evolutionary Computation)Operadores

Cruce:

Individuos antes del crossover

Individuo 1

Individuo 2

Resultado despus del Crossover

Hijo 1

Hijo 2

1 0 0 0 0 1 1 1

11 1 1 1 0 1 1

1 1 1 1 1 1 1 1

01 0 0 0 0 1 1

Punto de corte


217/241

Punto de corte

http://find/


218/241


219/241


220/241


221/241



Algoritmos Evolutivos(Evolutionary Computation)Ventajas y Desventajas

Ventajas

Tcnica de bsqueda global

Optimizacin de poblemasmal estructurados


222/241

mal estructurados

http://find/


223/241



Algoritmos Evolutivos(Evolutionary Computation)Ventajas y Desventajas

Ventajas

Tcnica de bsqueda global

Optimizacin de poblemasmal estructurados


224/241

mal estructurados

No se necesita unaformulacin matemticaprecisa del problema

http://find/


225/241


226/241


227/241


228/241


229/241


230/241



Algoritmos Evolutivos(Evolutionary Computation)Ejemplos de Aplicaciones Industriales


GENERAL ELEC-TRIC

Identificacin de placas de vehculos

BRITISH GAS Optimizacin de proyecto de motores DCBBN Optimizacin de la distribucin de gas


231/241

http://find/


232/241



Algoritmos Evolutivos(Evolutionary Computation)Ejemplos de Aplicaciones Industriales


GENERAL ELEC-

TRIC

Identificacin de placas de vehculos

BRITISH GAS Optimizacin de proyecto de motores DCBBN Optimizacin de la distribucin de gasATTAR Ruteamiento de telecomunicaciones


233/241

http://find/


234/241



Algoritmos Evolutivos(Evolutionary Computation)Ejemplos de Aplicaciones Comerciales


CAP VOLMAC Evaluacin de Crdito y anlisis de riesgo


235/241






CAP VOLMAC Evaluacin de Crdito y anlisis de riesgoSEARCHSPACE Deteccin de fraude en bolsa (Londres)
http://find/


236/241






CAP VOLMAC Evaluacin de Crdito y anlisis de riesgoSEARCHSPACE Deteccin de fraude en bolsa (Londres)IOC Planificacin de Juegos Olmpicos
http://find/


237/241

http://find/


238/241


239/241


240/241




241/241

http://find/

unjbg ciis intro ica

Documents