PROGRAMACION

LOGICA FUNCIONAL
TECNOLOGICO
DE ACAPULCO
ALUMNO:
FREDDY JAHIR GARCIA CAMPOS

12320732

eria:
INSTITUTO

INTELIGENCIA ARTIFICIAL UNA

NUEVA SINTESIS (resumen)

CONTENIDO

1. INTRODUCCION
1.1QUE ES LA IA?
1.2Aproximaciones a la Inteligencia
1.3Breve historia

2 AGENTES DE ESTMULO- RESPUESTA

2.1.

Percepcin y accin
2.1.1. Percepcin
2.1.2

Accin

2.1.3. Algebra booleana

2.1.4. Clases y formas de las funciones booleanas
2.2.

Representacin e implementacin de las funciones para la seleccin de

acciones
2.2.1. Sistemas de produccin
2.2.3. La arquitectura de subsuncin

2. REDES NEURONALES
3.1 Introduccin
3.2 Entrenamiento de una ULU
3.2. 1. Interpretacin geomtrica del funcionamiento de una ULU
3.2.3. Mtodos del gradiente descendente
3.2.4. El procedimiento de Widrow-H of
3.2.5 El procedimiento delta generalizado
3.2.6 El procedimiento de correccin del error

1.1 QUE ES LA IA?

El objetivo de la investigacin artificial es el estudio del comportamiento
inteligente en las mquinas. El comportamiento inteligente supone percibir,
razonar, aprender, comunicarse y actuar en entornos complejos. Una de las
metas a largo plazo de la IA es el desarrollo de mquinas que puedan hacer
todas estas cosas igual, o quiz incluso mejor, que los humanos. La meta de la
IA es llegar a comprender este tipo de comportamiento, sea en las mquinas,
en los humanos o en otros animales.
Cabe destacar que Alan Turing, es uno de los fundadores de la informtica, el
expres esta misma cuestin, pero formulada en trminos ms adecuados para
su comprobacin emprica. Algunas personas creen que las mquinas
pensantes tendran que ser tan complejas, y disponer de una experiencia tan
compleja, que nunca seremos capaces de disearlas o construirlas. Ningn
sistema menos complejo que el formado por la superficie de la tierra, la
atmsfera y los ocanos embebido en un espacio interplanetario, calentado por
el sol e influenciado por las mareas sera capaz de duplicar los fenmenos
climticos con todo detalle.
Sin embrago Otros pensadores creen que no es realmente importante que las
mquinas estn hechas de silicio o de protenas; piensan que el
Comportamiento inteligente es, en su mayor parte, el resultado de lo que ellos
llaman procesamiento subsimbolco, es decir, procesamiento de seales, no de
Smbolos.
Un claro ejemplo es el reconocimiento de rostros familiares. Los humanos
hacemos esto sin esfuerzo alguno, y aunque no se sabe exactamente cmo lo
hacemos, se sospecha que la mejor explicacin para el proceso es la que se
basa en el rota miento de imgenes, o de partes de ellas, como seales
multidimensionales, no como smbolos.
Algunas de las hiptesis son las siguientes:

El cerebro procesa la informacin en paralelo, mientras que los

ordenadores
convencionals
secuencialmente. Por tanto, tenemos que
construir nuevas variedades de ordenadores
paralelos
para
realizar
progresos en la IA.

La maquinaria computacional convencional est basada en la lgica

binaria (verdadero o falso).Por tanto, los sistemas realmente inteligentes
tendrn que usar alguna n tipo de lgica borrosa.

Las neuronas animales son mucho ms complejas que simples

conmutadores los bloques constructivos bsicos de los ordenadores actuales.
Por tanto, necesitaremos neuronas artificiales verdaderamente realistas para
construir mquinas inteligentes.

