CAPTULO

I:

INTELIGENCIA

ARTIFICIAL

1.1 CONCEPTOS.

La IA es una ciencia que estudia el comportamiento inteligente de las mquinas lo cual conlleva
a realizar tareas como: percibir, razonar, aprender, comunicarse y actuar en entornos complejos.

La IA. es la parte de la informtica concerniente al diseo de sistemas de computacin inteligente, es

decir, de sistemas que exhiban o simulen las caractersticas que son comnmente asociadas con la
inteligencia en la conducta humana (Handbook81).
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.
Otra meta de la IA es llegar a comprender este tipo de comportamiento, sea en las mquinas, en los
humanos o en otros animales.
La IA ha estado siempre rodeada de controversia. La cuestin bsica de la IA Pueden pensar las
mquinas? ha interesado tanto a filsofos como a cientficos e ingenieros.
Algunas personas creen que las mquinas pensantes tendran que ser tan complejas, y disponer de una
experiencia tan compleja (por ejemplo, interaccionando con el entorno o con otras mquinas pensantes),
que nunca seremos capaces de disearas o construirlas.
Otros puntos de vista sobre el tipo de mquinas que podran ser capaces de desarrollar habilidades
pensantes como las de los humanos. Algunas de las hiptesis:
El cerebro procesa la informacin en paralelo, mientras que los ordenadores convencionales lo
hacen 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 (verdadera y falsa). Por
tanto, los sistemas realmente inteligentes tendrn que usar algn 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 DEFINICIN DE LA IA EN 4 DIMENSIONES
Entre ellas tenemos las siguientes:
Sistemas que actan como humanos.
Sistemas que piensan como humanos.
Sistemas que piensan racionalmente.
Sistemas que actan racionalmente.
1.2.1.

Sistemas que actan como humanos.

El modelo es el hombre, el objetivo es construir un sistema que pase por humano.
Test de Turing: Si un sistema lo pasa es inteligente.
Necesitamos mquinas con:
Procesamiento de lenguaje natural.
Representacin del conocimiento.
Razonamiento automtico.

 Aprendizaje automtico.
1.2.2.

Sistemas que piensan como humanos.

Su enfoque es el modelo Cognoscitivo.
Es necesario disponer de mecanismos que permitan determinar cmo piensan los humanos.
Hay 2 Tcnicas.
Introspeccin: Intentar atrapar nuestros pensamientos conforme van apareciendo.
Experimentos psicolgicos.
Se intenta elaborar teoras precisas y verificables del funcionamiento de la mente humana.

1.2.3.

Sistemas que piensan racionalmente.

El enfoque de las leyes del pensamiento racional se fundamenta en la lgica (silogismos de
Aristteles).
La lgica formal est en la base de los programas inteligentes (logicismo).
Hay 2 obstculos:
Es muy difcil formalizar el conocimiento
Hay un gran salto entre la capacidad terica de la lgica y su realizacin prctica.

1.2.4.

Sistemas que actan racionalmente.

El enfoque del agente racional.

Actuar racionalmente significa conseguir unos objetivos dadas unas creencias.
El paradigma es el agente racional, que se aplica, por ejemplo, a muchos sistemas robticos.
Un agente percibe y acta, siempre teniendo en cuenta el entorno en el que est situado.
Las capacidades necesarias:
Percepcin.
Procesamiento del lenguaje natural.
Representacin del conocimiento.
Razonamiento.
Aprendizaje automtico.

1.3 OBJETIVOS
Desde el punto de vista de los objetivos, la IA puede considerarse en parte como ingeniera y en parte
como ciencia.
Como ingeniera, el objetivo de la IA es resolver problemas reales, actuando como un conjunto de
ideas acerca de cmo representar y utilizar el conocimiento, y de cmo desarrollar sistemas
informticos.
Como ciencia, el objetivo de la IA es buscar la explicacin de diversas clases de inteligencia, a travs
de la representacin del conocimiento y de la aplicacin que se da a ste en los sistemas informticos
desarrollados.
1.4 FUNDAMENTOS.
La IA ha tenido como fundamento las bases de varias disciplinas, entre las cuales mencionaremos las
siguientes:
Filosofa: Scrates, Platn, Aristteles, Leibniz (abuelo de la IA), desde el ao 428 a.c hasta el
presente.
Lgica: Searle.

 Matemtica: (Frege, Tarski) desde el ao 800 a.c, proveyeron las herramientas para manipular las
aseveraciones de certeza lgica as como las inciertas de tipo probabilista. As mismo prepararon el
terreno para el manejo del razonamiento con algoritmos de probabilidad, lgebra booleana.
Psicologa: (Piaget Craik), conductismo, psicologa cognitiva dndose desde el ao 1869 hasta la
actualidad.
Ciencias de la Computacin: Comenz muy poco antes. Las teoras encuentran un medio para su
implementacin (artefactos y modelado cognitivo).
Lingstica: Se desarroll en paralelo con la IA y sirve de base para la representacin del
conocimiento (Chomsky), ao 1957 hasta el presente.
Neurociencia Cmo procesa la informacin el cerebro?
1.5 HISTORIA.
En 1950 con el trabajo de Alan Turing, el matemtico britnico que dise el primer computador
electrnico digital y funcional del mundo en los aos 1940.
Cuando era estudiante de posgrado en Princeton en 1936, Turing public On Computable Numbers, un
artculo que estableci las bases tericas para todas las ciencias de computacin. Ah describi lo que
denomin Mquina de Turing, un dispositivo terico que poda leer instrucciones de una cinta de papel
perforada y ejecutar todas las operaciones crticas de un computador. El artculo fij los lmites de las
ciencias de la computacin porque demostr que no es posible resolver problemas con ningn tipo de
computador.
Despus de doctorarse en 1938, Turing tuvo la oportunidad de poner en prctica la teora cuando, al prever
una invasin por parte de las fuerzas de Adolf Hitler, el gobierno britnico reuni un equipo de
matemticos e ingenieros con la misin sper secreta de descifrar el cdigo militar alemn. Turing con un
grupo construy COLOSSUS, una mquina de propsito especfico considerado como el primer
computador digital electrnico.
Desde que se complet el Colossus en 1943 hasta que termin la Segunda Guerra Mundial, descifr con
xito los cdigos nazis. Muchos expertos creen que Colussus fue responsable de la derrota de los nazis.
Turing inaugur el campo de la inteligencia artificial con su artculo publicado en 1950, Computing
Machinery and Intelligence, en el que propuso una prueba concreta para determinar si una mquina era
inteligente o no. Aos despus Turing se convirti en el adalid que quienes defendan la posibilidad de
emular le pensamiento humano a travs de la computacin y fue coautor del primer programa para jugar
ajedrez.
En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar una mquina? era
demasiado filosfica para tener valor y, para hacerlo ms concreto, propuso un juego de imitacin. En la
prueba de Turing intervienen dos personas y una computadora. Una persona, el interrogador, se sienta en
una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la
terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si
acta de manera inteligente, segn Turing es inteligente. Turing, seal que una mquina podra fracasar y
an ser inteligente. Aun as crea que las mquinas podran superar la prueba a fin del siglo.
En 1951 William Shockley inventa el transistor de unin. El invento hizo posible una nueva generacin de
computadoras mucho ms rpidas y pequeas.
En 1956 se acu el trmino "inteligencia artificial" en Dartmouth durante una conferencia convocada por
McCarthy, a la cual asistieron, entre otros, Minsky, Newell y Simon. En esta conferencia se hicieron
previsiones triunfalistas a diez aos que jams se cumplieron, lo que provoc el abandono casi total de las
investigaciones durante quince aos.
En 1980 la historia se repiti con el desafo japons de la quinta generacin, que dio lugar al auge de los
sistemas expertos pero que no alcanz muchos de sus objetivos, por lo que este campo sufri una nueva
interrupcin en los aos noventa.
En 1987 Martn Fiscales y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar
describir con un mayor mbito (no slo la comunicacin) los atributos de un agente inteligente, la IA se ha
expandido a muchas reas que han creado ramas de investigaciones enormes y diferenciadas.

Podemos entonces decir que la IA incluye caractersticas humanas tales como el aprendizaje, la adaptacin,
el razonamiento, la autocorreccin, el mejoramiento implcito, y la percepcin modular del mundo. As,
podemos hablar ya no slo de un objetivo, sino de muchos, dependiendo del punto de vista o utilidad que
pueda encontrarse a la IA.
Muchos de los investigadores sobre IA sostienen que "la inteligencia es un programa capaz de ser
ejecutado independientemente de la mquina que lo ejecute, computador o cerebro".
1.6 TCNICAS DE LA IA.
Entre ellas las siguientes:
1.6.1.

Sistemas Expertos.
1.6.1.1. Concepto:
Consiste de equipos y software que almacenan conocimientos y hacen inferencias, en
forma similar a un experto humano. A finales de los cincuenta y principios de los sesenta,
los ingenieros en computacin trataron de construir computadoras capaces de realizar
tareas inteligentes. Los esfuerzos se encaminaron a crear un solucionador de problemas
generales, una mquina capaz de imitar el proceso de razonamiento humano para resolver
cualquier problema que un ser humano pudiera solucionar.
Los esfuerzos se orientaron al diseo de programas que resolvieran problemas en reas
precisas utilizando conocimiento y razonamiento de expertos.
1.6.1.2.

El propsito de los SE
Es duplicar el conocimiento no estructurado ni documentado de unos pocos (los expertos)
y los pone a disposicin de otros. Debido a la forma en que estn planteados los SE
(basados en la experiencia) no puede ayudar a los usuarios que tratan con sucesos que los
expertos no consideraron durante el periodo de creacin. Sin embargo muchos programas
avanzados que incluyen redes neuronales aprenden de situaciones nuevas y formulan
reglas adhoc en sus bases de conocimiento para resolver eventualidades no consideradas
originalmente en su diseo.
Para construir un SE un ingeniero del conocimiento se entrevista con un experto, traduce
la informacin en cdigo. Por lo general con la regla SI-Entonces.
Otros mtodos son marcos semnticos integrados por cuadros con listas de entidades y
atributos; y las redes semnticas, mapas de entidades y sus atributos relacionados.

1.6.1.3.

Caractersticas de un SE
Pueden explicar su razonamiento o decisiones sugeridas: La capacidad de
explicar cmo se lleg a una decisin o solucin.
Puede mostrar un comportamiento inteligente: Al examinar un grupo de datos,
un SE puede proponer nuevas ideas o mtodos para la solucin del problema, o
proporcionar asesoramiento en el trabajo para los trabajadores.
Puede obtener conclusiones de relaciones complejas: Evaluar relaciones
complejas para llegar a conclusiones y solucionar problemas, por ejemplo: un SE
propuesto trabajar con un sistema de fabricacin flexible para determinar la mejor
utilizacin de las herramientas, y otro sugerir los mejores procedimientos de
control de calidad.
Puede proporcionar conocimientos acumulados: Se puede usar para capturar
conocimientos de humanos que de lo contrario podran perderse. Ejemplo es el SE
denominado DELTA (Diesel Electronic Locomotive Troble-shooting Aid),
desarrollado para conservar el conocimiento de David Smith, nico ingeniero
competente para manejar muchas reparaciones extremadamente tcnicas de esas
mquinas, cuando lleg el momento de su jubilacin.

 Puede hacer frente a la incertidumbre: Una de las caractersticas ms importantes

de un SE es su capacidad para enfrentar conocimientos incompletos o inexactos en
su totalidad. Mediante el uso de las probabilidades, las estadsticas y las heursticas.
1.6.1.4.

Caractersticas que limitan su Utilidad

No se han usada o probado en forma extensa: Los SE no se emplean en un gran
nmero de organizaciones.
Dificultad de uso: Algunos sistemas expertos son difciles de controlar y usar. En
algunos casos se requiere del uso de personal de computacin, o del personas
capacitadas en el uso de SE, para ayudar al usuario a obtener todo lo ms posible de
estos sistemas.
Estn limitados a problemas relativamente limitados: Algunos sistemas expertos
pueden realizar anlisis de datos complejos, otros estn limitados a problemas
sencillos.
No pueden enfrentar con facilidad conocimientos mixtos: Un SE en una
aplicacin quiz no pueda hacer frente a conocimientos que combinen tanto reglas
como casos.
Posibilidad de error: Algunos sistemas expertos tienen capacidades limitadas para
aprender de la experiencia, la fuente principal de conocimientos es un experto
humano. Si este conocimiento es incorrecto o incompleto, afectar al sistema en
forma negativa.
Dificultad de mantenimiento: Los SE pueden ser difciles de actualizar. Algunos
no responden o no se adaptan a condiciones cambiantes.
Pueden tener costo altos de desarrollo: Cuando se usan los lenguajes y mtodos
de programacin tradicionales. Se puede lograr una reduccin considerable en los
costos de desarrollo si se emplea software para el desarrollo de SE.
Ocasionan preocupaciones legales y ticas: Las personas que toman decisiones y
llevan a cabo acciones son responsables, desde el punto de vista legal y tico, por su
comportamiento. Por ejemplo, una persona puede ser procesado y condenada por un
delito. Cuando los SE se usan para tomar decisiones o ayudan a tomarlas, quin es
el responsable de esta decisin?

1.6.1.5.

Capacidades de los SE
En comparacin con otros tipos de sistemas de informacin, los SE ofrecen varias
capacidades poderosas y beneficios. Por ejemplo, con frecuencia se usa un SE
denominado XCON para disear configuraciones de sistemas computacin, pues realiza,
en forma consistente, un mejor trabajo que los seres humanos.
Los SE se pueden usar para solucionar problemas en todos los campos y disciplinas y
ayudar en la totalidad de las etapas del proceso de solucin de los problemas.
Fijacin de objetivos estratgicos: Un SE puede ayudar a los administradores de
alto nivel de la compaa a determinar los costos y beneficios que existen en
producir vinos de mayor calidad y cambiar su imagen en el mercado.
Planeacin: Un SE puede ayudar a este proceso mediante la sugerencia de factores
que se deben considerar al tomar la decisin final, sobre la base de datos
proporcionados por la administracin.
Diseo: Estos SE usan principios generales de diseo, comprensin de los
procedimientos de fabricacin y un grupo de reglas de diseo.
Toma de decisiones: Pueden sugerir posibles alternativas, formas de contemplar los
problemas y mtodos lgicos al proceso de toma de decisiones. Adems, los SE
pueden mejorar el proceso de aprendizaje para aquellos que no tienen tanta
experiencia en tomar decisiones.
Control y supervisin de calidad: Los SE computarizados pueden ayudar a
supervisar varios sistemas y proponer soluciones a problemas que se presenten en

ellos. Los SE tambin se pueden usar para supervisar la calidad de los productos.
Cuando las mquinas funcionan en forma deficiente, el SE puede ayudar a
determinar las causas posibles.
Diagnstico: Puede proporcionar al mdico la probable causa de enfermedad y
proponer tratamientos u operaciones. En los negocios tambin diagnstica posibles
problemas y soluciones.
1.6.1.6.

Cuando usar los SE

El desarrollo se SE complejos puede ser difcil, costoso y requerir de tiempo, por lo tanto,
es importante asegurarse de que los posibles beneficios valen el esfuerzo y que las
diversas caractersticas del SE se equilibren, en trminos de costo, control y complejidad.
Proporciona un alto potencial de rendimiento o reduce el riesgo
Puede capturar y conservar conocimientos humanos irremplazables
Puede desarrollar un sistema ms consistente que los expertos humanos
Puede proporcionar los conocimientos necesarios en varias ubicaciones al mismo
tiempo o en un ambiente hostil peligroso para la salud humana.
Puede proporcionar conocimientos costosos y poco comunes.
Puede proporcionar los conocimientos necesarios para la capacitacin y el desarrollo
con el propsito de compartir los conocimientos y la experiencia de expertos
humanos con un gran nmero de personas.

1.6.1.7.

Componentes de los SE
La Base de Conocimientos: Almacena toda la informacin, datos, reglas, casos y
relaciones importantes que utiliza el SE. Para cada aplicacin nica se tiene que
desarrollar una base conocimientos. Por ejemplo, un SE mdico contendr hechos
sobre enfermedades y sntomas. La base de conocimientos puede incluir
conocimientos genricos provenientes de teoras generales que se han establecido
con el tiempo y conocimientos especficos que provienen de experiencias ms
recientes y de reglas prcticas.
Propsito de una base de conocimientos: Contener los hechos y la
informacin pertinentes para el SE especfico. Una base de conocimientos es
similar a la suma total de los conocimientos y experiencias de los expertos
humanos que se obtienen a travs de aos de trabajo en un rea o disciplina
especfica.
Reunin de expertos humanos: Una base que contiene informacin
proporcionada por diversos expertos puede ser extremadamente eficiente y
exacta desde el punto de vista de sus sugerencias y pronsticos.
Utilizacin de la lgica difusa: Otro reto para los diseadores y
desarrolladores de SE es capturar conocimientos y relaciones que no son
precisos o exactos.
El uso de reglas: Una regla es una instruccin condicionada que enlaza
determinadas condiciones con acciones o resultados. La regla se crea por
medio de construcciones de si-entonces.
El uso de casos: Un SE puede usar casos al desarrollar la solucin a un
problema o situacin actual. El proceso incluye:
1) Encontrar casos almacenados en la base de conocimientos, que sean
similares al problema.
2) Modificar las soluciones a los casos para adaptarlas, o acomodarlas, al
problema o la situacin actual.
El Motor de Inferencias: El propsito general de un motor de inferencias es buscar
informacin y relaciones en la base de conocimientos, y proporcionar respuestas,
pronsticos y sugerencias en la misma forma en que lo hara un experto humano. En
otras palabras, el motor de inferencias es el que proporciona el consejo experto.

