IA369 - Gudwin & Von Zuben (1s/98)

Sistemas hbridos
1. Sistemas hbridos sob o ponto de vista de sistemas dinmicos
existe uma definio formal para sistemas hbridos em teoria de sistemas dinmicos,
atribuda a sistemas que apresentam simultaneamente comportamentos dinmicos de
tempo contnuo e de tempo discreto.
esta definio no est diretamente relacionada (embora tambm se aplique) aos tipos
de sistemas que estamos interessados em estudar, e que tambm recebem a
denominao de sistemas hbridos.
a definio a seguir apresentada com o objetivo nico de permitir uma comparao
com o enfoque geralmente adotado na rea de inteligncia computacional, a ser
formalizado na prxima seo.

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

um sistema hbrido contm dois tipos distintos de componentes:

1. uma coleo de sistemas dinmicos, cada um representando um modo do sistema;
2. um autmato ou sistema baseado em regras responsvel pelo chaveamento entre os
sistemas dinmicos.
sistemas dinmicos: cada um representa, a seu tempo, o comportamento de tempo
contnuo do sistema hbrido. Pode ser descrito por um conjunto de equaes
diferenciais no-lineares de uma dada dimenso, com parmetros de controle.
componente discreto: representado pelo autmato ou sistema baseado em regras que
chaveia para o prximo modo do sistema com base nas regras de transio e no modo
atual do sistema.

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

2. Sistemas hbridos sob o ponto de vista de inteligncia computacional

os sistemas hbridos de interesse para a rea de inteligncia computacional so aqueles
caracterizados pela agregao (combinao, fuso e transformao) de sub-sistemas
previamente dotados de uma identidade individual e que apresentam caractersticas
no-coincidentes (complementares, ortogonais) entre si.
esta agregao deve ser tal que o potencial do sistema hbrido seja maior que a simples
soma dos potenciais isolados de cada sub-sistema constituinte.
como apenas recentemente a comunidade cientfica passou a buscar uma formalizao
adequada para sistemas hbridos, justamente por perceber o seu potencial e a
viabilidade de implement-los, no se pode ainda anunciar a existncia de uma teoria
de sistemas hbridos.
mais uma vez a comunidade cientfica se depara com a possibilidade concreta de
sintetizar solues alternativas para os mais variados tipos de problemas, sem no
Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

entanto ser capaz de analisar devidamente os processos de obteno e as estruturas

resultantes.
2.1 Objetivos e motivao

a automatizao e a robustez dos processos de gerao de soluo para problemas de

engenharia, constituem objetivos centrais de pesquisa na rea de inteligncia
computacional.
uma vez que os sistemas hbridos podem fornecem uma estrutura bsica e uma
metodologia para a anlise e sntese de sistemas autnomos inteligentes, eles
representam candidatos promissores para atender aos objetivos mencionados acima.
so duas as motivaes bsicas geralmente empregadas para justificar o estudo de
sistemas hbridos:
1. no existe uma nica ferramenta que seja tima para todos os problemas (mltiplas
ferramentas + mltiplos problemas);
Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

2. a busca de ferramentas dedicadas para a soluo de um dado problema pode ser um

processo mais custoso do que a obteno da soluo pela agregao de mltiplas
ferramentas no-dedicadas.
estratgia: aplicar mltiplas ferramentas na busca de soluo para cada problema.
cauo: disponibilidade de recursos computacionais.
propriedades:
1. estrutura modular;
2. dividir para conquistar;
3. mltiplos modelos mais simples em lugar de um modelo mais complexo.
ferramentas de soluo como agentes autnomos adaptativos aprendizado e
adaptao

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

3. Estrutura geral do processo de agrupamento de solues por

competio (ensembles)
Deciso

Confiana

Processo
de
Meta-aprendizado
(Agrupamento)

Processo
de
Aprendizado 1

Processo
de
Aprendizado N

Informao disponvel
(dados / sensores / extrao de conhecimento)

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

4. Exemplos em Inteligncia computacional

1. ensembles (Perrone)
2. committees (Hanson & Salomon)
3. sistemas hbridos (Medskar)
4. meta-aprendizado de mquina
5. mixture of experts (JACOBS et al., 1991)
basicamente, todos so sistemas que, em maior ou menor grau, buscam objetivos
locais ou globais, coordenam suas aes, compartilham conhecimento e resolvem
conflitos durante a interao caracterizada por etapas de cooperao e competio.
outra denominao: sistemas granulares.

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

5. Questes fundamentais
1. projetar o processo de meta-aprendizado ou agrupamento;
2. selecionar os processos de aprendizado (especialistas, classificadores, ...)
3. determinar os conjuntos de treinamento (os mesmos? decomposio automtica?);
4. estimar ganhos esperados ao utilizar um processo de soluo hbrido em lugar de uma
nica soluo (proporcional ausncia de correlao);
5. estabelecer condies para permitir a aplicao de solues hbridas a problemas noestacionrios;
6. desenvolver tcnicas eficientes para aquisio de conhecimento e inicializao dos
processos de soluo em casos em que existe um conhecimento inicial prvio;
7. definir medidas de confiabilidade.

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

6. Mescla de especialistas (mixture of experts)

definio: constituda de um conjunto de especialistas (experts), e um mecanismo de
agregao que combina as participaes de cada especialista no comportamento
instantneo do sistema.
possvel estender esta estrutura pela incorporao recursiva de nveis hierrquicos
(hierarchical mixtures-of-experts), de tal forma que cada especialista seja, na verdade,
uma mescla de especialistas.
o princpio bsico dividir para conquistar, no sentido de que problemas complexos
podem ser melhor resolvidos quando decompostos em problemas mais simples.
portanto, assumida aqui a possibilidade de modularizar um problema, ou seja,
descrev-lo como o resultado da interao de seus mdulos constituintes.

Aula 13

IA369 - Gudwin & Von Zuben (1s/98)

7. Referncias
GHOSH, J. Network Ensembles and Hybrid Systems. Tutorial at the IEEE
International Conference on Neural Networks, 1997.
JACOBS, R.A., JORDAN, M.I., NOWLAN, S.J. & HINTON, G.E. Adaptive mixtures of local
experts. Neural Computation, vol. 3, no. 1, pp. 79-87, 1991.
WATERHOUSE, S.R. Classification and Regression using Mixtures of Experts. Ph.D.
Thesis, University of Cambridge, 1997.

Aula 13

10