1.2 APROXIMACIONES A LA INTELIGENCIA ARTIFICIAL

Aun aceptando que la IA ya ha sido capaz de producir algunos sistemas

prcticos muy fciles, la creencia general es que el objetivo de alcanzar una
inteligencia de nivel humano est afn muy distante. Siendo esto as, todava
hay un gran debate sobre cules son las mejores a p r o x i m a c i o n e s hacia
la mejores en el sentido de sentar los fundamentos centrales para conseguir
las metas planteadas a largo plazo, as como mejores en el sentido de
producir resultados prcticos a corto plazo. En consecuencia, Durante los
ltimos 40 aos ha emergido un cierto nmero de paradigmas diferentes.
Cada uno de ellos tiene abogados apasionados, y algunos han producido
resultados suficientemente interesantes como para no ser descartados sin
ms. Quiz lo que se requiere es una combinacin apropiada de estas
aproximaciones diferentes. En cualquier caso, cada investigador cree, a
menudo, que la suya es la metodologa avanzada que merece especial
atencin. Los principales paradigmas pueden ser clasificados en dos grupos.
El primer grupo incluye lo que llamamos las aproximaciones basadas en
procesamiento de smbolos. Se sustentan sobre la hiptesis del sistema fsico
de smbolos de Newel l y Simon, y aunque esta hiptesis no puede
considerarse afn como universalmente aceptada, en ella se basa mucho de
lo que podramos llamar. Un miembro destacado de esta familia de
aproximaciones es el que se basa en la aplicacin de operaciones lgicas
sobre bases de conocimiento declarativo. Inspirado originalmente en los
informes de John McCarthy sobre su sistema consejos, sobre un problema del
dominio mediante sentencias declarativas, a menudo basadas en sentencias
de la lgica.
En muchas de las aproximaciones basadas en procesamiento de smbolos, el
anlisis del comportamiento deseado, O la sntesis de mquinas para
conseguirlos, se extienden a travs de varios niveles. El nivel superior
corresponde al nivel del conocimiento, en el cual se especifica el conocimiento
necesario para que la mquina alcance sus objetivos. A continuacin viene el
nivel simblico, donde Se representa este conocimiento mediante estructuras
simblicas, como, por ejemplo, listas escritas en el lenguaje de programacin
LISP, y se especifican operacin Sobre estas estructuras. Despus estn los
niveles inferiores, en los cuales, realmente se implementan las operaciones de
procesamiento de smbolo.

1.3

BREVE HISTORIA

Cuando empezaron a desarrollarse los primeros ordenadores durante las

dcadas de los 40 y 50, algunos investigadores escribieron programas que
podan realizar tareas elementales de razonamiento. En los resultados ms
prominentes de esta poca podemos citar los primeros programas de
ordenador capaces de jugar al ajedrez [Shannon, 1950, Newell, y Shaw y
Simon, 1958], los programas capaces de jugar a las damas [Samuel, 1959, y
Samuel, 1967] y los pro- gramas para demostrar teoremas de geometra plana
[Gelernter, 1959]. En 1956, John McCarthy y Claude Shannon coeditaron un
volumen titulado Automata Studies [Shannon y McCarthy, 1956]. La mayora
de los artculos del volumen trataban sobre los fundamentos matemticos de

ER 1958, John McCarthy propuso la utilizacin del clculo de predicados como

un lenguaje para representar y usar conocimiento en un sistema al que llam
sistema consejero [McCarthy, 1958]. A este sistema, en lugar de
programarlo, haba que decirle lo que necesitaba saber para resolver un
problema. Una modesta, pero influyente, implementacin de estas ideas fue
aborda- da por CordeI1 Green en su sistema OAS [Green, 1969a]. Como
resultado de muchas controversias entre los investigadores de la IA, el clculo
de predicados y sus variantes han sobrevivido como el fundamento bsico para
la representacin del conocimiento.

Muchos de estos resultados de la lgica y de la informtica se referan a

verdades que no pueden ser deducidas y a clculos que no pueden ser
realizados. Seguramente animados por estos hallazgos negativos, algunos
filsofos y cientficos [Lucas, 1961; Penrose, 1989, y Penrose, 1994] los
interpretaron como confirmaciones de que la inteligencia humana no podra ser
mecanizada. Estos pensadores crean que los humanos son, de alguna forma,
inmunes a las limitaciones computacionales inherentes a las mquinas. Sin
embargo, la mayora de los lgicos y de los informticos creen que estos
resultados negativos de ningn modo implican que las mquinas tengan
lmites que no sean aplicables tambin a los humanos.

3.REDES NEURONALES
2.1 Percepcin y Accin
El robot debe seguir la siguiente pauta de comportamiento: ir a una celda
fronteriza, o que limite con un objeto, y seguir su permetro indefinidamente.
Para poder mostrar esta pauta de comportamiento, el robot debe ser capaz de
percibir si una determinada celda est libre para ser ocupada o no, y para
ello debe llevar a cabo las acciones primitivas que correspondan.