 Encadenamiento inverso: Es el proceso de comenzar con conclusiones y

trabajar hacia atrs hasta los hechos de soporte. Si los hechos no apoyan la
conclusin, se elige y prueba otra.
Encadenamiento hacia delante: Se inicia con los hechos y trabajo hacia
delante hasta las conclusiones.
Comparacin del encadenamiento inverso y el encadenamiento hacia
delante: El encadenamiento hacia delante puede llegar a conclusiones y
producir ms informacin con menos consultas para el usuario que el
encadenamiento inverso, pero este mtodo requiere ms procesamiento y un
mayor grado de sofisticacin.
Los Recursos de Explicaciones: Una parte importante del SE son los recursos de
explicaciones que le permiten al usuario, o al responsable de tomar las decisiones
comprender en que forma lleg el SE a ciertas conclusiones o resultados.
Los Recursos de Adquisicin de Conocimientos: una tarea difcil en el desarrollo de
un sistema experto es el proceso de crear y actualizar la base de conocimientos. En
la actualidad, existe software especializado que le permite a los usuarios y a quienes
toman las decisiones crear y modificar sus propias bases de conocimientos.
La Interfaz del Usuario: Sirve para disear, crear, actualizar y usar los SE. El
propsito general de la interfaz del usuario es facilitar a los usuarios y a los
tomadores de las decisiones el desarrollo y el uso de un SE.
1.6.1.8.

Desarrollo de los SE
Los SE requieren de un mtodo de desarrollo sistemtico para obtener los mejores
resultados.
Proceso De Desarrollo: La especificacin de los requisitos para un SE se inicia con
la identificacin de los objetivos del sistema y su uso potencial. Identificar a los
expertos puede ser difcil. En algunos casos, una compaa contar con expertos
humanos; en otros, se requerir expertos ajenos a la organizacin. Para el desarrollo
de los elementos del SE son necesarias habilidades especiales. La puesta en
operacin del SE incluye ponerlo en accin y asegurarse de que funciona como se
desea.

1.6.1.9.

Participantes en el Desarrollo y Utilizacin de los SE

El experto en dominio: Debido al tiempo y el esfuerzo que se requieren para la
tarea, se desarrolla un SE para atender un rea de conocimiento. A dicha rea se le
conoce como dominio. El experto en dominio es la persona o grupo que tiene la
experiencia o el conocimiento al cual se intenta capturar en el SE. Por lo general con
la siguiente capacidad:
Reconocer el problema real
Desarrollar una estructura general para la solucin de problemas
Formular teoras sobre la situacin
Desarrollar y usar reglas generales para solucionar un problema
Identificar cundo deben quebrantarse las reglas
Solucionar problemas con rapidez y eficiencia
Aprender de experiencias anteriores
Identificar lo que es importante y lo que no lo es para solucionar un problema
Explicar a otros la situacin y las soluciones de problemas.
El ingeniero del conocimiento y el usuario del conocimiento: El primero es la
persona que tiene el entrenamiento y la experiencia en el diseo, desarrollo, puesta

en operacin y mantenimiento de un SE, incluyendo entrenamiento y experiencia

con shells de SE. El segundo es quien usa el SE y se beneficia de l.
1.6.1.10. Herramientas y tcnica para el desarrollo de sistemas expertos
En teora, los sistemas expertos se deben desarrollar a partir de algn lenguaje de
programacin. Desde la introduccin de los sistemas de computacin, los lenguajes de
fciles de usar, ms potentes y cada vez ms capaces de manejar. En los inicios del
desarrollo de SE se usaban los lenguajes Pascal, FORTRAN Y COBOL. LISP fue uno de
los primeros lenguajes especiales desarrollados y empleados para aplicaciones de
inteligencia artificial. PROLOG es otro. Sin embargo, actualmente existen otros
productos de SE (como los shells) que evitan el trabajo de programar.
Shells y productos para SE: Un shell (interprete) de SE es un grupo de paquetes y
herramientas de software utilizados para disear, desarrollar, poner en operacin y
mantener SE con una programacin mnima. Existen shells de SE tanto para
computadoras personales como para sistemas de macrocomputadoras. Algunos son
baratos con costo inferior a los 500 dlares. El usuario introduce los datos o parmetros
apropiados y el SE proporciona el resultado para el problema o situacin. Algunos de los
shells ms populares son Exsys de MultilLogic, Inc. Level 5, de Rule Machines
Corporacin y XpertRule, de Attar Software.
1.6.1.11. Ventajas de los shells y los productos de SE
Fciles de desarrollar y modificar: Conforme se dispone de nuevos hechos y
reglas y se hace necesario modificar los ya existentes, es deseable hacer cambios a la
base de conocimientos. Los sistemas desarrollados por medio de PROLOG y LIPS
son ms difciles de modificar y ms costosos que los SE desarrollados con shells.
El uso de la satisfaccin: El mtodo tradicional de solucin de problemas intenta
encontrar la solucin ptima, o la mejor; los lenguajes avanzados y simblicos
pueden hacer frente a problemas ms complejos y producir decisiones muy buenas,
aunque no siempre ptimas.
El uso de la heurstica: Es necesario que los SE puedan manejar relaciones
imprecisas. La heurstica puede hacerlo y a menudo producir una buena solucin
que deje satisfecho al tomador de las decisiones.
Desarrollo por los ingenieros y usuarios del conocimiento: Con los shells de SE,
los ingenieros y usuarios del conocimiento pueden completar el proceso de
desarrollo. Es frecuente que al desarrollar SE con lenguajes de programacin
tradicionales se requieran anlisis de sistemas y programacin de computacin, que
son costosos y que por lo comn requieren de ms tiempo.
1.6.1.12. Alternativas de desarrollo de SE
Los SE se pueden desarrollar desde cero por medio de un shell de SE o mediante un
paquete de software de SE ya existente. El mtodo seleccionado depende de los
beneficios del sistema comparados con el costo, el control y la complejidad de cada
alternativa. Es ms fcil y menos costoso desarrollar un SE utilizando un paqueta ya
existente o un shell de SE. Sin embargo, si la organizacin no cuenta ya con este tipo de
software, habr un costo adicional para desarrollar un paquete existente o adquirir un
shell de SE
Desarrollo en la propia empresa (desde cero): Es el mtodo ms costoso, pero la
organizacin tiene ms control sobre las caractersticas y los elementos del SE.
Desarrollo en la propia empresa (desde un shell): Puede ser menos complejo y
ms fcil de mantener que desarrollarlo desde cero. Sin embargo, quiz sea
necesario modificar el SE resultante para que sea idneo para aplicaciones
especficas.
Compra paquetes ya existentes (uso de paquetes existentes): Mtodo menos
costoso y ms rpido. Aquel cuyo desarrollo corri a cargo de una compaa de

software o de asesora para un campo o rea especficos, tales como el diseo de un

nuevo microprocesador para computacin o un sistema para pronosticar y predecir
el clima. Estos sistemas pueden ser ms fciles de mantener y actualizar al
transcurso del tiempo, pero no pueden satisfacer las necesidades especiales de la
organizacin.
1.6.1.13. Aplicaciones de los SE y de la IA
Otorgar crdito: Para revisar la solicitud de crdito de una persona y el historial
crediticio que mantiene con las agencias dedicadas a este rubro, para tomar la
decisin de otorgar el crdito.
Administracin y recuperacin de informacin: Los SE pueden ayudar a este
proceso mediante el uso de agentes. Los agentes de SE ayudan a los gerentes a
encontrar los datos y la informacin correctos, al mismo tiempo que eliminan
hechos sin importancia que puedan obstaculizar la toma de decisiones oportunas.
IA y SE incorporados a los productos: El sistema de frenos antibloqueo de los
automviles modernos es un ejemplo de un SE rudimentario. Los investigadores de
IA tambin estn encontrando formas para usar las redes neuronales y la robtica en
dispositivos de uso diario, tales como tostadoras de pan, relojes despertadores y
aparatos de TV.
Disposicin de plantas: FLEXPERT es un SE que usa la lgica difusa para realizar
el trazado de plantas. El software ayuda a las compaas a determinar la mejor
ubicacin para los equipos y las instalaciones de fabricacin.
Instalaciones de hospitales y mdicas: Algunos hospitales usan SE para determinar
la posibilidad de que un paciente contraiga cncer u otras enfermedades. MYCIN es
un SE creado en la Universidad Stanfor para analizar infecciones en la sangre.
Departamento de ayuda y asistencia: Los departamentos de servicios de ayuda al
cliente usan SE para proporcionar asistencia oportuna y exacta. Kaiser Permanente,
un HMO (Health Mantenance Organization) de gran tamao, usa un SE y repuesta
verbal para automatizar la funcin del su departamento de ayuda.
Evaluacin del desempeo de empleados: Un SE de Austin-Hayne, llamado
Employee Appreiser, les proporciona asesora experta a los gerentes para que la
utilicen en las revisiones del desempeo de los empleados y el desarrollo de carreras.
Anlisis de prstamos: KPMG Peat Marwick usa un SE llamado Loan Probe para
revisar las reservas para prdidas en prstamos, con el propsito de determinar si se
han reservado fondos suficientes para cubrir riesgos de que algunos prstamos se
vuelvan incobrables.
Deteccin de virus: IBM utiliza la tecnologa de red neuronal para ayudar a crear
software ms avanzado en la erradicacin de los virus de computacin, un problema
importante para las empresas estadounidenses.
Reparacin y mantenimiento: AT&T usa el SE ACE para analizar el
mantenimiento de las redes telefnicas. Nynex (New York and New England
Telephone Exchange) tiene sistemas expertos para ayudar a sus trabajadores a
localizar y resolver problemas telefnicos con referencia a sus clientes.
Embarques: Lufthansa, una aerolnea alemana, usa un SE, CARGEX-Cargo, para
ayudar a determinar las mejores rutas de embarque.

 Mercadotecnia: CoverStory es un SE que trae informacin de una base de datos y

elabora, en forma automtica, informes de mercadotecnia.
Optimizacin de almacenes: Unite Distillers emplea un SE para determinar las
mejores combinaciones de existencias, para producir su mezcla de whisky escocs.
Integracin de SE: Un SE se puede integrar con otros sistemas en una organizacin
mediante una base de datos comn. Un SE que identifique a los clientes que
demoran sus pagos y que no deben recibir crdito adicional puede tomar los datos de
la misma base de datos que un MIS de facturacin que elabora informes semanales
de las cuentas vencidas. La misma base de datos podra usarse para un sistema de
apoyo a las decisiones que realice anlisis de que sucedera s, para determinar la
repercusin de los pagos demorados sobre los flujos ejecutivo, ingresos y niveles
generales de utilidad.
1.6.1.14. Limitaciones de los SE
Los SE slo manejan reas precisas del conocimiento: Funcionan bien si el
dominio al que se enfocan est bien definido. Por ejemplo, es difcil que se
encuentre un SE mdico general.
Los SE no tienen sentido comn: El sistema slo resolver aquellos problemas
para los que est especficamente programado.
Los SE Tienen una capacidad limitada de aprendizaje: Los ingenieros del
conocimiento deben dirigir los sistemas y proporcionar retroalimentacin continua
para que aprenda.
1.6.2.

Lgica Difusa.
1.6.2.1. Historia
Esta simple idea naci en un artculo de Lofti A. Zadeh publicado en 1965 y titulado
"Fuzzy Sets" (Conjuntos Difusos). La lgica difusa permite representar de forma
matemtica conceptos o conjuntos imprecisos, tales como das fros, meses calurosos,
personas altas, salarios bajos, guisos con mucho condimento, profesores poco valorados,
etc.
Pero hay que tener en cuenta que la idea en s de que las cosas no son blancas o negras,
sino que existen infinitos matices de grises viene ya desde la poca de los primeros
grandes filsofos como Platn.
Posteriormente a ellos, otros grandes pensadores como David Hume o Kant apoyaban
esta idea manteniendo que el razonamiento vena dado por las observaciones de las que
somos testigos a lo largo de nuestra vida y la deteccin de algunos principios
contradictorios en la lgica clsica.
Tras la publicacin de Lotfi A. Zadeh, se comenz rpidamente a usar la lgica difusa en
distintas aplicaciones prcticas, llegando a su mximo auge a principios de los aos 90, y
continuando ste hasta la poca actual.
1.6.2.2.

Concepto:
La lgica difusa se funda en el concepto de que todo es cuestin de grado, lo cual permite
manejar informacin vaga o de difcil especificacin, importante para la resolucin de un
problema, por medio de una serie de reglas de "sentido comn" aprendidas con sistemas
adaptativos que se nutren de la observacin de las personas o de la formulacin por parte
del experto humano.
En la actualidad hay un nmero creciente de aplicaciones entre las cuales podemos
mencionar:
La construccin de artefactos electrnicos de uso domstico y de entretenimiento.
El diseo de dispositivos artificiales de deduccin automtica.

 El diseo de sistemas de diagnstico y de control de complejos procesos

industriales, etc.
1.6.2.3.

Funcionamiento
La lgica difusa se adapta mejor al mundo real en el que vivimos, e incluso puede
comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es
muy alto", "el ritmo del corazn est un poco acelerado", etc.
La clave de esta adaptacin al lenguaje, se basa en comprender los cuantificadores de
nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").
En la teora de conjuntos difusos se definen tambin las operaciones de unin,
interseccin, diferencia, negacin o complemento, y otras operaciones sobre conjuntos
(ver tambin subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para sus elementos,
que indican en qu medida el elemento forma parte de ese conjunto difuso. Las formas de
las funciones de pertenencia ms tpicas son trapezoidales, lineales y curvas.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES (consecuente),
donde el antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o
resultado de operar con ellos. Sirvan como ejemplos de regla heurstica para esta lgica
(ntese la importancia de las palabras "muchsimo", "drsticamente", "un poco" y
"levemente" para la lgica difusa):
SI hace muchsimo calor ENTONCES disminuyo drsticamente la temperatura.
SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.
Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces.
Los resultados de dichos mtodos son un rea final, fruto de un conjunto de reas
solapadas entre s (cada rea es resultado de una regla de inferencia). Para escoger una
salida concreta a partir de tanta premisa difusa, el mtodo ms usado es el del centroide,
en el que la salida final ser el centro de gravedad del rea total resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser
formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este
caso de Redes neuronales para fortalecer las futuras tomas de decisiones.
Los datos de entrada suelen ser recogidos por sensores, que miden las variables de
entrada de un sistema. El motor de inferencias se basa en chips difusos, que estn
aumentando exponencialmente su capacidad de procesamiento de reglas ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de la siguiente
manera:
En la figura, el sistema de control hace los clculos en base a sus reglas heursticas,
comentadas anteriormente. La salida final actuara sobre el entorno fsico, y los valores
de las nuevas entradas sobre el entorno fsico (modificado por la salida del sistema de
control) seran tomados por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema borroso fuese el climatizador de un coche
que se autorregula segn las necesidades: Los chips borrosos del climatizador recogen los
datos de entrada, que en este caso bien podran ser la temperatura y humedad
simplemente. Estos datos se someten a las reglas del motor de inferencia (como se ha
comentado antes, de la forma SI... ENTONCES...), resultando un rea de resultados. De
esa rea se escoger el centro de gravedad, proporcionndola como salida. Dependiendo
del resultado, el climatizador podra aumentar la temperatura o disminuirla dependeiendo
del grado de la salida.

1.6.2.4.

Ventajas e Inconvenientes
Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema de
control basado en lgica difusa: ofrece salidas de una forma veloz y precisa,
disminuyendo as las transiciones de estados fundamentales en el entorno fsico que
controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura de

30, y la temperatura actual oscilase entre los 29-30, nuestro sistema de aire
acondicionado estara encendindose y apagndose continuamente, con el gasto
energtico que ello conllevara. Si estuviese regulado por lgica difusa, esos 30 no seran
ningn umbral, y el sistema de control aprendera a mantener una temperatura estable sin
continuos apagados y encendidos.
Del mismo ejemplo puede observarse otra de las principales ventajas de estos sistemas,
que es la capacidad de adelantarse en el tiempo a los acontecimientos, estabilizando
siempre el entorno fsico que controla.
Como principal incoveniente cabe destacar la dificultad de elegir una correcta funcin de
pertenencia para los conjuntos difusos, ya que en ocasiones no es sencillo especificar el
efecto de los cuantificadores de nuestro lenguaje en dicha funcin. El hecho de que
cualquier funcin de pertenencia del sistema estuviese mal especificada, hara fallar, muy
probablemente, todo el sistema completo.
Tambin est la indecisin de decantarse por los expertos o por la tecnologa
(principalmente mediante Redes neuronales) para reforzar las reglas heursticas iniciales
de cualquier sistema de control basado en este tipo de lgica.
1.6.2.5.

1.6.3.

Aplicaciones
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es muy alta y no
existen modelos matemticos precisos, para procesos altamente no lineales y cuando se
envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen
solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente en Japn, y
cada vez se est usando en gran multitud de campos. La primera vez que se us de forma
importante fue en el metro japons, con excelentes resultados. A continuacin se citan
algunos ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (Frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de reconocimiento de escritura
Mejora en la eficiencia del uso de combustible en motores
Sistemas expertos del conocimiento (simular el comportamiento de un experto
humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto,
por ejemplo, existe el lenguaje FSQL.
Y, en general, en la gran mayora de los sistemas de control que no dependen de un
S/No.

Redes Neuronales.
1.6.3.1. Historia de las Redes Neuronales
Conseguir disear y construir mquinas capaces de realizar procesos con cierta
inteligencia ha sido uno de los principales objetivos de los cientficos a lo largo de la
historia. De los intentos realizados en este sentido se han llegado a definir las lneas
fundamentales para la obtencin de mquinas inteligentes: En un principio los esfuerzos
estuvieron dirigidos a la obtencin de autmatas, en el sentido de mquinas que
realizaran, con ms o menos xito, alguna funcin tpica de los seres humanos. Hoy en
da se contina estudiando en sta misma lnea, con resultados sorprendentes, existen
maneras de realizar procesos similares a los inteligentes y que podemos encuadrar dentro
de la llamada Inteligencia Artificial (IA).

