UNIVERSIDAD SANTO TOMÁS –TUNJA

CENTRO DE INVESTIGACIÓN

GUÍA PARA LA PRESENTACIÓN DE PROYECTOS

INFORMACIÓN GENERAL DEL PROYECTO
Facultad: CIENCIAS BASICAS Fecha, presentación: AÑO M D
2008 06 20
Título: NUEVOS PARADIGMAS MATEMÁTICOS EN LA INTELIGENCIA ARTIFICIAL

Línea de Investigación: ALGORITMOS GENÉTICOS

Coordinador/es : JAIRO AMADOR NIÑO C.C. N° 19.224.834 ___

Correo electrónico: jamador@ustatunja.edu.co ________ Tel. Cel.: _3152253475___
CLAUDIA ROCIO URIBE___________ C.C. N°_40.025.358___
Correo electrónico: curibe@ustatunja.edu.co______ Teléfono: _7423178 ________
Tel. Cel.: _3118342710____

Formación Académica: Magister en Ciencias Computacionales

Universidad Autónoma de Bucaramanga en convenio con el TEC de Monterrey Mexico
Ciudad: Bucaramanga Departamento: Santander del Sur
Formación Académica: Ingeniero de Sistemas y Licenciado en Matemáticas
Universidad Autónoma de Bucaramanga en convenio con el TEC de Monterrey Mexico,
y UNIVERSIDAD PEDAGOGICA Y TECNOLOGICA DE COLOMBIA
Ciudad: Bucaramanga Departamento: Santander del Sur

Duración del Proyecto (en meses): 12 MESES

Tipo de Proyecto:
Investigación Básica: X Investigación Desarrollo Tecnológico o
Aplicada: Experimental:
Valor total del Proyecto: $5’000.000.oo
Financiación Solicitada: $5’000.000.oo
Valor Contrapartida:
Resumen del proyecto:

Las técnicas de solución a muchos problemas en las diferentes disciplinas de la ciencia

que han sido tratados siempre con matemáticas clásicas o contemporáneas que
normalmente se conocen (Cálculo diferencial, integral y estadística por ejemplo),
podrían hacer uso de la Inteligencia Artificial IA con herramientas como minería de
datos, algoritmos genéticos, y otras, que junto con el uso de las nuevas tecnologías
informáticas, presentan una alternativa para la construcción de nuevos paradigmas que
permitirían hallar soluciones mas sencillas y optimizadas.
Palabras clave: Inteligencia artificial, minería de datos y algoritmos genéticos.