2.1.1 Percepcin
Las entradas sensoriales de nuestro robot estn representadas por los valores
de las variables x. Por tanto, existen 2' = 256 combinaciones posibles de estos
valores. En nuestro entorno, ciertas combinaciones pueden ser descartadas
debido a la condicin que prohbe la existencia de pasillos estrechos. Para la
tarea que estamos considerando, se pueden definir cuatro caractersticas
binarias, definidas sobre las variables sensoriales, que nos pueden ayudar para
el clculo de las acciones.

2.1.2.Accin
Dadas las cuatro caractersticas definidas en la seccin anterior, el siguiente
paso que debemos abordar consiste en la definicin de una funcin de dichas
caractersticas, que nos proporcione la accin adecuada para llevar a cabo la
tarea de seguimiento de bordes. Primero, nos damos cuenta de que si
ninguna de las caractersticas toma el valor l (es decir, el robot percibe que
todas las celdas que le rodean estn libres), entonces el robot puede moverse
en cualquier direccin hasta que encuentre un borde. Por defecto, vamos a
asignar a este caso la accin norte. Siempre que al menos una de las
caractersticas tome el valor 1,

2.1.3.Algebra booleana
Una funcin booleana, .x , .v , ..., .x,) hace corresponder a una n tupla de 0 y 1
un valor 0 o un valor 1. El lgebra booleana es el medio adecuado para la
representacin de este tipo de funciones. El lgebra booleana utiliza las
correctivas, , + y . Por ejemplo, la funcin y aplicada a dos variables se
escribe x,
x , aunque, por convenio, se omite la correctiva y la funcin y se
escribe x x . La funcin x x toma el valor 1 si, y slo si, .x, y .v tienen El valor 1;
en cualquier otro caso, tomar el valor 0. La funcin o (o inclusiva) de dos
variables se escribe .v, + .v y toma el valor 1 si alguna de las variables tiene el
valor 1; en cualquier otro caso, tomar el valor 0. El complemente o negacin

de una variable, x, se escribe , y tomar el valor 1 si, y slo si, la variable .x

tiene el valor 0; en otro caso, tomar el valor 0.

2.1.4.Clases y formas de las funciones booleanas

Una funcin booleana puede ser expresada de muy diversas maneras. Una de
las formas ms comunes de expresarla consiste en escribirla en la forma k,
k, , donde cada k es un literal. Una funcin escrita de esta forma se denomina
conjuncin de literales o renuncio, y la conjuncin en
Algunos ejemplos de trminos son .r.r, y x x x .
El tamao de un trmino viene determinado por el nmero de literales que
contiene. En los ejemplos, los tamaos de los trminos son 2 y 3,
respectivamente.
Se puede demostrar fcilmente que se pueden formar 3" monomios distintos
con n variables

2.2. Representacin e implementacin de las funciones para la

seleccin de acciones
Para realizar la seleccin de acciones, debemos construir una funcin, definida
sobre el vector dc caractersticas, que tenga R valores de salida distintos,
suponiendo que existen R posibles acciones a elegir.

2.2.1.Sistemas de produccin
Los sistemas de produccin proporcionan una representacin adecuada para
las funciones de seleccin de acciones. Un sistema de produccin est formado
por un conjunto de reglas denominadas reglas de produccin, o simplemente
producciones

2.2.3. La arquitectura de subsuncin

Diferentes autores han propuesto formalismos para la especificacin del
proceso que asocia las entradas sensoriales con las acciones correspondientes.
Entre stos, cabe destacar la aqu- lectura de su funcin, propuesta por Rodney
Brooks [Brooks, 1986; Brook, 1990, y Connell 1990]. Aunque no existe una
definicin precisa de esta arquitectura. la idea general consiste en hacer que el
comportamiento global del agente descanse sobre un conjunto de mdulos de
com- portamiento. Cada uno de estos mdulos recibe informacin directa de
las entradas sensoriales. Si dichas entradas satisfacen una precondicin..