A pesar de disponer de herramientas y lenguajes de programacin diseados

expresamente para el desarrollo de mquinas inteligentes, existe un enorme problema que
limita los resultados que se pueden obtener: estas mquinas se implementan sobre
computadoras basadas en la filosofa de Von Neumann, y que se apoyan en una
descripcin secuencial del proceso de tratamiento de la informacin. Si bien el desarrollo
de estas computadoras es espectacular, no deja de seguir la lnea antes expuesta: una
mquina que es capaz de realizar tareas mecnicas de forma increblemente rpida, como
por ejemplo clculo, ordenacin o control, pero incapaz de obtener resultados aceptables
cuando se trata de tareas como reconocimiento de formas, voz, etc.
La otra lnea de la investigacin ha tratado de aplicar principios fsicos que rigen en la
naturaleza para obtener mquinas que realicen trabajos pesados en nuestro lugar. De igual
manera se puede pensar respecto a la forma y capacidad de razonamiento humano; se
puede intentar obtener mquinas con esta capacidad basadas en el mismo principio de
funcionamiento.
No se trata de construir mquinas que compitan con los seres humanos, sino que realicen
ciertas tareas de rango intelectual con que ayudarle, principio bsico de la Inteligencia
Artificial.
Las primeras explicaciones tericas sobre el cerebro y el pensamiento ya fueron dadas ya
por Platn (427-347 a.C.) y Aristteles (348-422 a.C.). Las mismas ideas tambin las
mantuvo Descartes (1569-1650) y los filsofos empiristas del siglo XVIII.
La clase de las llamadas mquinas cibernticas, a la cual la computacin neuronal
pertenece, tiene ms historia de la que se cree: Hern (100 a.C) construy un autmata
hidrulico.
1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el
mundo de la computacin. Sin embargo, los primeros tericos que concibieron los
fundamentos de la computacin neuronal fueron Warren McCulloch, un neurofisilogo, y
Walter Pitts, un matemtico, quienes, en 1943, lanzaron una teora acerca de la forma de
trabajar de las neuronas (Un Clculo Lgico de la Inminente Idea de la Actividad
Nerviosa - Boletn de Matemtica Biofsica 5: 115-133). Ellos modelaron una red
neuronal simple mediante circuitos elctricos.
1949 - Donald Hebb. Escribi un importante libro: La organizacin del
comportamiento, en el que se establece una conexin entre psicologa y fisiologa. Fue el
primero en explicar los procesos del aprendizaje (que es el elemento bsico de la
inteligencia humana) desde un punto de vista psicolgico, desarrollando una regla de
como el aprendizaje ocurra. Aun hoy, este es el fundamento de la mayora de las
funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el
aprendizaje ocurra cuando ciertos cambios en una neurona eran activados. Tambin
intent encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los trabajos de
Hebb formaron las bases de la Teora de las Redes Neuronales.
1950 - Karl Lashley. En sus series de ensayos, encontr que la informacin no era
almacenada en forma centralizada en el cerebro sino que era distribuida encima de l.
1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para
indicar el nacimiento de la inteligencia artificial.
1957 - Frank Rosenblatt. Comenz el desarrollo del Perceptrn. Esta es la red neuronal
ms antigua; utilizndose hoy en da para aplicacin como reconocedor de patrones. Este
modelo era capaz de generalizar, es decir, despus de haber aprendido una serie de
patrones poda reconocer otros similares, aunque no se le hubiesen presentado
anteriormente. Sin embargo, tena una serie de limitaciones, por ejemplo, su incapacidad
para resolver el problema de la funcin OR-exclusiva y, en general, era incapaz de
clasificar clases no separables linealmente. En 1959, escribi el libro Principios de
Neurodinmica, en el que confirm que, bajo ciertas condiciones, el aprendizaje del
Perceptrn converga hacia un estado finito (Teorema de Convergencia del Perceptrn).
1960 - Bernard Widrow/Marcial Hoff. Desarrollaron el modelo Adaline (ADAptative
LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros

adaptativos para eliminar ecos en las lneas telefnicas) que se ha utilizado

comercialmente durante varias dcadas.
1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones
tcnicas (memoria asociativa).
1967 - Stephen Grossberg. A partir de sus conocimientos fisiolgicos, ha escrito
numerosos libros y desarrollado modelo de redes neuronales. Realiz una red: Avalancha,
que consista en elementos discretos con actividad que vara en el tiempo que satisface
ecuaciones diferenciales continuas, para resolver actividades como reconocimiento
contino de habla y aprendizaje de los brazos de un robot.
1969 - Marvin Minsky/Seymour Papert. En este ao surgieron crticas que frenaron,
hasta 1982, el crecimiento que estaban experimentando las investigaciones sobre redes
neuronales. Minsky y Papera, del Instituto Tecnolgico de Massachussets (MIT),
publicaron un libro Perceptrons. Probaron (matemticamente) que el Perceptrn no era
capaz de resolver problemas relativamente fciles, tales como el aprendizaje de una
funcin no-lineal. Esto demostr que el Perceptrn era muy dbil, dado que las funciones
no-lineales son extensamente empleadas en computacin y en los problemas del mundo
real. A pesar del libro, algunos investigadores continuaron su trabajo. Tal fue el caso de
James Anderson, que desarroll un modelo lineal, llamado Asociador Lineal, que
consista en unos elementos integradores lineales (neuronas) que sumaban sus entradas.
Este modelo se basa en el principio de que las conexiones entre neuronas son reforzadas
cada vez que son activadas. Anderson dise una potente extensin del Asociador Lineal,
llamada Brain State in a Box (BSB).
1974 - Paul Werbos. Desarroll la idea bsica del algoritmo de aprendizaje de
propagacin hacia atrs (backpropagation); cuyo significado qued definitivamente
aclarado en 1985.
1977 - Stephen Grossberg. Teora de Resonancia Adaptada (TRA). La Teora de
Resonancia Adaptada es una arquitectura de red que se diferencia de todas las dems
previamente inventadas. La misma simula otras habilidades del cerebro: memoria a largo
y corto plazo.
1977 - Teuvo Kohonen. Ingeniero electrnico de la Universidad de Helsinki, desarroll
un modelo similar al de Anderson, pero independientemente.
1980 - Kunihiko Fukushima. Desarroll un modelo neuronal para el reconocimiento de
patrones visuales..
1985 - John Hopfield. Provoc el renacimiento de las redes neuronales con su libro:
Computacin neuronal de decisiones en problemas de optimizacin.
1986 - David Rumelhart/G. Hinton. Redescubrieron el algoritmo de aprendizaje de
propagacin hacia atrs (backpropagation). A partir de 1986, el panorama fue alentador
con respecto a las investigaciones y el desarrollo de las redes neuronales. En la
actualidad, son numerosos los trabajos que se realizan y publican cada ao, las
aplicaciones nuevas que surgen (sobretodo en el rea de control) y las empresas que
lanzan al mercado productos nuevos, tanto hardware como software (sobre todo para
simulacin).
Actualmente, son numerosos los trabajos que se realizan y se publican, las aplicaciones
nuevas que surgen y las empresas que lanzan al mercado productos nuevos, tanto
hardware como software, sobre todo para simulacin.
1.6.3.2.

Definiciones de una red neuronal

Existen numerosas formas de definir a las redes neuronales; desde las definiciones cortas
y genricas hasta las que intentan explicar ms detalladamente qu son las redes
neuronales. Por ejemplo:
1) Una nueva forma de computacin, inspirada en modelos biolgicos.
2) Un modelo matemtico compuesto por un gran nmero de elementos procesales
organizados en niveles.

3) Un sistema de computacin compuesto por un gran nmero de elementos simples,

elementos de procesos muy interconectados, los cuales procesan informacin por
medio de su estado dinmico como respuesta a entradas externas.
4) Redes neuronales artificiales son redes interconectadas masivamente en paralelo
de elementos simples (usualmente adaptativos) y con organizacin jerrquica, las
cuales intentan interactuar con los objetos del mundo real del mismo modo que lo
hace el sistema nervioso biolgico.
1.6.3.3.

Ventajas que ofrecen las redes neuronales

Debido a su constitucin y a sus fundamentos, las redes neuronales artificiales presentan
un gran nmero de caractersticas semejantes a las del cerebro. Por ejemplo, son capaces
de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de
abstraer caractersticas esenciales a partir de entradas que representan informacin
irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnologa
se est aplicando en mltiples reas. Entre las ventajas se incluyen:
Aprendizaje Adaptativo: La capacidad de aprendizaje adaptativo es una de las
caractersticas ms atractivas de redes neuronales. Esto es, aprenden a llevar a cabo
ciertas tareas mediante un entrenamiento con ejemplos ilustrativos. Como las redes
neuronales pueden aprender a diferenciar patrones mediante ejemplos y
entrenamientos, no es necesario elaborar modelos a priori ni necesidad de especificar
funciones de distribucin de probabilidad.
Las redes neuronales son sistemas dinmicos autoadaptativos. Son adaptables debido
a la capacidad de autoajuste de los elementos procesales (neuronas) que componen el
sistema. Son dinmicos, pues son capaces de estar constantemente cambiando para
adaptarse a las nuevas condiciones.
En el proceso de aprendizaje, los enlaces ponderados de las neuronas se ajustan de
manera que se obtengan ciertos resultados especficos. Una red neuronal no necesita
un algoritmo para resolver un problema, ya que ella puede generar su propia
distribucin de pesos en los enlaces mediante el aprendizaje. Tambin existen redes
que continan aprendiendo a lo largo de su vida, despus de completado su perodo
de entrenamiento.
La funcin del diseador es nicamente la obtencin de la arquitectura apropiada. No
es problema del diseador el cmo la red aprender a discriminar. Sin embargo, s es
necesario que desarrolle un buen algoritmo de aprendizaje que le proporcione a la red
la capacidad de discriminar, mediante un entrenamiento con patrones.
Auto-organizacin: Las redes neuronales emplean su capacidad de aprendizaje
adaptativo para auto organizar la informacin que reciben durante el aprendizaje y/o
la operacin. Mientras que el aprendizaje es la modificacin de cada elemento
procesal, la autoorganizacin consiste en la modificacin de la red neuronal completa
para llevar a cabo un objetivo especfico.
Cuando las redes neuronales se usan para reconocer ciertas clases de patrones, ellas
auto organizan la informacin usada. Por ejemplo, la red llamada backpropagation,
crear su propia representacin caracterstica, mediante la cual puede reconocer
ciertos patrones.
Esta autoorganizacin provoca la generalizacin: facultad de las redes neuronales de
responder apropiadamente cuando se les presentan datos o situaciones a las que no
haba sido expuesta anteriormente. El sistema puede generalizar la entrada para
obtener una respuesta. Esta caracterstica es muy importante cuando se tiene que
solucionar problemas en los cuales la informacin de entrada no es muy clara;
adems permite que el sistema d una solucin, incluso cuando la informacin de
entrada est especificada de forma incompleta.

 Tolerancia a fallos: Las redes neuronales fueron los primeros mtodos

computacionales con la capacidad inherente de tolerancia a fallos. Comparados con
los sistemas computacionales tradicionales, los cuales pierden su funcionalidad
cuando sufren un pequeo error de memoria, en las redes neuronales, si se produce
un fallo en un nmero no muy grande de neuronas y aunque el comportamiento del
sistema se ve influenciado, no sufre una cada repentina.
Hay dos aspectos distintos respecto a la tolerancia a fallos:
a) Las redes pueden aprender a reconocer patrones con ruido, distorsionados o
incompletos. Esta es una tolerancia a fallos respecto a los datos.
b) Las redes pueden seguir realizando su funcin (con cierta degradacin) aunque se
destruya parte de la red.
La razn por la que las redes neuronales son tolerantes a los fallos es que tienen su
informacin distribuida en las conexiones entre neuronas, existiendo cierto grado de
redundancia en este tipo de almacenamiento. La mayora de los ordenadores
algortmicos y sistemas de recuperacin de datos almacenan cada pieza de
informacin en un espacio nico, localizado y direccionable. En cambio, las redes
neuronales almacenan informacin no localizada. Por lo tanto, la mayora de las
interconexiones entre los nodos de la red tendrn sus valores en funcin de los
estmulos recibidos, y se generar un patrn de salida que represente la informacin
almacenada.
Operacin en tiempo real: Una de las mayores prioridades, casi en la totalidad de
las reas de aplicacin, es la necesidad de realizar procesos con datos de forma muy
rpida. Las redes neuronales se adaptan bien a esto debido a su implementacin
paralela. Para que la mayora de las redes puedan operar en un entorno de tiempo
real, la necesidad de cambio en los pesos de las conexiones o entrenamiento es
mnima.
Fcil insercin dentro de la tecnologa existente: Una red individual puede ser
entrenada para desarrollar una nica y bien definida tarea (tareas complejas, que
hagan mltiples selecciones de patrones, requerirn sistemas de redes
interconectadas). Con las herramientas computacionales existentes (no del tipo PC),
una red puede ser rpidamente entrenada, comprobada, verificada y trasladada a una
implementacin hardware de bajo coste. Por lo tanto, no se presentan dificultades
para la insercin de redes neuronales en aplicaciones especficas, por ejemplo de
control, dentro de los sistemas existentes. De esta manera, las redes neuronales se
pueden utilizar para mejorar sistemas en forma incremental y cada paso puede ser
evaluado antes de acometer un desarrollo ms amplio.
1.6.3.4.

Redes neuronales y computadoras digitales.

Para entender el potencial de la computacin neuronal, sera necesario hacer una breve
distincin entre sistemas de computaciones neuronales y digitales: los sistemas
neurolgicos no aplican principios de circuitos lgicos o digitales.
Un sistema de computacin digital debe ser sncrono o asncrono. Si fuera asncrono, la
duracin de los impulsos neuronales debera ser variable para mantener uno de los
valores binarios por periodos de tiempo indefinido, lo cual no es el caso. Si el principio
fuera sncrono, se necesitara un reloj global o maestro con el cual los pulsos estn
sincronizados. ste tampoco es el caso. Las neuronas no pueden ser circuitos de umbral
lgico, porque hay miles de entradas variables en la mayora de las neuronas y el umbral
es variable con el tiempo, siendo afectado por la estimulacin, atenuacin, etc. La
precisin y estabilidad de tales circuitos no es suficiente para definir ninguna funcin
booleana. Los procesos colectivos que son importantes en computacin neuronal no
pueden implementarse por computacin digital. Por todo ello, el cerebro debe ser un
computador analgico.

Ni las neuronas ni las sinapsis son elementos de memoria biestable. Todos los hechos
fisiolgicos hablan a favor de las acciones de las neuronas como integradores analgicos,
y la eficiencia de la sinapsis cambia de forma gradual, lo cual no es caracterstico de
sistemas biestables.
Los circuitos del cerebro no implementan computacin recursiva y por lo tanto no son
algortmicos. Debido a los problemas de estabilidad, los circuitos neuronales no son
suficientemente estables para definiciones recursivas de funciones como en computacin
digital. Un algoritmo, por definicin, define una funcin recursiva.
1.6.3.5.

Fundamentos de las Redes Neuronales

El modelo Biolgico
Se estima que el cerebro humano contiene ms de cien mil millones de neuronas
estudios sobre la anatoma del cerebro humano concluyen que hay ms de 1000
sinpsis a la entrada y a la salida de cada neurona. Es importante notar que aunque el
tiempo de conmutacin de la neurona (unos pocos milisegundos) es casi un milln de
veces menor que en los actuales elementos de las computadoras, ellas tienen una
conectividad miles de veces superior que las actuales supercomputadoras.
Las neuronas y las conexiones entre ellas (sinpsis) constituyen la clave para el
procesado de la informacin.
Algunos elementos ha destacar de su estructura histolgica son:
Las dendritas, que son la va de entrada de las seales que se combinan en el cuerpo
de la neurona. De alguna manera la neurona elabora una seal de salida a partir de
ellas.
El axn, que es el camino de salida de la seal generada por la neurona.
Las sinapsis, que son las unidades funcionales y estructurales elementales que median
entre las interacciones de las neuronas. En las terminaciones de las sinapsis se
encuentran unas vesculas que contienen unas sustancias qumicas llamadas
neurotransmisores, que ayudan a la propagacin de las seales electroqumicas de
una neurona a otra.
Lo que bsicamente ocurre en una neurona biolgica es lo siguiente: la neurona es
estimulada o excitada a travs de sus entradas (inputs) y cuando se alcanza un cierto
umbral, la neurona se dispara o activa, pasando una seal hacia el axn.
Posteriores investigaciones condujeron al descubrimiento de que estos procesos son el
resultado de eventos electroqumicos. Como ya se sabe, el pensamiento tiene lugar en el
cerebro, que consta de billones de neuronas interconectadas. As, el secreto de la
inteligencia -sin importar como se defina- se sita dentro de estas neuronas
interconectadas y de su interaccin.
La forma que dos neuronas interactan no est totalmente conocida, dependiendo adems
de cada neurona. En general, una neurona enva su salida a otras por su axn. El axn
lleva la informacin por medio de diferencias de potencial, u ondas de corriente, que
depende del potencial de la neurona.
Este proceso es a menudo modelado como una regla de propagacin representada por la
funcin de red u (.). La neurona recoge las seales por su sinpsis sumando todas las
influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan,
entonces la neurona da una seal positiva y manda este mensaje a otras neuronas por sus
sinpsis de salida. En este sentido la neurona puede ser modelada como una simple
funcin escaln f (.). Como se muestra en la prxima figura, la neurona se activa si la
fuerza combinada de la seal de entrada es superior a un cierto nivel, en el caso general el
valor de activacin de la neurona viene dado por una funcin de activacin f (.).

Fgura N 4: Funcin de Activacin

1.6.3.6.

1.6.3.7.