1
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN
. linealidad de los sistemas dinámicos, y se requiere realizar
PRESENTACIÓN DEL PROYECTO
1. DESCRIPCIÓN DEL PROYECTO:
1.1 Planteamiento del problema de investigación: En la
búsqueda de nuevas soluciones a problemas conocidos y
que hayan sido o no solucionados, en los diferentes
campos de la ciencia, se cuestiona: ¿con las técnicas de
IA y sus herramientas se pueden encontrar nuevas
alternativas o paradigmas para determinar soluciones
mas sencillas y en lo posible optimizadas?
1.1.1 Estado del Arte: Los nuevos paradigmas deben
estar contextualizados dentro de la naturaleza del ser
humano, dentro de este contexto el ser humano
no maneja números exactamente, sino
conceptos como, si hace mucho frío por la noche
y el calor es intenso en el día entonces la helada
será fuerte, esto, propone utilizar herramientas
de inteligencia artificial que permitan encontrar
predicciones oportunas y mas cercanas a los
cambios reales del clima, por ejemplo.
A continuación se esbozan algunos conceptos teóricos:
Predicción de Sistemas: las salidas de un sistema
deben poder predecirse para crear modelos y
mejorarlos continuamente. Generalmente una fórmula
puede determinar el resultado de una variable de
acuerdo a los datos que se suministren para su cálculo,
la realidad presenta factores que impiden enmarcar tan
sencillamente los resultados de un proceso, por lo tanto
entra en juego basarse en la característica de no
pruebas con los datos para llegar a plantear un modelo
matemático que intente predecir el comportamiento del sistema,
o de determinada variable que forme parte del mismo.
Inteligencia Artificial: una definición es: La inteligencia artificial es
un intento por descubrir y describir aspectos de la inteligencia
humana que pueden ser simulados mediante máquinas. Es una
rama de las ciencias de la computación que trata del diseño de
sistemas inteligentes, es decir, sistemas que presentan
características que normalmente asociamos con la inteligencia
humana: comprensión del lenguaje, razonamiento, aprendizaje,
resolución de problemas matemáticos y no matemátcos, etc..
Lógica difusa: en los años sesenta, Lofti Zadeth inventó la lógica
difusa o borrosa, que combina los conceptos de la lógica y de
los conjuntos de Lukasiewicz mediante la definición de grados
de pertenencia. La lógica borrosa es una rama de la inteligencia
artificial que se funda en el concepto "Todo es cuestión de
grado", lo cual permite manejar información vaga o de difícil
especificación. Es entonces posible con la lógica borrosa
gobernar un sistema por medio de reglas de 'sentido común' las
cuales se refieren a cantidades indefinidas (Zadeth, 1975).
Redes neuronales: También llamadas Modelos conexionistas,
procesadores distribuidos y paralelos. Estos proporcionan
mecanismos generales para construir modelos de sistemas a
partir de los mismos datos. En los últimos años, las redes
neuronales artificiales (RNA) se han convertido en herramientas
alternativas de uso frecuente para la resolución de diversos
problemas.
Algoritmos genéticos: Entre los métodos de búsqueda donde
hay gran cantidad de datos y donde se necesita de la
2
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN
optimización (Goldberg, 1989) para solucionar
problemas en campos de la ciencia, los algoritmos
genéticos AGs juegan un papel importante aplicando la
evolución biológica (Holland, 1992), para obtener
soluciones robustas, fiables y mas precisas que con los
métodos matemáticos tradicionales según las
necesidades del problema, lo que los hace en un
principio en esta investigación parte de la solución.
1.1.2 Marco Teórico o epistemológico: en el contexto de
esta investigación hacemos especial referencia, a Las
técnicas de minería de datos o data mining por ser
menos restrictivas que las estadísticas. Una vez
encontrado un punto de partida interesante y dispuestos
a utilizar algún análisis estadístico en particular (por
ejemplo, discriminante para diferenciar segmentos de
mercado), puede suceder que los datos no satisfagan
los requerimientos del análisis estadístico. Entonces,
las variables deberán ser examinadas para determinar
qué tratamiento permite adecuarlas al análisis, no
siendo posible o conveniente en todos los casos. Aquí
se destaca la data mining, puesto que es menos
restrictivo que la estadística y permite ser utilizado con
los mínimos supuesto posibles (permite escuchar a los
datos).
Los Algoritmos Genéticos (AGs) son métodos
adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Están basados
en el proceso genético de los organismos vivos. A lo
largo de las generaciones, las poblaciones evolucionan
en la naturaleza acorde con los principios de la
selección natural y la supervivencia de los más fuertes,
postulados por Darwin. Por imitación de este proceso,
los Algoritmos Genéticos son capaces de ir creando soluciones
para problemas del mundo real. La evolución de dichas