3. REDES NEURONALES

3.1 Introduccin
Las acciones que se asocian a los vectores del conjunto suelen denominarse
etiquetas o clases del vector, y al conjunto , junto con las etiquetas asociadas
a sus vectores, se le denomina conjunto de entrenamiento. Por tanto, para
resolver el problema de aprendizaje, hay que encontrar una funcin, f ( X), que
responda aceptablemente a los elementos del conjunto de entrenamiento.
Normalmente se intentar que las acciones calculadas por la funcin que
corresponde.

3.2.1 Entrenamiento de una ULU

Comenzaremos por explicar cmo los pesos d ULU pueden ser ajustados o
entrenados para que la ULU responda
determinados
conjuntos
de
entrenamiento. Si vamos a usar la ULU para el clculo de acciones, sus
entradas han de ser numricas (para que se pueda valor arbitrario del umbral
8 distinto de 0, basta aumentar la dimensin de todos los vectores que

3.2. 1. Interpretacin geomtrica del funcionamiento de una ULU

Se han propuesto diversos mtodos para el ajuste de los pesos. Para simplificar
la explicacin de dichos mtodos, vamos a adoptar el convenio de que el valor
del umbral 8 es siempre 0. Una ALU queda definida por los valores de sus
pasos de sus pesos y de su umbral

3.2.3.

Mtodos del gradiente descendente

Una forma de abordar el problema del entrenamiento de una ULU de forma que
este responda apropiadamente a los vectores del conjunto de entrenamiento
que consiste en definir una relacin de error que debe minimizarse ajustando el
valor de los pesos .

3.2.4.

El procedimiento de Widrow-H of

Supongamos que intentamos ajustar los pesos de ti forma que cada vector del
conjunto de entre Uno de los problemas con qu Ros encontramos al calcular
el gradiente de C es que el error depende de todos los vectores del conjunto de
entrenamiento ". Pala solventar este problema, es preferible aplicar un nico
vector de entrada a la ULU, hacer os ajustes corresponden en los pesos para
obtener una respuesta adecuada, y volver a repetir el proceso con el siguiente
vector de
Es decir, un proceso incremental de entrenamiento siguiendo una determinada
secuencia de vectores de entrada etiquetados con SU Correspondiente salida.

Por SU] 3USto, los resultados del entrenamiento incremental solamente Se

pueden aproximar a los de las denominadas versiones por lotes, pero,
casualmente, la aproximacin es bastante efectiva.

3.2.5 El procedimiento delta generalizado

Werbos [Werbos, 1974] propuso otra forma de solventar el problema de la no
dervabilidad de la funcin umbral, aunque otros autores, como, por ejemplo
[Rumelhart et al., 1986] propusieron la misma solucin de forma
independiente. La solucin propuesta pasaba por sustituir la funcin umbral
por una funcin derivable llamada sigmoide. Se denomina as porque tiene
forma de S.

3.2.6 El procedimiento de correccin del error

En este mtodo no sustituiremos la funcin umbral por una sigmoide, y slo
haremos el ajuste de los pesos cuando la ULU responda con un error, es decir,
cuando la diferencia (d f) sea 1 o 1. Teniendo en cuenta esto, el ajuste de
los pesos por el mtodo de correccin del error se realiza mediante la siguiente
expresin:
Al igual que en los mtodos anteriores, los cambios en el vector de pesos se
realizan en la direccin en la que se disminuye el error (y dependiendo del
valor del factor de aprendizaje c, podran ocasionalmente corregirlo). Una de
las diferencias entre este mtodo y el de Widrow-Holt es que ahora, para la
correccin del error, tanto d como fs1o admiten los valores 0 o l, mientras que
en el mtodo de Widrow-Hof, d poda valer +l o l, ser igual al producto
escalar s.
Se puede demostrar que, si existe un vector de pesos W para el que todos los
vectores del
Sustituyendo esta expresin en la igualdad
= Ud f)f X, obtenemos: x
El conjunto producen una salida correcta, entonces el procedimiento de
correccin del error encontrar dicho vector despus de presentar un nmero
finito de vectores a la ULU y, adems, una vez encontrado dicho vector, ste no
volver a ser modificado (la demostracin requiere que cada vector pueda
aparecer en la secuencia de entrenamiento, Z, un nmero infinito de veces,
aunque est garantizado que el procedimiento encuentra una solucin despus
de un nmero que se puede deducir la regla que determina la forma en la que
cambian los pesos, regla