Otras definiciones de Redes Neuronales

Una red neuronal es un procesador masivamente paralelo distribuido que es propenso por
naturaleza a almacenar conocimiento experimental y hacerlo disponible para su uso. Este
mecanismo se parece al cerebro en dos aspectos [SH1]:
El conocimiento es adquirido por la red a travs de un proceso que se denomina
aprendizaje.
El conocimiento se almacena mediante la modificacin de la fuerza o peso
sinptico de las distintas uniones entre neuronas.
Una red neuronal es un modelo computacional con un conjunto de propiedades
especficas, como son la habilidad de adaptarse o aprender, generalizar u organizar la
informacin, todo ello basado en un procesamiento eminentemente paralelo.
Elementos de una Red Neuronal Artificial
Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro.
Los mismos constan de dispositivos elementales de proceso:
Las neuronas. A partir de ellas, se pueden generar representaciones especficas,
de tal forma que un estado conjunto de ellas puede significar una letra, un nmero
u otro objeto. Generalmente se pueden encontrar tres tipos de neuronas:
1) Aquellas que reciben estmulos externos relacionados con el aparato
sensorial, que tomarn la informacin de entrada. Dicha informacin se
transmite a ciertos elementos internos que se ocupan de su procesamiento.
2) Es en las sinapsis y neuronas correspondientes a este segundo nivel donde
se genera cualquier tipo de representacin interna de informacin. Como
no tienen relacin directa con la informacin de entrada ni con la salida,
estos elementos se denominan unidades ocultas.
3) Una vez finalizado el perodo de procesado, la informacin llega a las
unidades de salida, cuya misin es dar la respuesta al sistema.
A continuacin se puede ver en la siguiente figura.
La misma est constituida por neuronas interconectadas y arregladas en tres capas (esto
ltimo puede variar). Los datos ingresan por medio de la capa de entrada, pasan a
travs de la capa oculta y salen por la capa de salida. Cabe mencionar que la capa
oculta puede estar constituida por varias capas.
En la siguiente figura se compara una neurona biolgica con una neurona artificial. En la
misma se pueden observar las similitudes entre ambas (tienen entradas, utilizan pesos y
generan salidas).
La neurona artificial pretende mimetizar las caractersticas ms importantes de las
neuronas biolgicas. Cada neurona i-sima est caracterizada en cualquier instante por un
valor numrico denominado valor o estado de activacin ai (t ) ; asociado a cada unidad,
existe una funcin de salida, f i , que transforma el estado actual de activacin en una
seal de salida. Dicha seal es enviada a travs de los canales de comunicacin

unidireccionales a otras unidades de la red; estos canales la seal se modifica de acuerdo

con la sinpsis (el peso, w ji ) asociada a cada uno de ellos segn determinada regla. Las

seales moduladas que han llegado a la unidad j-sima se combinan Net j yi w ji entre
i

ellas, generando as la entrada total

Net j

a (t 1)
Una funcin de activacin, F, determina el nuevo estado de activacin j
de la
neurona, teniendo en cuenta la entrada total calculada y el anterior estado de activacin
a j (t )
.
La dinmica que rige la actualizacin de los estados de las unidades puede ser de dos
tipos: asncrono y modo sncrono. En el primer caso, las neuronas evalan su estado
continuamente segn les va llegando informacin, y lo hacen de forma independiente, En
el segundo caso, la informacin llega de forma continua, pero los cambios se realizan
simultneamente, como si existiera un reloj interno que decidiera cuando cambiar su
estado. Los sistemas biolgicos quedan probablemente entre ambas posibilidades.
1.6.3.8.

Aplicaciones.
Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que
no se dispone a priori de un modelo identificable que pueda ser programado, pero se
dispone de un conjunto bsico de ejemplos de entrada (previamente clasificados o no).
Asimismo, son altamente robustas tanto al ruido como a la disfuncin de elementos
concretos y son fcilmente paralelizables.
Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes,
seales, etc. Asimismo se han utilizado para encontrar patrones de fraude econmico,
hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosfrico,
etc.
Tambin se pueden utilizar cuando no existen modelos matemticos precisos o
algoritmos con complejidad razonable; por ejemplo la red de Kohonen ha sido aplicada
con un xito ms que razonable al clsico problema del viajante (un problema para el que
no se conoce solucin algortmica de complejidad polinmica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los
algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la
evolucin de redes neuronales mediante algoritmos genticos se denomina Robtica
Evolutiva. En este tipo de aplicacin el genoma del AG lo constituyen los parmetros de
la red (topologa, algoritmo de aprendizaje, funciones de activacin, etc.) y la adecuacin
de la red viene dada por la adecuacin del comportamiento exhibido por el robot
controlado (normalmente una simulacin de dicho comportamiento).
Ejemplos
Quake II Neuralbot
Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el
juego Quake II que utiliza una red neuronal para decidir su comportamiento y un
algoritmo gentico para el aprendizaje. Es muy fcil probarlo y ver su evolucin.
Clasificador No Sesgado de Protenas
Es un programa que combina diversas tcnicas computacionales con el objetivo de
clasificar familias de protenas. Un posible mtodo consiste en utilizar mtricas
adaptativas como por ejemplo: mapas autoorganizados y algoritmos genticos.
El problema de clasificacin no sesgada basada en la expresin de las protenas en
Aminocidos puede reducirse, conceptualmente, a lo siguiente:
La identificacin de grupos de protenas que compartan caractersticas comunes.
La determinacin de las razones estructurales por las cuales las protenas en
cuestin se agrupan de la manera indicada.

 Evitar la idea de establecer criterios de clasificacin (sesgados) fundamentados

en ideas preconcebidas para lograr su clasificacin. En este sentido, hay dos
asuntos que considerar:
1) Cmo lograr la caracterizacin de las protenas de manera no sesgada
2) Cmo lograr lo anterior sin apelar a medidas de agrupamiento que, a su
vez, impliquen algn tipo de sesgo sobre dicho agrupamiento.
Las RNA han sido aplicadas a un nmero en aumento de problemas en la vida real y de
considerable complejidad, donde su mayor ventaja es en la solucin de problemas que
son bastante complejos para la tecnologa actual, tratndose de problemas que no tienen
una solucin algortmica cuya solucin algortmica es demasiado compleja para ser
encontrada.
En general, debido a que son parecidas al las del cerebro humano, las RNA son bien
nombradas ya que son buenas para resolver problemas que el humano puede resolver
pero las computadoras no. Estos problemas incluyen el reconocimiento de patrones y la
prediccin del tiempo. De cualquier forma, el humano tiene capacidad para el
reconocimiento de patrones, pero la capacidad de las redes neuronales no se ve afectada
por la fatiga, condiciones de trabajo, estado emocional, y compensaciones.
Se conocen cinco aplicaciones tecnolgicas aplicadas:
Reconocimiento de textos manuscritos
Reconocimiento del habla
Simulacin de centrales de produccin de energa
Deteccin de explosivos
Identificacin de blancos de radares
1.6.4.

Los Algoritmos genticos.

1.6.4.1. Antecedentes
El algoritmo gentico es una tcnica de bsqueda basada en la teora de la evolucin de
Darwin, que ha cobrado tremenda popularidad en todo el mundo durante los ltimos aos.
Se presentarn aqu los conceptos bsicos que se requieren para abordarla, as como unos
sencillos ejemplos que permitan a los lectores comprender cmo aplicarla al problema de
su eleccin.
En los ltimos aos, la comunidad cientfica internacional ha mostrado un creciente
inters en una nueva tcnica de bsqueda basada en la teora de la evolucin y que se
conoce como el algoritmo gentico. Esta tcnica se basa en los mecanismos de seleccin
que utiliza la naturaleza, de acuerdo a los cuales los individuos ms aptos de una
poblacin son los que sobreviven, al adaptarse ms fcilmente a los cambios que se
producen en su entorno. Hoy en da se sabe que estos cambios se efectan en los genes de
un individuo (unidad bsica de codificacin de cada uno de los atributos de un ser vivo),
y que sus atributos ms deseables (i.e., los que le permiten adaptarse mejor a su entorno)
se transmiten a sus descendientes cuando ste se reproduce sexualmente.
Un investigador de la Universidad de Michigan llamado John Holland era consciente de
la importancia de la seleccin natural, y a fines de los 60s desarroll una tcnica que
permiti incorporarla a un programa. Su objetivo era lograr que las computadoras
aprendieran por s mismas. A la tcnica que invent Holland se le llam originalmente
"planes reproductivos", pero se hizo popular bajo el nombre "algoritmo gentico" tras la
publicacin de su libro en 1975.
Una definicin bastante completa de un algoritmo gentico es la propuesta por John
Koza:
"Es un algoritmo matemtico altamente paralelo que transforma un conjunto de objetos
matemticos individuales con respecto al tiempo usando operaciones modeladas de
acuerdo al principio Darwiniano de reproduccin y supervivencia del ms apto, y tras
haberse presentado de forma natural una serie de operaciones genticas de entre las que
destaca la recombinacin sexual. Cada uno de estos objetos matemticos suele ser una

cadena de caracteres (letras o nmeros) de longitud fija que se ajusta al modelo de las
cadenas de cromosomas, y se les asocia con una cierta funcin matemtica que refleja su
aptitud.
1.6.4.2.

Definiciones
Los Algoritmos Genticos (AGs) son mtodos adaptativos que pueden usarse para
resolver problemas de bsqueda y optimizacin. Estn basados en el proceso gentico
de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan
en la naturaleza de acorde con los principios de la seleccin natural y la supervivencia
de los ms fuertes, postulados por Darwin. Por imitacin de este proceso, los
Algoritmos Genticos son capaces de ir creando soluciones para problemas del mundo
real. La evolucin de dichas soluciones hacia valores ptimos del problema depende
en buena medida de una adecuada codificacin de las mismas.
Un algoritmo gentico consiste en una funcin matemtica o una rutina de software
que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben
generar descendencia para la nueva generacin.
Versiones ms complejas de algoritmos genticos generan un ciclo iterativo que
directamente toma a la especie (el total de los ejemplares) y crea una nueva
generacin que reemplaza a la antigua una cantidad de veces determinada por su
propio diseo. Una de sus caractersticas principales es la de ir perfeccionando su
propia heurstica en el proceso de ejecucin, por lo que no requiere largos perodos de
entrenamiento especializado por parte del ser humano, principal defecto de otros
mtodos para solucionar problemas, como los Sistemas Expertos.
Los algoritmos genticos son el resultado de los recientes avances de la computacin
evolutiva y la gentica y se constituyen en una de las principales herramientas
tecnolgicas de la inteligencia artificial.
Estos algoritmos simulan la mecnica de la seleccin natural y de la gentica
utilizando la informacin histrica para encontrar nuevos puntos de bsqueda de una
solucin ptima, permitiendo obtener soluciones a un problema que por su
complejidad no tiene ningn mtodo de solucin de forma preciso. Dicha solucin
exige clculos complejos que de manera normal tomaran demasiado tiempo.

1.6.4.3.

Ventajas y Desventajas
No necesitan conocimientos especficos sobre el problema que intentan resolver.
Operan de forma simultnea con varias soluciones, en vez de trabajar de forma
secuencial como las tcnicas tradicionales.
Cuando se usan para problemas de optimizacin maximizar una funcin objetivoresultan menos afectados por los mximos locales (falsas soluciones) que las
tcnicas tradicionales.
Resulta sumamente fcil ejecutarlos en las modernas arquitecturas masivamente
paralelas.
Usan operadores probabilsticas, en vez de los tpicos operadores determinsticos
de las otras tcnicas.
Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en
cierta medida de los parmetros que se utilicen tamao de la poblacin, nmero
de generaciones, etc.-.
Pueden converger prematuramente debido a una serie de problemas de diversa
ndole.

1.6.4.4.

Limitaciones
El poder de los Algoritmos Genticos proviene del hecho de que se trata de una tcnica
robusta, y pueden tratar con xito una gran variedad de problemas provenientes de
diferentes reas, incluyendo aquellos en los que otros mtodos encuentran dificultades. Si
bien no se garantiza que el Algoritmo Gentico encuentre la solucin ptima, del

problema, existe evidencia emprica de que se encuentran soluciones de un nivel

aceptable, en un tiempo competitivo con el resto de algoritmos de optimizacin
combinatoria. En el caso de que existan tcnicas especializadas para resolver un
determinado problema, lo ms probable es que superen al Algoritmo Gentico, tanto en
rapidez como en eficacia. El gran campo de aplicacin de los Algoritmos Genticos se
relaciona con aquellos problemas para los cuales no existen tcnicas especializadas.
Incluso en el caso en que dichas tcnicas existan, y funcionen bien, pueden efectuarse
mejoras de las mismas hibridndolas con los Algoritmos Genticos.
1.6.4.5.

Como saber si es posible usar un Algoritmo Gentico

La aplicacin ms comn de los algoritmos genticos ha sido la solucin de problemas de
optimizacin, en donde han mostrado ser muy eficientes y confiables. Sin embargo, no
todos los problemas pudieran ser apropiados para la tcnica, y se recomienda en general
tomar en cuenta las siguientes caractersticas del mismo antes de intentar usarla:
Su espacio de bsqueda (i.e., sus posibles soluciones) debe estar delimitado
dentro de un cierto rango.
Debe poderse definir una funcin de aptitud que nos indique qu tan buena o mala
es una cierta respuesta.
Las soluciones deben codificarse de una forma que resulte relativamente fcil de
implementar en la computadora.
El primer punto es muy importante, y lo ms recomendable es intentar resolver
problemas que tengan espacios de bsqueda discretos aunque stos sean muy grandes.
Sin embargo, tambin podr intentarse usar la tcnica con espacios de bsqueda
continuos, pero preferentemente cuando exista un rango de soluciones relativamente
pequeo.
La funcin de aptitud no es ms que la funcin objetiva de nuestro problema de
optimizacin. El algoritmo gentico nicamente maximiza, pero la minimizacin puede
realizarse fcilmente utilizando el recproco de la funcin maximizante (debe cuidarse,
por supuesto, que el recproco de la funcin no genere una divisin por cero). Una
caracterstica que debe tener esta funcin es que tiene ser capaz de "castigar" a las malas
soluciones, y de "premiar" a las buenas, de forma que sean estas ltimas las que se
propaguen con mayor rapidez.
La codificacin ms comn de las soluciones es a travs de cadenas binarias, aunque se
han utilizado tambin nmeros reales y letras. El primero de estos esquemas ha gozado de
mucha popularidad debido a que es el que propuso originalmente Holland, y adems
porque resulta muy sencillo de implementar.

1.6.4.6.

Marco de Desarrollo
Antes de continuar ahondando en la tcnica de los Algoritmos Genticos sera interesante
dejarla situada dentro de un marco ms amplio. Nos referimos a la rama de la Inteligencia
Artificial que se ha denominado Computacin Evolutiva.
El trmino Computacin Evolutiva se refiere al estudio de los fundamentos y
aplicaciones de ciertas tcnicas heursticas de bsqueda basadas en los principios
naturales de la evolucin. Una gran variedad de algoritmos evolutivos han sido
propuestos pero principalmente pueden clasificarse en: Algoritmos Genticos,
Programacin Evolutiva, Estrategias Evolutivas, Sistemas Clasificadores y Programacin
Gentica. Esta clasificacin se basa sobre todo en detalles de desarrollo histrico ms que
en el hecho de un funcionamiento realmente diferente, de hecho las bases biolgicas en
las que se apoyan son esencialmente las mismas. Las diferencias entre ellos se centran en
los operadores que se usan en cada caso y en general en la forma de implementar la
seleccin, reproduccin y sustitucin de individuos en una poblacin.
Aunque los detalles de la evolucin no han sido completamente comprendidos, incluso
hoy en da, existen algunos puntos en los que se fundamentan:

 La evolucin es un proceso que opera a nivel de cromosomas, y no a nivel de

individuos. Cada individuo es codificado como un conjunto de cromosomas.
La seleccin natural es el mecanismo mediante el cual los individuos mejor
adaptados son los que tienen mayores posibilidades de reproducirse.
El proceso evolutivo tiene lugar en la etapa de la reproduccin. Es en esta etapa
donde se producen la mutacin, que es la causante de que los cromosomas de los
hijos puedan ser diferentes a los de los padres, y el cruce, que combina los
cromosomas de los padres para que los hijos tengan cromosomas diferentes.
De forma breve, pasamos a comentar cada una de los algoritmos mencionados
anteriormente, para que pueda tener una idea de las similitudes y diferencias entre ellos.
Los Algoritmos Genticos resuelven los problemas generando poblaciones
sucesivas a las que se aplican los operadores de mutacin y cruce. Cada individuo
representa una solucin al problema, y se trata de encontrar al individuo que
represente a la mejor solucin.
La Programacin Gentica funciona igual que la tcnica anterior pero se centra
en el estudio de problemas cuya solucin es un programa. De manera que los
individuos de la poblacin son programas que se acercan ms o menos a realizar
una tarea que es la solucin.
La Programacin Evolutiva es otro enfoque de los algoritmos genticos, en este
caso el estudio se centra en conseguir operadores genticos que imiten lo mejor
posible a la naturaleza, en cada caso, ms que en la relacin de los padres con su
descendencia. En este caso no se utiliza el operador de cruce, tomando la mxima
importancia el operador de mutacin.
Estrategias Evolutivas se centran en el estudio de problemas de optimizacin e
incluyen una visin del aprendizaje en dos niveles: a nivel de genotipo, y a nivel
de fenotipo. Y por ltimo los Sistemas Clasificadores engloban el estudio de
problemas en los que la solucin buscada se corresponde con toda una poblacin.
Para finalizar se muestra un esquema en el que se sitan las tcnicas mencionadas con
respecto a otros procedimientos de bsqueda conocidos.

1.6.4.7.

Aplicaciones
Como hemos podido observar, el rea de aplicacin de los AG es muy amplia, y en
general sus aplicaciones se pueden implementar a muchos de los problemas de la vida
cotidiana, de igual forma, se hayan aplicado a diversos problemas y modelos en
ingeniara, y en la ciencia en general cabe destacar entre ellos:
Las principales aplicaciones de los algoritmos genticos en el campo de la gestin
financiera empresarial son:
La prediccin de la bancarrota de una empresa.
Evaluacin y prediccin de la capacidad financiera de una empresa para absorber
un prstamo y con el fin de decidir el otorgamiento del mismo, la inferencia de
reglas que indiquen las mejores decisiones sobre la asignacin de recursos con
base en informacin histrica de varios aos.
Generalmente, los algoritmos genticos se emplean con bastante xito en la investigacin
de operaciones para resolver problemas de optimizacin numrica y combinatoria.

1.6.4.8.

Ciclo general de un algoritmo gentico estndar

El AG estndar se puede expresar en pseudocdigo con el siguiente ciclo:
1. Generar aleatoriamente la poblacin inicial de individuos P (0).
2. Mientras ( numero _ generaciones <= mximo _ nmeros _ generaciones)
Hacer:
{
Evaluacin;
Seleccin;

Reproduccin;
Generacin ++;
}
3. Mostrar resultados.
4. Fin de la generacin.
1.6.4.9. Funcin de evaluacin y seleccin
La funcin de evaluacin define el criterio para ordenar las hiptesis que potencialmente
pueden pasar a formar parte de la siguiente generacin.
La seleccin de las hiptesis que formarn parte de la siguiente generacin o que sern
usadas para aplicarles los operadores genticos, puede realizarse de varias formas. Las
ms usuales son:
Seleccin proporcional. En este mtodo la probabilidad de que una hiptesis sea
seleccionada viene determinada por:
Seleccin mediante torneo. Se eligen dos hiptesis al azar.
Seleccin por rango. La probabilidad de que una hiptesis sea seleccionada ser
proporcional a su posicin en dicha lista ordenada, en lugar de usar el valor devuelto
por la funcin de evaluacin.
1.6.4.10. Clases de algoritmos genticos
Algoritmos Genticos Generacionales.
Algoritmos Genticos de estado Fijo.
Algoritmos Genticos Paralelos.
Modelos de Islas.
Modelo Celular
1.6.4.11. Operadores genticos
Los dos operadores ms comunes son la mutacin y el cruce.
Adems existen varios tipos de cruce:
Cruce Simple

Cruce Doble

Mutacin. Generalmente se aplica despus de hacer uso del operador cruce. Su

objetivo es producir diversidad en la poblacin.

1.6.5.

Razonamiento basado en Casos.

1.6.5.1. Concepto
Se ocupa del estudio de los mecanismos mentales necesarios para repetir lo que se ha
hecho o vivido con anterioridad, ya sea por experiencia propia o por casos concretos
recopilados en la bibliografa o en la sabidura popular. Los diversos casos son del tipo
"Si X, entonces Y" con algunas adaptaciones y crticas segn las experiencias previas
en el resultado de cada una de dichas reglas.
RBC es razonar por recuerdo
RBC resuelve problemas nuevos adaptando soluciones que se han usado en la
solucin de problemas viejos
RBC es una nueva aproximacin a la resolucin de problemas y el aprendizaje
RBC es una forma con que las personas resolvemos problemas usando casos a la vez
que una manera para construir mquinas que los usen.
1.6.5.2.

Ventajas:
Tcnica de adquisicin de conocimientos.
Tcnica de resolucin de problemas.
Dominios de difcil estructuracin.

1.6.5.3.

Inconvenientes
Memoria
Manipulacin de la incertidumbre.

1.6.5.4.

Etapas
Recuperacin
Adaptacin
Evaluacin
Aprendizaje

1.6.5.5.

El ciclo del razonamiento basado en casos

Un ciclo de vida CBR est formado esencialmente por los cuatro procesos siguientes (ver
figura):
Recuperar el caso casos pasados ms similares (RETRIEVE). Esto es, retomar
1. La experiencia de un problema anterior que se cree es similar al nuevo.
2. Reutilizar la informacin y conocimiento de este caso casos recuperados para
resolver el nuevo problema (REUSE). Esto es, copiar o integrar la solucin del
caso casos recuperados.
3. Revisar la solucin propuesta (REVISE).
4. Guardar la nueva solucin una vez ha sido confirmada validada (RETAIN). Se
guardan aquellas partes de la experiencia de una manera tal que sea til para
resolver problemas futuros.
Es decir, un problema nuevo se resuelve recuperando uno o ms casos previos (ya
experimentados), reutilizando el caso de una manera u otra, revisando la solucin
propuesta, y guardando la nueva experiencia incorporndola a la base de conocimiento
existente (base de casos).
A este respecto hay que hacer varias aclaraciones:
Los cuatro procesos no son tareas nicas, es decir, cada uno de ellos implica llevar a
cabo una serie de tareas ms especficas
Si bien se ha dado a entender que en el proceso de reutilizacin se lleva a cabo toda la
problemtica de adaptacin del caso casos recuperados para el nuevo problema, en
muchas aplicaciones prcticas las fases de reutilizacin y revisin apenas se
distinguen, y muchos investigados hablan de fase de adaptacin, que combina ambas.

No obstante, la adaptacin es quiz uno de los frentes ms abiertos en los sistemas

CBR debido a su complejidad.
En la figura podemos observar lo comentado sobre el ciclo CBR. Una descripcin de un
problema define un nuevo caso, que se usa en la RECUPERACIN de un caso de entre
la coleccin de casos pasados. El caso recuperado se combina con el nuevo caso para, a
travs de la REUTILIZACIN, proponer un caso que sea una solucin al problema
inicial. En una fase de EVALUACIN se verificar el xito de la solucin, por ejemplo
siendo comprobada en el mundo real (habitualmente por un agente humano), y se
reparar si falla. Durante el ALMACENAMIENTO, la experiencia til se guarda para
una futura reutilizacin, y el caso base se actualiza por un nuevo caso aprendido, o por
una modificacin de algunos casos existentes.
Adems, la figura nos muestra cmo el conocimiento general juega un papel importante
en el ciclo, dando soporte a los procesos CBR. Dependiendo del tipo de mtodo CBR,
este soporte puede variar, desde una consideracin dbil ( nula) a un soporte muy fuerte.
Se trata, por tanto, de un conocimiento general, frente al conocimiento especfico
encerrado en los casos. Por ejemplo, en el diagnstico mdico por analoga con casos de
pacientes previos, el conocimiento general podra consistir en un modelo de anatoma
junto con relaciones causales entre estados patolgicos, formulados quiz a modo de un
conjunto de reglas.
1.7 REAS DE LA IA
Las definiciones anteriores implican que las mquinas para ser consideradas inteligentes deben exhibir
ciertas habilidades, suficientemente complejas como para ser tratadas como reas independientes. La
forma de abordaje de cada una de estas reas suele ser tan dismil, que es difcil reconocerles un origen
comn.
1.7.1.

Procesamiento del lenguaje natural.

Una de las ramas ms importantes de la Inteligencia Artificial es aquella orientada a facilitar la
comunicacin hombre-computadora por medio del lenguaje humano, o lenguaje natural.
El Procesamiento del Lenguaje Natural (PLN) es la disciplina encargada de producir sistemas
informticos que posibiliten dicha comunicacin, por medio de la voz o del texto. Se trata de una
disciplina tan antigua como el uso de las computadoras (aos 50), de gran profundidad, y con
aplicaciones tan importantes como la traduccin automtica o la bsqueda de informacin en
Internet.
El procesamiento del lenguaje natural presenta mltiples aplicaciones:
Correccin de textos: Permite la deteccin y correccin de errores ortogrficos y
gramaticales, Para detectar este tipo de errores, la computadora necesita entender en
cierto grado el sentido del texto. Los correctores de gramtica detectan las estructuras
incorrectas en las oraciones aunque todas las palabras en la oracin estn bien escritas en
el lenguaje en cuestin. El problema de detectar los errores de este tipo es complejo
debido a la existencia de gran variedad de estructuras permitidas.
Para describir las estructuras de las oraciones en el idioma, se usan las llamadas
gramticas formales, o sea conjuntos de reglas de combinacin de palabras y su orden
relativo en las oraciones.
La traduccin automtica: Se refiere a la traduccin correcta de un lenguaje a otro,
tomando en cuenta lo que se quiere expresar en cada oracin.
En el campo de la recuperacin de la informacin han desarrollado sistemas que
permiten obtener informacin sobre estadsticas deportivas, informacin turstica,
geografa etc. En lugar de buscar los documentos para encontrar en ellos la respuesta a su
pregunta, el usuario podra hacer su pregunta a la computadora: Cmo se llama el

Presidente de Francia?, Cules son los centros ms avanzados en Procesamiento del

Lenguaje Natural?, y otras.
Por otra parte Se han desarrollado sistemas con la capacidad de crear resmenes de
documentos a partir de los datos suministrados. Estos sistemas son capaces de realizar
un anlisis detallado del contenido del texto y elaborar un resumen.
Tambin se han desarrollado sistemas inteligentes que permiten modelar el
comportamiento del estudiante, reconocer y procesar sus errores, desarrollar
habilidades en la resolucin de problemas y otras actividades del proceso enseanza y
aprendizaje. En ellos el Procesamiento del Lenguaje Natural juega un papel de relevante
importancia en la creacin y desarrollo de interfaces amigables.
1.7.2.

Visin Artificial.
La visin artificial (machine vision) es la adquisicin automtica de imgenes sin contacto y su
anlisis tambin automtico con el fin de extraer la informacin necesaria para controlar un
proceso o una actividad como:
Control de calidad.
Ordenacin por calidades (grading).
Manipulacin de materiales.
Test y calibracin de aparatos.
Monitorizacin de procesos.
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 grficos y otros
campos. La visin artificial cognitiva est muy relacionada con la psicologa cognitiva y
la computacin biolgica.

1.7.3.

Robtica.
Es la ciencia encaminada a disear y construir aparatos y sistemas capaces de realizar tareas
propias de un ser humano. No es un campo propio de la Inteligencia Artificial pero es quiz todo
un conjunto de circuito compacto que van a permitir tener como base para que una computadora
pensante pueda desplazarse y lograr as la movilidad.
1.7.3.1. Robots Fsicos
Robtica Industrial: Es la parte de la Ingeniera que se dedica a la construccin de
mquinas capaces de realizar tareas mecnicas y repetitivas de una manera muy
eficiente y con costes reducidos.

 Robtica de Servicio: Es la parte de la Ingeniera que se centra en el diseo y

construccin de mquinas capaces de proporcionar servicios directamente a los
miembros que forman sociedad.
Robtica Inteligente: Son robots capaces de desarrollar tareas que, desarrolladas en
un ser humano, requieren el uso de su capacidad de razonamiento.
Robtica Humanoide: Es la parte de la ingeniera que se dedica al desarrollo de
sistemas robotizados para imitar determinadas peculiaridades del ser humano.
1.7.3.2. Robots Software
Robtica de Exploracin: Es la parte de la Ingeniera del Software que se encarga de
desarrollar programas capaces de explorar documentos en busca de determinados
contenidos. Existen diversos servicios en Internet dedicados a esta parcela de la
robtica.
1.7.4.

Reconocimiento de Patrones.
Tambin llamado lectura de patrones, identificacin de figuras y reconocimiento de formas
es el reconocimiento de patrones en seales. No slo es un campo de la informtica sino un
proceso fundamental que se encuentra en casi todos las acciones humanas.
El punto esencial del reconocimiento de patrones es la clasificacin: se quiere clasificar una
seal dependiendo de sus caractersticas. Seales, caractersticas y clases pueden ser de
cualquiera forma, por ejemplo se puede clasificar imgenes digitales de letras en las clases A a
Z dependiente de sus pxeles o se puede clasificar ruidos de cantos de los pjaros en clases de
rdenes aviares dependiente de las frecuencias.
El objetivo es clasificar patrones con base en un conocimiento a priori o informacin estadstica
extrada de los patrones. Los patrones a clasificar suelen ser grupos de medidas u observaciones,
definiendo puntos en un espacio multidimensional apropiado.
Un sistema de reconocimiento de patrones completo consiste en un sensor que recoge las
observaciones a clasificar, un sistema de extraccin de caractersticas que transforma la
informacin observada en valores numricos o simblicos, y un sistema de clasificacin o
descripcin que, basado en las caractersticas extradas, clasifica la medicin.
A continuacin se sugieren algunos ejemplos relevantes al rea de reconocimiento de patrones:
Parmetros para reconocer la cara de una persona.
Agrupacin de palabras para hacer sentido en una frase.
Buscar la llave para abrir una chapa.
Olores para saber si una naranja esta fresca o podrida.

1.7.5.

La realidad Virtual.
La realidad virtual (RV) es una simulacin tridimensional generada o asistida comnmente por
computadora de algn aspecto del mundo real o ficticio, en el cual el usuario tiene la sensacin
de pertenecer a ese ambiente sinttico o interactuar con l. La RV permite interactuar con
mundos tridimensionales de una manera ms natural, por ejemplo, un usuario puede realizar
acciones dentro de un modelo virtual, desplazarse, moverse, caminar a travs de l o levantar
cosas, y de esta forma experimentar situaciones que se asemejan al mundo real.
Se destacan tres caractersticas idneas de la RV:
Es un ambiente tridimensional generado por computadora.
Es interactiva.
Es inmersiva, es decir, el usuario se siente parte del ambiente virtual.
Las partes bsicas de un sistema de realidad virtual son: el modelo de simulacin, la
representacin del ambiente virtual, la entrada/salida y por supuesto el usuario.

1.7.6.

Ciberntica.
Es la ciencia que se ocupa de los sistemas de control y de comunicacin en las personas y en las
mquinas, estudiando y aprovechando todos sus aspectos y mecanismos comunes. El nacimiento
de la ciberntica se estableci en el ao 1942, en la poca de un congreso sobre la inhibicin
cerebral celebrado en Nueva York, del cual surgi la idea de la fecundidad de un intercambio de
conocimiento entre fisilogos y tcnicos en mecanismos de control. Cinco aos ms tarde,
Norbert Wiener uno de los principales fundadores de esta ciencia, propuso el nombre de
ciberntica, derivado de una palabra griega que puede traducirse como piloto, timonel o
regulador. Por tanto la palabra ciberntica podra significar ciencia de los mandos. Estos mandos
son estructuras con elementos especialmente electrnicos y en correlacin con los mecanismos
que regulan la psicologa de los seres vivientes y los sistemas sociales humanos, y a la vez que
permiten la organizacin de mquinas capaces de reaccionar y operar con ms precisin y
rapidez que los seres vivos, ofrecen posibilidades nuevas para penetrar ms exactamente las
leyes que regulan la vida general y especialmente la del hombre en sus aspectos psicolgicos,
econmicos, sociales etc.
Dentro del campo de la ciberntica se incluyen las grandes mquinas calculadoras y toda clase de
mecanismos o procesos de autocontrol semejantes y las mquinas que imitan la vida. Las
perspectivas abiertas por la ciberntica y la sntesis realizada en la comparacin de algunos
resultados por la biologa y la electrnica, han dado vida a una nueva disciplina, la binica. La
binica es la ciencia que estudia los: principios de la organizacin de los seres vivos para su
aplicacin a las necesidades tcnicas. Una realizacin especialmente interesante de la binica es
la construccin de modelos de materia viva, particularmente de las molculas proteicas y de los
cidos nucleicos.

1.7.7.

Multimedia.
Es un sistema que utiliza ms un medio de comunicacin al mismo tiempo en la presentacin de
la informacin, como el texto, la imagen, la animacin, el vdeo y el sonido.
Tipos de informacin multimedia:
Texto: sin formatear, formateado, lineal e hipertexto.
Grficos: utilizados para representar esquemas, planos, dibujos lineales...
Imgenes: son documentos formados por pxeles. Pueden generarse por copia del entorno
(escaneado, fotografa digital) y tienden a ser ficheros muy voluminosos.
Animacin: presentacin de un nmero de grficos por segundo que genera en el observador
la sensacin de movimiento.
Vdeo: Presentacin de un nmero de imgenes por segundo, que crean en el observador la
sensacin de movimiento. Pueden ser sintetizadas o captadas.
Sonido: puede ser habla, msica u otros sonidos.

1.7.8.

Juegos.
La mayor parte de los juegos estn construidos usando tcnicas de inteligencia artificial.

1.7.9.

Otras reas
Planificacin y soporte a la decisin.
Programacin Automtica.
Prueba Automtica de teoremas y matemticas simblica.
Problemas de optimizacin combinatorios y de itinerarios.
Aprendizaje.

1.8 ALGUNAS APLICACIONES DE LA IA

80s
SE en diferentes dominios (Mycin, R1,Prospector, Dendral.)
89
HITECH
Programa de ajedrez.
92 MARVEL
S.E. En tiempo real que monitorea nave espacial

 94 PEGASUS
Realiza reservas de vuelos
Sistemas de conduccin de automviles.
Newstracker: Este programa recupera datos especficos.
Cuando el usuario indica el tipo de informacin que le interesa, Newstracker comprende el mensaje y,
despus de revisar durante horas miles de artculos en peridicos, agencias de noticias o revistas
conectadas a Internet, cada maana "edita" un peridico personalizado.
Si la seleccin de noticias no satisface por completo al lector, Newstracker toma nota, rectifica y es
capaz de aprender de sus errores. Una vez que haya estudiado durante cierto tiempo los hbitos de
lectura del usuario, le proporciona informacin a su medida.
Los expertos definen a este sofisticado programa como un "asistente polivalente" de la primera
generacin.
Racter: Creado en 1980 por Thomas Etter, un programador-analista de San Francisco y William
Chamberlain, un escritor neoyorquino. La intencin de ambos era crear un programa que crease
cuentos. Posteriormente, lo modificaron para permitirle mantener conversaciones con seres humanos,
veamos un extracto de una conversacin entre Racter y Chamberlain.
Racter: Hemos hablado antes?
Chamberlain: No
Racter: De qu sexo eres?
Chamberlain: Masculino
Racter: Cul es tu nombre completo?
Chamberlain: Bill Chamberlain
Racter: Qu eres?
Chamberlain: Cronorreflectometrista
Racter: De dnde eres?
Chamberlain: De la ciudad de Nueva York
Racter: Ya veo. As que cronorreflectometrista, verdad? Escucha. Gritemos juntos con decisin.
Me gusta la cautivadora msica italiana. Qu clase de msica te gusta a ti?
Chamberlain: el jazz
Racter: El jazz est bien. Qu me dices de la clsica?
Chamberlain: Me gusta la msica clsica
Racter: Y de qu nacionalidad?
Chamberlain: Tambin me gusta la msica italiana
Racter: A m, personalmente, Palestrina me inflama. Adems de Italia, otros pases produjeron
en el siglo XVII embelesados msicos. Sewall fue un importante y furibundo maestro del
Renacimiento. Amrica fue su nacin. Yo saco de la msica amoroso placer.
El dilogo prosigue por similares derroteros, mezclando sin pudor Bach con el rodaballo y las
lechugas. Al comparar este dilogo con el que yo mismo he mantenido con el programa Doctor se
aprecia una diferencia; el dilogo de Racter es mucho ms rico y fluido que el de Doctor, si bien es
bastante ms disparatado.
En el test de Turing Racter podra pasar por un humano con una marcada tendencia a la divagacin.
Cul es el funcionamiento de Racter? Al principio de la conversacin hace una serie de preguntas a
su interlocutor, cuyas respuestas va almacenando en una base de datos. En cuanto juzga que dispone
de suficiente informacin empieza a elaborar frases, en las que combina los elementos de que dispone
en su memoria con aquellos que ha recibido de su interlocutor, con lo que logra implicarlo en la
conversacin. Para construir las frases sigue un mismo esquema gramatical, en el que los sustantivos,
adjetivos y verbos se eligen al azar entre una amplia variedad que pertenecen a una misma categora, y
los artculos se adecuan a la forma gramatical correspondiente. Esto hace que las frases sean
sintcticamente correctas, pero en tanto los sustantivos, adjetivos y verbos se escogen al azar el
sentido suele ser disparatado.
Mycin: Se trataba de un sistema experto para el diagnstico de enfermedades infecciosas. Desde los
resultados de anlisis de sangre, cultivos bacterianos y dems datos, el programa era capaz de
determinar, o en lo menos, sugerir el microorganismo que estaba causando la infeccin. Despus de

llegar a una conclusin, MYCIN prescriba una medicacin que se adaptaba perfectamente a las
caractersticas de la persona, tales como el peso corporal de este. Despus del reconocido xito que
tuvo.
Mondrian: Un agente grfico
Un agente autnomo que no slo interacta con la interfaz modificndola (agente autnomo de
interfaz) sino que se utiliza para facilitar labores de diseo grfico. Mondrian parte "conociendo"
solamente figuras geomtricas bsicas. Se puede seleccionar alguna en su paleta de comandos y luego
determinar su posicin y tamao, y eventualmente desplazar y borrar. Pero, lo ms interesante y
caracterstica esencial del agente es que, teniendo alguna figura diseada en base a los componentes
fundamentales, se pueden agrupar, nombrar y de este modo agregar como nuevo recurso en la paleta
Progresivamente, el agente "aprende" as nuevas confi-guraciones y las agrega a su base de
conocimientos, el diseador llegando a disponer de una gran cantidad de figuras reutilizables.
En cualquier momento el usuario puede obtener informacin acerca del modo en que el componente
fue construido gracias a otra funcionalidad del agente.
Express: Este programa permite realizar mltiples bsquedas simultneas en diferentes buscadores, y
localizar informacin en Internet de manera fcil y rpida a travs de una interfaz sencilla.
Un sistema experto para la diagnosis de enfermedades de los ganglios linfticos, capaz de emitir
una diagnosis y de dar una explicacin de la misma que sirva para sealar los factores que la han
motivado (Heckerman, 1991).
Un sistema robtico integrado en un coche, que recoge imgenes de video y seales de sensores, las
integra con la experiencia adquirida en conducciones de entrenamiento, y es capaz de conducir en una
autopista sin la intervencin humana (Pomerleau, 1993).
Un sistema de monitorizacin de trafico capaz de reconocer distintas escenas a partir de las
imgenes tomadas desde una cmara en un cruce, e incluso de realizar llamadas automticas a los
servicios de emergencia en caso de accidentes (King et al., 1993).
Pegasus: Un programa de comprensin del habla capaz de entender los detalles de una peticin de
reserva de vuelo y de tramitar la transaccin (Zue et al. 1994).
Deep Blue: Mquina paralela que juega ajedrez y primera en derrotar al campen mundial [IBM 97].
Aibo: De Sony, es un perro inteligente el cual fue introducido al mercado en Japn y Estados Unidos
en
1999,
y
solo
era
vendido
por
la
red.
El robot cuenta con mltiples sensores a lo largo de su cuerpo para la iteracin con su dueo, as
como para darle su ubicacin. Tambin cuenta con luces, con las cuales expresa su estado de nimo en
distintas
situaciones.
La unidad de procesamiento central es un procesador RISK de 64 bits con 32 Mb en RAM de
memoria, con un sistema operativo OPEN-R v.1.1.2 de sony. Adems se pueden conseguir programas
para modelar su comportamiento.

Manejador inteligente de bases de datos.

Proceso automtico inteligente para realizar taladros sobre una placa
Robot angular de movimiento contino.
Control virtual-remoto de la trayectoria de un vehiculo autnomo.
Central inteligente de alarmas
Central inteligente de atencin de emergencias medicas.
Proceso automtico inteligente para cortar piezas de cuero para zapatos, carteras y otros.

CAPTULO II: UN AGENTE BASADO EN EL CONOCIMIENTO

1.1 CONCEPTOS.
Un agente lgico o basado en el conocimiento parte de conocimiento y utiliza el razonamiento lgico para
decidir las acciones que le llevaran a su objetivo.
Un agente basado en el conocimiento necesita conocimiento muy variado:
Sobre el mundo: estado actual, como inferir sus propiedades a partir de percepciones, como
evoluciona.
Sobre el objetivo a conseguir.
Sobre las acciones a realizar dependiendo de las circunstancias.
El enfoque basado en el conocimiento tiene como objetivo implantar agentes que se pueden considerar
como entidades que poseen un conocimiento de su mundo, y que tambin son capaces de razonar sobre las
posibles acciones que pueden emprender.
1.2 BASE DE CONOCIMIENTOS
El componente principal de un agente basado en el conocimiento es su base de conocimientos, o BC. De
manera informal podra decirse que una base de conocimientos es un conjunto de representaciones de
ciertos hechos acerca del mundo. Cada una de estas representaciones se denomina oracin. Las oraciones
se expresan en un lenguaje denominado lenguaje para la representacin del conocimiento.
Para interactuar con la BC, es decir para agregarle nuevas oraciones e interrogarle sobre ellas, existen dos
tareas que pueden realizarse: INFORMAR y PREGUNTAR, respectivamente.

1.3 INFORMAR Y PREGUNTAR

Siempre que se solicita la intervencin de un programa de agente, se realizan dos acciones. Primera, el
programa INFORMA a la base de conocimientos lo que percibe. Segunda, le PREGUNTA a la base de
conocimientos cul es la accin que debe emprender. Debe quedar claro que es el agente quien informa y
pregunta a su BC, y no una entidad externa a l.
1.4 CARACTERSTICAS
El agente basado en el conocimiento no determina las acciones a seguir en forma arbitraria, sino que se
caracteriza por los siguientes tres niveles:
El nivel de conocimiento o nivel epistemolgico: es el ms abstracto de los tres. Se puede describir un
agente basndose en lo que ste sabe. Si INFORMAR y PREGUNTAR funcionan bien, la mayora de
las veces basta con trabajar en este nivel sin necesidad de ocuparse de los niveles inferiores.
El nivel lgico: es donde el conocimiento se codifica mediante oraciones.
El nivel de implantacin: es el que opera la arquitectura del agente y es donde se encuentran las
representaciones fsicas de las oraciones correspondientes al nivel lgico.
1.5 ENFOQUE DECLARATIVO
Si es posible entender la operacin de un agente basado en el conocimiento en funcin de lo que ste sabe,
entonces es posible construirlo informndole todo lo que necesita saber. El programa inicial del agente,
antes de que empiece a recibir percepciones, se construye incorporando de una en una todas las oraciones

que representan todo lo que el diseador sabe acerca del ambiente. A lo anterior se lo conoce como
enfoque declarativo de la construccin de un sistema.
1.6 APRENDIZAJE
Es posible disear mecanismos de aprendizaje producen un conocimiento general acerca del ambiente una
vez que se les proporciona un conjunto de percepciones. Mediante la incorporacin de mecanismos de
aprendizaje en un agente basado en el conocimiento se logra la total autonoma de ste.
1.7 CONSTRUCCIN DE UNA BASE DE CONOCIMIENTOS.
El proceso mediante el cual se construye una base de conocimiento se conoce como ingeniera del
conocimiento. Este entrevista a los verdaderos expertos de un campo para que stos le enseen lo
necesario sobre el dominio de inters y le deslinden las fronteras del conocimiento respectivo, por medio
de un proceso denominado adquisicin del conocimiento.
1.7.1.

Caractersticas de las buenas y de las malas bases de conocimiento.

El aspecto ms difcil de resolver es el de la eficiencia. Lo ideal e conservar la separacin ente
base de conocimientos y procedimientos de inferencia. Esto permitir al constructor de la base de
conocimientos ocuparse slo del contenido del conocimiento, no de cmo se le utilizar en el
procedimiento de inferencia. Pero aun en el mejor de los casos el ingeniero del conocimiento
debe conocer por lo menos lo elemental sobre cmo se realiza la inferencia, de manera que la
representacin est diseada para lograr la mxima eficiencia.
Toda base de conocimiento tiene dos consumidores en potencia: los lectores humanos y los
procedimientos de inferencia.
Cada vez que alguien escriba una oracin, deber preguntarse lo siguiente:
Por qu lo anterior es verdadero? En vez de ello, podra escribir los hechos que lo hacen
verdadero?
Qu tan aplicable es un general? Podra definirlo para una clase de objetos ms general?
Necesito de una nueva clase de predicado para denotar esta clase de objetos? Cmo se
relaciona esta clase con otras? Forma parte de una clase mayor? Esa clase tiene otras
subclases? Qu otras propiedades poseen los objetos pertenecientes a esta clase?

1.7.2.

Ingeniera del conocimiento.

Con el fin de facilitar el desarrollo de una base de conocimientos se recomienda utilizar el
siguiente mtodo que consta de cinco pasos:
1. Defina acerca de que va a hablar. Que su conocimiento del dominio sea suficiente para
poder definir de qu objetos y hechos es necesario hablar, y cules habr que ignorar.
2. Escoja un vocabulario para predicados, funciones y constantes. Traduzca los conceptos
importantes del nivel de dominio a nombres del nivel de lgica. Una vez realizadas las
elecciones correspondientes, el resultado es un vocabulario que se conoce como ontologa
del dominio.
3. Codifique todo el conocimiento general relativo al dominio. La ontologa es una lista
informal de los conceptos de un dominio.
4. Codifique una descripcin de un caso especfico del problema. Consistir bsicamente en
la obtencin de oraciones atmicas relativas a casos especficos de conceptos que forman
ya parte de la ontologa.
5. Haga consultas al procedimiento de inferencia y obtenga las respuestas.

1.7.3.

Ontologa general.
Son dos de las caractersticas principales de las ontologas para propsito general que las
diferencian del grupo de las ontologas para casos especiales:
Las ontologas de propsito general deben funcionar tambin en prcticamente cualquier
domino especial.

 Existen dominios muy exigentes, en donde es necesario unificar diversas reas del
conocimiento puesto que el razonamiento y la resolucin de problemas pueden llegar a
implicar simultneamente a varias reas.
El estudio de la ontologa de propsito general est organizado de acuerdo con los siguientes
subtemas:
1.7.3.1.

Representacin de categoras
Buena parte del razonamiento se realiza a nivel de categoras. Existen dos maneras para
representar las categoras en la lgica de primer orden:
Mediante predicados unarios
Mediante la reificacin. La reificacin es el procedimiento mediante el cual un
predicado o una funcin se convierten en un objeto del lenguaje.
Las categoras desempean un papel importante: sirven para organizar y simplificar la
base de conocimientos a travs de la herencia.
Las relaciones de subclase organizan las categoras en una taxonoma o jerarqua
taxonmica.
Se dice que dos categoras son disyuntas si no tienen ningn miembro en comn. Incluso
sabiendo que dos categoras son disyuntas, no podemos saber que si un objeto no forma
parte de una categora, debe formar parte de la otra, a menos que afirmemos que ambas
categora constituyen lo que se conoce como descomposicin exhaustiva. A una
descomposicin exhaustiva disyunta se la conoce con el nombre de fragmentacin.
Las categoras se pueden definir tambin cuando se cumple con las condiciones
necesarias y suficientes de la membresa.

1.7.3.2.

1.7.3.3.

Medidas.
En el universo existen objetos de medida abstractos. Este objeto de medida abstracto
puede llamarse de diferentes maneras en nuestro lenguaje. En lgica esto se realiza
combinando una funcin de unidades. Las medidas pueden servir para especificar objetos.
Es fcil representar las medidas sencillas y cuantitativas. Es aspecto ms importante de
las medidas no reside en los valores numricos particulares en s, sino en el hecho de que
las medidas permiten una ordenacin. Aun cuando las medidas no estn representadas por
nmeros, es posible compararlas entre s mediante signos de ordenacin como >.
Objetos compuestos.
Todo objeto que est formado por partes se denomina objeto compuesto. Las categoras
de los objetos compuestos normalmente se caracterizan mediante la estructura de dichos
objetos, es decir, por sus partes y cmo se relacionan stas entre s. Es conveniente
definir los objetos compuestos mediante partes bien definidas, aunque sin una estructura
determinada.

1.7.3.4.

Representacin del cambio mediante eventos.

Para poder representar el cambio mediante eventos se utiliza lo que se conoce como
clculo de eventos, que viene a ser una versin continua del clculo de situaciones. Un
evento, de manera no formal, se considera como un trozo del universo temporal y
espacial. Los intervalos son secciones temporales completas del universo. En el clculo
de eventos, un evento determinado se produce durante un intervalo determinado.
Se puede considerar que un lugar es una pieza de espacio constante, que se prolonga en el
tiempo.

1.7.3.5.

Momentos, intervalos y acciones.

Los intervalos de tiempo se dividen en:
Momentos su duracin es de cero
Intervalos amplios

La relacin ms sencilla entre intervalos es Coincidir, en la cual el tiempo final del

primero es igual al tiempo de inicio del segundo.
1.7.3.6.

Sustancias y objetos
Existe una importante porcin de realidad que parecera desafiar todo tipo de
individualizacin (separacin en objetos distintos). A esta porcin se le conoce
genricamente como materia o sustancia. Hay varios tipos de sustancias:
Sustancias temporales: se llama as a los eventos lquidos
Sustancias espaciales.
Los objetos pueden tener propiedades:
Intrnsecas: son aquellas propiedades que pertenecen a la misma sustancia del
objeto, ms que al objeto como un todo. Cuando se parte algo en dos, ambas
partes conservan el mismo conjunto de propiedades intrnsecas
Extrnsecas: son aquellas propiedades que luego de dividir un objeto, se pierden.
Aquella clase de objetos que en su definicin incorporen slo propiedades intrnsecas es
una sustancia. En cambio aquella clase que incorpore cualquier propiedad extrnseca en
su definicin es una sustantivo contable.

1.7.3.7.

Eventos mentales y objetos mentales.

El agente necesita contar con un modelo de aquello que los dems agentes saben, as
como con cierto conocimiento acerca de su propio conocimiento, de lo que no conoce y
de los procedimientos de inferencia.
Se necesita contar con un modelo de los objetos mentales que hay dentro de la cabeza de
alguien y de los procesos mentales mediante los que se manipulan tales objetos mentales.
A la propiedad de sustituir libremente un trmino por otro igual se le denomina
transparencia referencial.

1.7.3.8.

Conocimiento y accin.
Las acciones tienen condiciones previas de conocimiento y tambin efectos de
conocimientos.

CAPTULO IV: AGENTES QUE RESUELVEN PROBLEMAS

1.1 CONCEPTO.
Son agentes basados en metas que determinan que debern hacer por medio de secuencias de acciones que
les permitan obtener estados deseables.
Utilizan algoritmos (no dan informacin sobre el problema salvo su definicin).
Los objetivos ayudan a dirigir el comportamiento del agente limitando las acciones que intenta realizar.
1.2 PASOS PARA LA SOLUCIN DE PROBLEMAS
Se sigue lo siguiente:
Formulacin de metas: Se establece la funcin objetivo basndose en la situacin actual y la medida
de rendimiento del agente.
Formulacin del problema: se decide que acciones y estados habrn de considerarse.
Bsqueda: evaluacin de las posibles secuencias de acciones que le llevan a la meta y eleccin de la
ms apta.
Ejecucin: se llevan adelante la solucin que presenta la bsqueda.

Un agente con distintas opciones inmediatas de valores desconocidos puede decidir que hacer,
examinando las diferentes secuencias posibles de acciones que le conduzcan a estados de valores
conocidos, y entonces escoger la mejor secuencia.
1.3

DEFINICIN DE PROBLEMAS
Es un conjunto de informacin que el agente utiliza para decidir lo que va a hacer.
Un problema esta compuesto por:

Un estado inicial que es donde se encuentra el agente.

Un conjunto de acciones que le agente puede emprender.
La prueba de meta para saber si alcanzo un estado meta.
La funcin costo de ruta que le asigna un valor a una ruta determinada.

1.4 TIPOS DE PROBLEMAS:

Problemas de un solo estado: El agente conoce con exactitud en que estado se encuentra y el
resultado de cada una de sus acciones.
Problemas de estados mltiples: el agente no conoce con exactitud en que estado se encuentra, pero
si el resultado de cada una de sus acciones.
Problemas de contingencias: el agente no conoce con exactitud en que estado se encuentra, pero si el
resultado de cada una de sus acciones, aunque se le pueden presentar ciertas contingencias en las
mismas.
Problemas de exploracin: el agente no conoce con exactitud en que estado se encuentra, ni el
resultado exacto de cada una de sus acciones.
1.5 EFICIENCIA PARA RESOLVER PROBLEMAS
Hay tres formas para medir la eficiencia de la bsqueda:
Segn permita o no alcanzar la solucin.
Segn su costo de ruta.
Segn el costo de tiempo y memoria para alcanzar la solucin.
1.6 EJEMPLOS:
1.6.1.

Hallar rutas en Rumania

Estamos de vacaciones en Rumania, concretamente en Arad y nuestro vuelo sale maana de
Bucarest.
Formulacin de objetivos: Estar en Bucarest
Formulacin del problema
Estados: Distintas ciudades.
Acciones: Conducir entre ciudades
Encontrar solucin: por ejemplo: secuencia de ciudades, Arad, Sibiu, Fagaras, Bucarest.
Esquema

Figura N 14: Mapa de las Rutas

El problema puede estar definido por:
Estado inicial: p.e. en Arad
Operadores: Operadores que lleven de una ciudad a otra segn el mapa,
p.e. Arad => Zerind,Arad => Sibiu,etc
Test de objetivo: explicito, p.e. x = en Bucharest
Coste del camino: Nmero de etapas del viaje.
Una solucin
Seria una ruta que lleve de Arad a Bucarest.
p.e. Arad => Sibiu => Rimnicu Vilcea => Pitesti => Bucharest
La formulacin de problemas de conjuntos de estados se realiza de manera similar.

1.6.2.

El puzzle de las 8 piezas

Estado Inicial

Estado Objetivo

Figura N 15: Juego del Puzzle

Estados: posiciones de las piezas y del hueco.
Operadores: Llevar el hueco a izquierda, derecha, arriba o abajo.
Test de objetivo: El estado objetivo predefinido.
Coste del camino: 1 por movimiento.

Hallar la longitud de Ruta: _____________________

Hallar su costo
: _____________________

CAPTULO II: BSQUEDA DE SOLUCIONES

2.1 CONCEPTO
La bsqueda consiste en escoger una opcin, haciendo a un lado las dems para considerarlas
posteriormente en caso de no obtener respuesta alguna mediante la primera opcin. La bsqueda termina
cuando se encuentra una solucin o cuando no hay ms estados que expandir.
2.2 RBOLES DE BSQUEDA
Componentes en la estructura de datos para los rboles de bsqueda:
El estado al que corresponda el nodo.
El nodo padre.
El operador que se aplico para generar el nodo.
La profundidad del nodo (distancia hasta la raz).
El costo de ruta desde el estado inicial hasta el nodo.
2.3 ESTRATEGIA DE BSQUEDA
Las estrategias de bsqueda se evalan segn los siguientes criterios:
Completez: si garantiza o no encontrar la solucin si es que existe.
Complejidad temporal: cantidad de tiempo necesario para encontrar la solucin.
Complejidad espacial: cantidad de memoria necesaria para encontrar la solucin.
Optimidad: si se encontrar o no la mejor solucin en caso de que existan varias.
2.4 TIPOS DE ESTRATEGIAS DE BSQUEDA
Las estrategias de bsqueda se pueden agrupar en dos grandes grupos:
Bsquedas sin contar con informacin (o bsqueda ciega): no existe informacin acerca de la
cantidad de pasos necesarios o sobre el costo de ruta para pasar del estado de un momento dado a
la meta.
Bsqueda respaldada con informacin (o bsqueda heurstica): Se posee informacin muy
valiosa para orientar la bsqueda para que sea ms ptima.
2.4.1.

Bsquedas sin contar con informacin

Las 6 estrategias de bsqueda agrupadas genricamente bajo el nombre de bsqueda sin contar
con informacin. Es decir, no existe informacin acerca de la cantidad de pasos necesarios o
sobre el coso de ruta para pasar del estado de un momento dado a la meta: lo nico que permiten
hacer es diferenciar entre un estado meta del otro que no lo es. A la bsqueda sin contar con
informacin tambin se le conoce como bsqueda ciega y son las siguientes:
Bsqueda preferente por amplitud.
Bsqueda de costo uniforme.
Bsqueda preferente por profundidad.
Bsqueda limitada por profundidad.
Bsqueda por profundizacin iterativa.
Bsqueda direccional.

2.4.1.1.

Bsqueda preferente por amplitud:

En esta bsqueda todos los nodos que estn en la profundidad d del rbol de bsqueda se
expanden antes de los nodos que estn en la profundidad d+1.

Si son varias las soluciones, este tipo de bsqueda permitir siempre encontrar primero el
estado meta ms prximo a la raz.
En esta bsqueda el tiempo y la cantidad de memoria necesaria crece exponencialmente
con respecto a la profundidad.
Su complejidad espacio temporal es O (bd).
Es ptima y completa.
Si d es la longitud de ruta mnima.
Si b el factor de ramificacin, el nmero de nodos expandidos estar entre:
1+b+b2+...bd-1 y 1+b+b2+...bd
Tiempo y Memoria necesarios en la Bsqueda Preferente por Amplitud.
Las cifras indicadas suponen que hay un factor de ramificacin b=10; 1000
nodos/segundo; 100 bytes/nodo.
Tabla N 4: Tiempo y Memoria en B.P. por Amplitud
Profundidad
Nodos
0
1
2
111
4
11,111
6
106
8
108
10
1010
12
1012
14
1014
Ejemplo: Tomemos como el ir de Ada a Bucarest

Tiempo
1 milisegundo
1 segundos
11 segundos
18 minutos
31 horas
128 das
35 aos
3500 aos

Memoria
100 bytes
11 kilobytes
1 megabytes
111 megabytes
11 gigabytes
1 Terabytes
111 terabytes
11,111 terabytes

Figura N 16: Solucin por bsqueda preferente por amplitud

2.4.1.2.

Bsquedas de costo uniforme:

En esta bsqueda se modifica la estrategia preferente por amplitud en el sentido de
expandir siempre el nodo de menor costo en el margen (medido por el costo de la ruta
g(n)) en vez del nodo de menor profundidad.
Este tipo de bsqueda permitir siempre encontrar la solucin mas barata siempre y
cuando el costo de ruta nunca disminuya conforme avanzamos por la ruta.
En esta bsqueda el tiempo y la cantidad de memoria necesaria crece
exponencialmente con respecto a la profundidad.

 Es ptima y completa.
Los costos deben ser positivos, caso contrario no se aplica esta bsqueda.
Ejemplo: Tmese el caso del problema de la determinacin de ruta que radica en ir de S
a G.

Figura N 17: Solucin por bsqueda de costo uniforme

Respuesta: S-B-G
2.4.1.3.

Bsqueda preferente por profundidad:

En esta bsqueda siempre se expande uno de los nodos que se encuentren en los ms
profundos del rbol. Solo si la bsqueda conduce a un callejn sin salida, ser revierte la
bsqueda y se expanden los nodos de niveles menos profundos.
Esta bsqueda o se queda atorada en un bucle infinito y nunca es posible regresar al
encuentro de una solucin, o a la larga encontrar una ruta de solucin ms larga que la
solucin ptima.
En esta bsqueda el tiempo necesario crece exponencialmente con respecto a la
profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
No es ptima ni completa.
Su complejidad temporal O (bm) y su complejidad espacial es O (bm), en donde m
es la profundidad mxima.

Figura N 18: Esquema de Bsqueda preferente por profundidad

Ejemplo: Tmese el caso del problema de la determinacin de ruta.

Figura N 19: Solucin por bsqueda preferente por profundidad

Ejemplo 2: Tmese el caso del problema del puzzle pero con otras posiciones.

Figura N 20: Resolucin del puzzle por bsqueda preferente por profundidad
2.4.1.4.

Bsqueda limitada por profundidad:

Esta bsqueda es similar a la bsqueda preferente por profundidad con la diferencia que
se impone un lmite a la profundidad mxima de una ruta.
Se utilizan operadores que informan constantemente de la profundad del nodo.
En esta bsqueda el tiempo necesario crece exponencialmente con respecto a la
profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
No es ptima, pero si completa cuando la profundidad del lmite es menor o igual a la
profundidad de la solucin.

2.4.1.5.

Bsqueda por profundizacin iterativa:

Esta bsqueda es similar a la bsqueda limitada por profundidad con la diferencia que se
repiten las bsquedas dando en cada iteracin un valor distinto de profundidad para la
misma.
En esta bsqueda el tiempo necesario crece exponencialmente con respecto a la
profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
Es ptima y completa.
Su complejidad temporal es O (bd) y su complejidad espacial es O (bd).

Figura N 21: Esquema por bsqueda preferente por profundidad

Por ejemplo, en lugar de que sea 1 + b + b2+.+ bd, el primero se expande d+1 veces, el
segundo veces, el tercero d - 1, etc.
Por ejemplo, con un factor de 10 y con profundidad 5, los nodos expandidos seran
Con cantidad de expansiones (d+1) son:

Entre ms grande sea el factor de arborecencia, menor el trabajo extra.

Sin embargo, inclusive para un rbol binario se toma como el doble de tiempo que
breadth-first pero con mucho menos memoria.
En general, si el espacio de bsqueda es grande y no se sabe la profundidad del rbol es el
mtodo a usar.
2.4.1.6.

Bsqueda bidireccional:
Esta es una bsqueda que avanza a partir del estado inicial y que retrocede a partir de la
meta y que se detiene cuando ambas bsquedas se encuentran en algn punto intermedio.
En esta bsqueda el tiempo y el espacio requerido en memoria crecen
exponencialmente con respecto a la mitad de la profundidad (bd/2).
Es ptima y completa.
Ejemplo: Tomemos el caso de los puzzle

Figura N 22: Resolucin por bsqueda preferente por profundidad

Tabla N 5: Comparacin entre las diferentes estrategias de bsqueda sin informacin
Criterio

Tiempo
Espacio
Es
ptima?
Es
completa?

2.4.2.

Pref. por
amplitud

Costo
uniforme

Pref. por
profundidad

Limitada en
profundidad

Profundizacin
iterativa

Bidireccional

bd
bd

bd
bd

bm
bm

bl
bl

bd
bd

bd/2
bd/2

No

No

Si

Si

No

Si, cuando
l>=d

b es el factor de ramificacin;
d es la profundidad de la solucin;
m es la profundidad mxima del rbol de bsqueda;
l es el lmite de profundidad

Estrategias de Bsqueda Informada

Se ver que el contar con informacin sobre un espacio de estados evita a los algoritmos
emprender bsquedas a ciegas., permitiendo as encontrar soluciones con ms eficiencia.
Presentaremos los siguientes mtodos:

2.4.2.1.

Bsqueda primero el mejor

La bsqueda primero el mejor es un caso particular del algoritmo general de Bsqueda
rboles o Bsqueda de Grafos en el cual se selecciona un nodo para la expansin basada
en una funcin de evaluacin f(n).
Esta funcin evaluacin devuelve un nmero que sirve para representar lo deseable (o
indeseable) que seria la expansin de un nodo. Se expande primero aquel nodo que tiene
mejor evaluacin. Se escoge el que parece ser el mejor pero puede no serlo.
Hay una familia entera de algoritmos de Bsqueda Primer Mejor con funciones de
evaluacin diferentes.
Una componente clave de estos algoritmos es una funcin heurstica, denotada h(n):
H(n) = coste estimado del camino mas barato desde el nodo n a un nodo objetivo.
Las funciones heursticas son la forma ms comn de transmitir el conocimiento
adicional del problema al algoritmo de bsqueda.

Si en verdad fuese posible expandir desde un principio el mejor nodo, en realidad no se

tratara de una bsqueda; sera encaminarse directamente a la meta. Lo que sucede es que
se escoge el nodo que parece ser el mejor, segn lo aconsejado por la funcin de
evaluacin.
Puesto que su objetivo es encontrar soluciones de bajo costo, por lo general en estos
algoritmos se utiliza alguna medida estimada del costo de la solucin, y se hacen
esfuerzos por reducir esta medida al mnimo.
Para enfocar la bsqueda, en tal medida debe figurar algn tipo de clculo del costo
de ruta que va de un estado al estado ms cercano a la meta.
Dentro de este tipo de bsqueda se encuentran:
Bsqueda avara.
Bsqueda A*.
2.4.2.1.1. Bsqueda avara
La bsqueda voraz primero el mejor trata de expandir el nodo mas cercano al
objetivo, alegando que probablemente conduzca rpidamente a una solucin. As,
evala los nodos utilizando solamente la funcin heurstica f(n)=h(n).
Este algoritmo consiste en reducir al mnimo el costo estimado para lograr una meta.
El nodo que se considere ms cercano al estado de meta es el que se expande primero.
La bsqueda avara y la preferente por profundidad se asemejan por su indicacin a
utilizar una sola ruta hasta llegar a la meta, pero se atorarn cuando topen con un
callejn sin salida.
Sus deficiencias son las mismas que las de la bsqueda preferente por profundidad:
No es ptima.
Es incompleta, pues puede recorrer una ruta infinita y nunca regresar a probar
otras posibilidades.
Tiempo: O (b) (se deben recorrer todos los nodos).
Espacio: O (b) (se deben almacenar todos los nodos).
Tomemos el ejemplo del mapa de Rumania:
Un agente se encuentra en una ciudad rumana llamada Oradea, el agente desea viajar
hasta Bucarest para poder tomar un vuelo que lo conduzca hasta su destino final. El
problema principal es que no conoce el pas pero afortunadamente dispone de un
mapa de carretera con las distancias estimadas (en lnea recta) desde cada ciudad del
pas hasta Bucarest. Veamos la situacin en el siguiente espacio de estado, donde
cada nodo representa una ciudad rumana y cada arista representa una carretera entre
ciudades vecinas.

Figura N 23: Resolucin por bsqueda Avara

Distancia en lnea recta
Vaslain 199, Zerind 374, Arad 366, Bucarest 0, Craiova 160,
Dobreta 242, Eforie 161, Fagaras 178, Giorgia 77, Hirsova 151, Iasi
226, Lugoj 244, Mehadia 241, Neamt 234, Oradea 380, Pitesti 98,

Solucin
La solucin produce una ruta que tiene un costo mnimo (obtiene una solucin sin
expandir nodos que no estn en la ruta). La cantidad de kilmetros reales a recorrer
por esta ruta (Oradea-Sibiu-Fagaras-Bucarest) es de 461 Km., sin embargo otra ruta
puede producir un resultado mejor y no encontrarse debido a la heurstica utilizada.
En el libro de texto se analiza esa situacin considerando la ciudad de Arad como
punto de partida. Debido a esta situacin la bsqueda avara no es ptima.
El nombre de bsqueda avara viene dado por el hecho de que se trata de aprovechar
al mximo la heurstica sin tomar en cuenta otros factores, en realidad este mtodo de
bsqueda produce casi siempre buenos resultados aunque puede resultar no ptimo
como el caso que nos ocupa.
La bsqueda avara tiene sus problemas con relacin a:
Equivocar la ruta, por ejemplo si el estado origen es Iasi y la meta Fagaras, la
estrategia conduce a Neamt, desde donde no se puede ir a ninguna parte y por
eso se habr generado un nodo innecesario. En este caso se puede repetir un
ciclo infinito (si no se controla la existencia de estados repetidos)
2.4.2.1.2. Bsqueda A*: minimizar el costo estima total de la solucin
A la bsqueda mas ampliamente conocida de la bsqueda primero el mejor se la
llama bsqueda A*.
La bsqueda avara permite reducir al mnimo el costo de la meta, h(n), con lo que
tambin se reduce en forma considerable el costo de la bsqueda. Sin embargo, este
tipo de bsqueda no es ptimo ni tampoco completo.
Por otra parte, la bsqueda por costo uniforme, reduce al mnimo el costo de la ruta
(g(n)). Es ptima y completa, pero puede ser muy ineficiente.
Sera bueno poder utilizar ambas estrategias para as combinar las ventajas que
ofrecen. Afortunadamente si es posible hacerlo, al combinar las dos funciones de
evaluacin mediante una suma:
f(n) = g(n) + h(n)
Dado que con g(n) se calcula el costo de la ruta que va del nodo de partida al nodo n,
y h(n) es el costo estimado de la ruta ms barata que va de n a la meta, tenemos que:
f(n) = costo estimado de la solucin ms barata, pasando por n.
La optimalidad de A* es sencilla de analizar si se usa con la Bsqueda-rboles.
A* es ptima si h(n) es una heurstica admisible, es decir, con tal de que la h(n)
nunca sobrestime el coste de alcanzar el objetivo. Como g(n) es el coste exacto para
alcanzar n, tenemos como consecuencia inmediata que la f(n) nunca sobrestima el
coste verdadero de una solucin a travs de n.
Ejemplo.
El objetivo ser de nuevo ir hasta Bucarest, pero en esta ocasin partiremos desde la
ciudad de Arad.
Veamos los rboles de bsqueda se generan.

Se debe observar que la funcin f es montona o sea esta funcin nunca disminuye
cuando profundizamos en el rbol de bsqueda, algo que debemos esperar si decimos
que la heurstica es aceptable.
2.4.2.2.

Bsqueda limitada por la capacidad de la memoria

Cuando se implementan las bsquedas vistas hasta el momento, hay ciertos problemas
muy difciles de resolver y por lo tanto siempre hay que dar algo a cambio para
resolverlos, y lo primero que se cede es la memoria disponible.
Para poder conservar la memoria existen:
La bsqueda A* por profundizacin iterativa
La bsqueda A* acotada por memoria simplificada.

2.4.2.2.1. Bsqueda A* por profundizacin iterativa (A*PI):

En este algoritmo, cada iteracin es una bsqueda preferente por profundidad, la cual
se modifica para utilizar un lmite de costo f en vez de un lmite de profundidad.
En esta bsqueda el espacio requerido en memoria crece en forma lineal con
respecto a la profundidad, mientras que la complejidad temporal depende de la
cantidad de distintos valores que adopte la funcin heurstica.
Es ptima y completa.

2.4.2.2.2. Bsqueda A* acotada por memoria simplificada (A*SRM):

Tiene las siguientes caractersticas:

 Hace uso de toda la memoria que puede disponer

En la medida que se lo facilite la memoria, evitar los estados repetidos
Es completa si la memoria disponible tiene capacidad suficiente para guardar la
ruta de solucin ms cercana
Es ptima si dispone de suficiente memoria para guardar la ruta de solucin
ptima ms cercana. De lo contrario produce la mejor solucin que sea posible
obtener con la memoria disponible.
2.4.2.3.

Bsqueda de mejoramiento iterativo

La idea bsica de los algoritmos de estos tipos de bsqueda consiste en empezar con una
configuracin completa y efectuar modificaciones para mejorar su calidad.
Entre estas bsquedas se pueden encontrar:
Bsqueda por ascenso de cima.
Bsqueda con endurecimiento simulado.

2.4.2.3.1. Bsqueda por ascenso de cima:

Esta bsqueda se trata de un bucle que constantemente se desplaza en la direccin de
un valor ascendente. Como el algoritmo no mantiene un rbol de bsqueda, la
estructura de datos del nodo slo tiene que registrar el estado y su evaluacin,
denominado VALOR.
Cuando el algoritmo llega a un punto mas all del cual no se logra ningn avance, es
obvio que debe empezarse de nuevo en otro punto.
2.4.2.3.2. Bsqueda por endurecimiento simulado:
Esta bsqueda es muy similar a la bsqueda por ascenso a la cima, pero con la
diferencia de que en vez de empezar otra vez al azar luego de quedarse atorado en un
mximo local, sera conveniente descender unos cuantos pasos y as escapar del
mximo local en cuestin.

CAPTULO IV: REPRESENTACIN, RAZONAMIENTO Y LGICA

2.1 CONCEPTO
El objetivo de la representacin del conocimiento es expresar ste en forma manejable por la computadora,
de manera que se la pueda utilizar como un auxiliar para el buen desempeo de los agentes. Un lenguaje
para la representacin del conocimiento consta de dos aspectos:
La sintaxis del lenguaje explica las posibles configuraciones mediante las cuales se forman las
oraciones.
La semntica determina los hechos del mundo a los que hacen alusin las oraciones. Mediante la
semntica, cada oracin expresa algo relacionado con el mundo.

Figura N 29: Conexin entre Oraciones y Hechos

2.2 INFERENCIA
Con base en la sintaxis y la semntica se obtiene el mecanismo de inferencia que servir al agente que
emplee el lenguaje:
Recurdese que la semntica del lenguaje determina el hecho al que alude una determinada oracin. Los
hechos forman parte del mundo y debido a que el mundo no es abarcable por ningn humano o
computadora, los mecanismos de razonamiento deben basarse en la representacin de los hechos, no en
los hechos mismos.
La inferencia debe ser un proceso para construir nuevas configuraciones fsicas (oraciones) a partir de
otras anteriores. Un proceso adecuado deber garantizar que las nuevas configuraciones representen
hechos derivados de aquellos representados por configuraciones anteriores.
2.2.1.

Procedimiento de inferencia
A un procedimiento de inferencia que genere slo oraciones implicadas se le denomina
procedimiento fidedigno o protector de la verdad.
A un procedimiento de inferencia se le puede describir por las oraciones que pueden
derivarse a partir de l.
El testimonio de la manera de operar de un procedimiento de inferencia confiable se
denomina demostracin.
Se considera que un procedimiento de inferencia es completo si es capaz de encontrar la
demostracin respectiva de toda oracin implicada. Sin embargo, en muchas BC el conjunto
de todas las consecuencias en infinito, y por lo tanto resulta imposible encontrar las
demostraciones de todas las oraciones implicadas. Esto implica que la mayora de los
procedimientos de inferencia no son completos.
Para contar con una inferencia segura, se debe lograr que los pasos de inferencia respeten la
semntica de las oraciones sobre las que se aplican, es decir, que dada una cierta BC,
mediante los pasos de inferencia se obtengan solamente nuevas oraciones que representen
hechos derivados de los hechos representados por la BC. La teora de la demostracin
especifica los pasos de razonamiento que son confiables.

2.2.2.

Tipos de inferencia
Deductivas: Dado un conjunto de hechos, un proceso de inferencia deductivo slo producir
conclusiones que se deriven lgicamente de esos hechos.
No deductivas: Las hay de muchas clases.
Inductivas: Implican aprendizaje o generalizacin a partir de ejemplos.
Abductivas: Implican inferencia causa-efecto.

2.2.3.

Tcnicas de inferencia

 Procedural: Como por ejemplo un sistema que utilice los procedimientos aritmticos
incorporados en el ordenador para evaluar expresiones aritmticas sin ninguna
representacin explcita de conocimiento sobre matemticas.
Declarativa: La BC se representa mediante un conjunto de axiomas y se realiza la inferencia
utilizando algoritmos deductivos basados en la semntica de dichos axiomas.
Muchos sistemas pueden combinar ambas tcnicas.
2.3 CONSECUENCIA O IMPLICACIN
Relacin que guardan dos oraciones, y que refleja el hecho de que una es consecuencia o se deriva de la
otra. Lo que deseamos es obtener generar nuevas oraciones que necesariamente sean verdaderas,
suponiendo que las previas tambin lo sean.
2.4 NUEVAS ORACIONES
Mediante un procedimiento de inferencia se pueden obtener dos cosas: partiendo de una base de
conocimiento BC, tal procedimiento permite generar nuevas oraciones X que dan a entender que son
implicaciones de BC. O bien, dados una BC y otra oracin X, informar si X es consecuencia de la BC o
si no lo es.
2.5 REPRESENTACIN
En un buen lenguaje para representar el conocimiento se combinan las ventajas de los lenguajes naturales
y la de los lenguajes formales. Debe ser lo suficientemente expresivo y conciso para que nos permita
expresar de manera sucinta todo lo que hay que decir. Debe ser inequvoco (no ambiguo) e independiente
del contexto para su interpretacin, de manera que lo que se diga hoy siga siendo interpretable el da de
maana. Debe ser eficiente en el sentido de que debe existir un procedimiento de inferencia que permita
obtener nuevas inferencias a partir de oraciones en nuestro idioma. Es importante tener en cuenta que
independientemente del lenguaje que se emplee se deber utilizar la notacin lgica, por lo que es
imprescindible familiarizarse con ella.
Semntica: ninguna oracin tiene significado por s misma, quien la escriba tiene que proporcionar su
respectiva
interpretacin;
debe
aclarar
a
qu
hecho
corresponde.
Todos los lenguajes de representacin exigen una relacin sistemtica entre oraciones y hechos.
Los lenguajes de los que nos ocuparemos son todos compositivos o de composicin: el significado de una
oracin es funcin del significado de sus partes. Una vez que mediante la semntica se interpreta de una
manera determinada una oracin, sta afirma que el mundo es de esta forma y no de otra. La validez de la
oracin depende tanto su interpretacin como del estado actual del mundo.
2.6 RAZONAMIENTO
Es el proceso de construir nuevas representaciones, bajo la forma de oraciones, a partir de
representaciones anteriores.
Son utilizados para referirse a cualquier proceso mediante el que se obtienen conclusiones.
La inferencia lgica o deduccin es un proceso mediante el que se implanta la relacin de implicacin que
existe entre oraciones.
Validez: Se dice que una oracin es vlida o necesariamente verdadera si y slo si es verdadera en
todas las posibles interpretaciones de todos los mundos posibles, es decir, con independencia de lo
que supuestamente signifique y de lo que est sucediendo en el universo descrito. Tambin se
llaman oraciones analticas o tautologas.

 Satisfaccin: Se considera que una oracin es satisfactible si y slo si existe una interpretacin en
algn mundo para la que es vlida. Lo contrario es el caso de las oraciones insatisfactibles.

2.7 LGICA
Una lgica consta de:
Un sistema formal para describir lo que est sucediendo y que consta a su vez de sintaxis y semntica.
La teora de la demostracin, un conjunto de reglas para deducir las implicaciones de un conjunto de
oraciones.

CAPTULO V: LGICA PROPOSITIVA

3.1 LGICA PROPOSITIVA O BOOLEANA.
En la lgica propositiva los smbolos representan proposiciones completas (hechos). Todas las oraciones
se
forman
combinando
los
signos
anteriores
mediante
las
siguientes
reglas:
Las constantes lgicas Verdadero y Falso constituyen oraciones en si mismas.
Un smbolo propositivo tal como P o Q es una oracin en si mismo.
Encerrar entre parntesis una oracin produce tambin una oracin, por ejemplo (P^Q). Una oracin se
forma combinando oraciones ms sencillas con uno de los cinco conectores lgicos:
Tabla N 6: Conectores Lgicos
^
CONJUNCIN
v
DISYUNCIN
=>
IMPLICACIN
<=>
EQUIVALENCIA

NEGACIN
3.2 SEMNTICA.
La semntica de la lgica propositiva tambin es bastante directa. Se define especificando la interpretacin
de los signos de proposicin y de las constantes y especificando el significado de los conectores lgicos.
El significado de una oracin compleja se obtiene del significado de cada una de sus partes, y su validez
se puede determinar mediante tablas de verdad.
3.3 SMBOLOS DE LA LGICA PROPOSITIVA
3.3.1.
3.3.2.
3.3.3.

3.3.4.

Constantes lgicas: Verdadero y Falso.

Smbolos de proposiciones: P, Q, etc. Representan proposiciones (oraciones con un valor de
verdad) sencillas.
Conectivos lgicos:
Negacin:
Conjuncin (Y, And):
Disyuncin (O, Or)
Implicacin:
Equivalencia:
Smbolos de agrupamiento: Parntesis: (,)
Se usan las reglas siguientes para formar las proposiciones:
1. Las constantes lgicas verdadero y falso constituyen por s mismas proposiciones.
2. Un smbolo propositivo como P o Q es en s una proposicin.

3. Una proposicin se puede formar combinando proposiciones mas sencillas unidas por
conectivos lgicos.
4. Una proposicin encerrada entre parntesis, tal como (PQ), es una proposicin.
La semntica de las proposiciones lgicas en las que intervienen los conectores lgicos se define
mediante sus tablas de verdad en las cuales se le da una interpretacin a cada una de las
combinaciones en dependencia de los valores de verdad de cada una de las partes que la integran:
Tabla N 7: Tablas de verdad para los conectivos lgicos
P
V
V
F
F

Q
V
F
V
F

P
F
F
V
V

PQ
V
F
F
F

PQ
V
V
V
F

PQ PQ
V
V
F
F
V
F
V
V

3.4 REGLAS DE INFERENCIA EN LA LGICA PROPOSITIVA.

El procedimiento que mediante tablas de verdad permite cerciorarse de la confiabilidad de una inferencia
podra a clases enteras de inferencias. Existen ciertos patrones de inferencias que se presentan una y otra
vez, lo que permite establecer de una vez por toda su confiabilidad. De esta manera se aprehende el patrn
respectivo en algo que se conoce como regla de inferencia. Una vez que se establece unas reglas de
inferencia se puede simplemente emplear, sin necesidad de construir nuevamente las tablas de verdad, que
en muchos casos resulta tedioso.
Observe que la proposicin se puede presentar en forma de implicacin o sea con una premisa y una
conclusin de forma que la mquina puede concluir si a partir de una premisa dada se puede afirmar la
conclusin que se presenta, ejemplo:

P
V
V
F
F

R
V
F
V
F

R
F
V
F
V

Probar ((PR)R)P
((PR) (PR)R) ((PR)R)P
V
F
V
V
V
V
V
F
V
F
F
V

En este caso se dice que la expresin ((PR)R)P es verdadera para todas sus interpretaciones lo que
se denomina una tautologa por lo que se concluye que la proposicin compuesta es verdadera.
El mtodo de usar las tablas de verdad es muy tedioso y, aunque se puede usar para pequeos problemas,
no es una forma adecuada para otros. Existen un conjunto de reglas de inferencia en la lgica propositiva,
algunas de ellas son las siguientes:
Modus ponens o implicacin-Eliminacin
De:
PQy
P
Se tiene Q
Y eliminacin
De:
P1P2...Pn

Se tiene cualquier Pi
Doble negacin
De:
P
Se tiene P
Resolucin unitaria
De:
PQ y
P
Se tiene Q
Resolucin
De:
PQ y
QR
Se tiene
PR
3.5

LGICA DE PRIMER ORDEN

3.5.1.

Concepto:
Esta lgica tiene un alcance ontolgico ms amplio que la lgica propositiva.
La lgica de primer orden se preocupa por la representacin de los mundos en trminos de
objetos y predicados sobre objetos (es decir, propiedades de los objetos o relaciones entre los
objetos), as como del uso de conectivos y cuantificadores, mediante los cuales se pueden
escribir oraciones sobre todo lo que pasa en el universo, a un mismo tiempo.

3.5.2.
Sintaxis y semntica.
3.5.2.1.
Componentes de la lgica de primer orden
Trminos: representan objetos
Signos que representan constantes, variables y signos de funcin sirven para construir
trminos.
Los cuantificadores y los signos de predicados sirven para construir oraciones
3.5.2.2.

Explicacin de estos componentes:

Signos de constantes: (Pedro, A, B,...).En la interpretacin respectiva deber
especificarse a qu objeto del mundo se est haciendo referencia mediante el signo.
Signos de predicado: (Redondo, Hermano,...) Una interpretacin especfica que
mediante un signo de predicado se hace referencia a una relacin particular. Una
tupla es un conjunto de objetos clasificados de una manera determinada y en orden
fijo.
Signos de funcin: (Coseno, Padre De,...) Algunas relaciones son funcionales, es
decir un determinado objeto est relacionado justamente con otro objeto mediante la
relacin.

3.5.2.3.

Trmino.
Un trmino es una expresin lgica que se refiere a un objeto. Cuando un trmino no
tiene variable se lo denomina trmino de base.

3.5.2.4.

Oraciones atmicas

Una oracin atmica es una oracin mediante la cual se afirman hechos. Est formada por
un signo de predicado y por una lista de trminos entre parntesis. Se dice que una
oracin atmica es verdadera si la relacin a la que alude el signo de predicado es vlida
para los objetos a los que aluden los argumentos.
Ejemplo:
Hermano (Ricardo, Juan) afirma que Ricardo es hermano de Juan.
Es vlido que una oracin atmica tenga trminos complejos como argumentos:
Casado (Padre De (Ricardo), Madre De (Juan)) afirma que el padre de Ricardo est
casado con la madre de Juan (dentro de una adecuada interpretacin).
3.5.2.5.

Oraciones complejas.
Mediante los conectores lgicos se pueden construir oraciones ms complicadas. La
semntica de las oraciones formadas utilizando los conectores lgicos es idntica a la del
caso de las proposiciones.
Ejemplo:
Mayor (Juan, 50)\/ Menor (Juan, 20)
Hermano (Ricardo, Juan)/\ Hermano (Juan, Ricardo)
Mayor (Juan, 50) => Menor (Juan, 20)
Hermano (Roberto, Ricardo)

3.5.2.6.

Cuantificadores.
Los cuantificadores permiten expresar propiedades de grupos completos de objetos. La
lgica de primer orden consta de dos cuantificadores estndar, denominados:
Universales: Equivale a la conjuncin de todas las oraciones que se obtienen al
sustituir el nombre de un objeto por la variable que aparece en la expresin.
Ejemplo:
es el cuantificador universal para todo
x Gato (x) => Mamfero (x) equivale a:
Gato (Silvestre) => Mamfero (Silvestre) ^ Gato (Tom) => Mamfero (Tom) ^
Gato (Felix) => Mamfero (Felix) ^ ....
Existenciales: Sirve para realizar afirmaciones acerca de algn objeto en el
universo sin tener que nombrarlo. Equivale a la disyuncin de todas las oraciones
obtenidas al sustituir el nombre de un objeto por la variable x. Esta oracin es
verdadera solo cuando una de las disyunciones es verdaderas.
Ejemplo:
Es el cuantificador existencial existe
x Gato (x) => Mamfero (x)
Gato (Silvestre) => Mamfero (Silvestre) v Gato (Tom) => Mamfero (Tom) v
Gato (Felix) => Mamfero (Felix) v ......
El orden de los cuantificadores es muy importante. Surge una dificultad que no es grave
cuando se utilizan dos cuantificadores que tienen el mismo nombre de variable. La regla
es que la variable pertenece al ms interno de los cuantificadores que en ella se
mencionan.
El trmino frmula bien configurada se emplea para calificar oraciones en las que todas
sus variables se han introducido mediante un cuantificador.

3.5.2.7.

Igualdad
Para formular aseveraciones en la que dos trminos se refiere a un mismo objeto se utiliza
el smbolo de igualdad.
Ejemplo:
Padre (Juan)=Enrique

Est afirmando que el objeto al que hace referencia Padre (Juan) y al objeto al que alude
Enrique son lo mismo.
3.5.3.

Extensiones y variaciones en la notacin.

Mediante la lgica de orden superior es posible cuantificar relaciones y funciones al igual que
objetos.
El cuantificador de unicidad sirve para afirmar la existencia de un objeto especfico que satisface
determinado predicado.

3.5.4.

Uso de una lgica de primer orden.

Un dominio es un fragmento del mundo acerca del que deseamos expresar un determinado
conocimiento.
A las oraciones aadidas al utilizar DECIR se les denomina aseveraciones, y a las preguntas
formuladas mediante PREGUNTAR se les conoce como consultas u objetivos.

3.5.5.

Como representar los cambios en el mundo.

La manera ms fcil de manejar el cambio es simplemente cambiar la base de conocimiento;
borrar la oracin que afirma y sustituirla por otra. Si lo nico que se desea es que la base de
conocimiento responda preguntas relaciones con la ltima situacin, no hay problema. Pero
quiere decir que se pierde todo el conocimiento obtenido acerca del pasado y prohbe la
especulacin en torno a diversos futuros posibles.
Otra posibilidad es la exploracin por parte del agente, de estados del pasado y posibles estados
del futuro, en donde cada uno de ellos se representa mediante una base de conocimiento diferente,
pero muchas veces es necesario representar diversas situaciones y acciones en la misma base de
conocimientos.

3.5.6.

Clculo de situaciones.
El clculo de situaciones es el nombre dado para una manera particular de describirle cambio en
la lgica de primer orden. Concibe al mundo como una secuencia de situaciones, cada una de las
cuales es como una instantnea del estado del mundo. Para manejar una relacin o propiedad
que cambia con el tiempo se proporciona al predicado correspondiente un argumento de
situacin adicional. Cuando una relacin o una propiedad no estn sujetas al cambio, no es
necesario el argumento correspondiente a la situacin adicional.
El cambio del mundo de una situacin a otra se representa mediante la funcin Resultado (accin,
situacin)
Las acciones se describen al especificar sus correspondientes efectos. Especificamos las
propiedades de la situacin que resulta de efectuar una accin determinada.

3.5.7.

Como deducir Propiedades Ocultas del Mundo

A los axiomas que se utilizan para capturar toda la informacin necesaria a para hacer
deducciones se las denomina reglas sincrnicas ya que relacionan las propiedades de un estado
del mundo con otras propiedades del mismo estado del mundo. Existen dos tipos principales de
reglas sincrnicas:
Reglas casuales: reflejan la direccin de causalidad asumida en el mundo: cierta propiedad
oculta del mundo provoca la generacin de ciertas percepciones. Los sistemas que razonan
apoyados en reglas causales se denominan sistema de razonamiento basado en modelos.
Reglas de diagnstico: infieren la presencia de propiedades ocultas directamente desde la
informacin derivada de las percepciones.
Si los axiomas describen de manera correcta y total la manera como funciona el mundo y cmo
se producen las percepciones, el procedimiento de inferencia obtendr correctamente la
descripcin ms slida del estado del mundo a partir de las percepciones disponibles.

3.5.8.

Preferencia de una accin en vez de otra.

Una forma de implementar esto es describiendo que tan deseables son determinadas acciones y
dejar a la mquina de inferencias el decidir cual de las acciones es la ms deseable. A un sistema
de este tipo se le denomina sistema de valor de las acciones.

3.6 LGICA DE ORDEN SUPERIOR

Mediante la lgica de orden superior es posible cuantificar relaciones y funciones al igual que objetos.
Por ejemplo
Es posible afirmar que dos objetos son iguales si y slo si todas las propiedades que se le aplican son
equivalentes:
x, y(x=y) <=> (p p(x) <=> p(y))
Tambin es posible afirmar que dos funciones son iguales si y slo si para todos los argumentos su valor
es el mismo:
f, g (f =g) <=> (x f(x) = g(x))
Las lgicas de orden superior tienen ms capacidad expresiva que la lgica de primer orden; sin
embargo no se sabe mucho acerca de como razonar adecuadamente mediante la lgica de orden superior.