soluciones hacia valores óptimos del problema depende en
buena medida de una adecuada codificación de las variables del
problema (GOLDBERG, D.E., Genetic Algorithms in Search,
Optimization & Machine Learning. Reading: Addison-Wesley,
1989).
La aplicación más común de los algoritmos genéticos ha sido la
solución de problemas de optimización, en donde han mostrado
ser muy eficientes y confiables. Sin embargo, no todos los
problemas pudieran ser apropiados para esta técnica, y se
recomienda en general tomar en cuenta las siguientes
características del mismo antes de intentar usarla:
• Su espacio de búsqueda o sus posibles soluciones, están
delimitadas dentro de un cierto rango.
• Debe poderse definir una función de aptitud que nos
indique qué tan buena o mala es una cierta respuesta.
• Las soluciones deben codificarse de una forma que
resulte relativamente fácil de implementar en la
computadora.
El primer punto es muy importante, y lo más recomendable es
intentar resolver problemas que tengan espacios de búsqueda
discretos aunque éstos sean muy grandes (MUÑOZ, A.F.,
Aplicación de los algoritmos genéticos en la identificación y
control de bioprocesos por clonación artificial. IEEE
Transactions on Systems, Man, and Cybernetic V 19 No. 2 58-
76, 1998).
Sin embargo, también podrá intentarse usar la técnica con
espacios de búsqueda continuos, pero preferentemente cuando
exista un rango de soluciones relativamente pequeño.
3
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN
Predicción de Sistemas: las salidas de un sistema
deben poder predecirse para crear modelos y
mejorarlos continuamente. Generalmente una fórmula
puede determinar el resultado de una variable de
acuerdo a los datos que se suministren para su cálculo,
la realidad presenta factores que impiden enmarcar tan
sencillamente los resultados de un proceso, por lo tanto
entra en juego basarse en la característica de no
linealidad de los sistemas dinámicos, y se requiere
realizar pruebas con los datos para llegar a plantear un
modelo matemático que intente predecir el
comportamiento del sistema, o de determinada variable
que forme parte del mismo.
Inteligencia Artificial: una definición es, la inteligencia
artificial es un intento por descubrir y describir aspectos
de la inteligencia humana que pueden ser simulados
mediante máquinas. Es una rama de las ciencias de la
computación que trata del diseño de sistemas
inteligentes, es decir, sistemas que presentan
características que normalmente asociamos con la
inteligencia humana: comprensión del lenguaje,
razonamiento, aprendizaje, resolución de problemas,
etc..
Lógica difusa: en los años sesenta, Lofti Zadeth inventó
la lógica difusa o borrosa, que combina los conceptos
de la lógica y de los conjuntos de Lukasiewicz mediante
la definición de grados de pertenencia. La lógica
borrosa es una rama de la inteligencia artificial que se
funda en el concepto "Todo es cuestión de grado", lo
cual permite manejar información vaga o de difícil
especificación. Es entonces posible con la lógica
borrosa gobernar un sistema por medio de reglas de
'sentido común' las cuales se refieren a cantidades indefinidas
(Zadeth, 1975).
Redes neuronales: También llamadas Modelos conexionistas,
procesadores distribuidos y paralelos. Estos proporcionan
mecanismos generales para construir modelos de sistemas a
partir de los mismos datos. En los últimos años, las redes
neuronales artificiales (RNA) se han convertido en herramientas
alternativas de uso frecuente para la resolución de diversos
problemas.
Según Jorge Navarro del Centro de Ciencias de Sinaloa, resume
la experimentación en matemática con IA, así: “Tomando como
base el hecho que las Matemáticas es el estudio de patrones en
las estructuras de entes abstractos y en las relaciones entre
ellas. La IA interviene en el proceso de hacer Matemáticas,
podemos decir que la IA sirve de apoyo en la manipulación de
estructuras complejas; la creación de modelos; también como
medio de resolución de algunos modelos matemáticos
complejos; y en ocasiones sirve de herramienta alternativa a las
matemáticas.”.
La IA ha sido utilizada por ejemplo en problemas de optimización
no lineal (Navarro, 2005), donde se tiene que la función objetivo
es discontinua en hyperplanos di = mi con i = 1,…N. El número
de variables puede ser considerablemente grande (llegar hasta
miles); la región factible, particularmente si se incluyen las
condiciones de veto, es también muy complicada para que los
métodos tradicionales de optimización no lineal puedan ser
aplicados con efectividad. Por estas razones se utiliza un
algoritmo evolutivo para resolver el problema de decisión, pues
estos procedimientos son menos sensibles a la forma de la
región factible, al número de variables de decisión, y a las
propiedades matemáticas de la función objetivo (Coello, 2002).
4
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN
1.2. Justificación: La aplicación de técnicas de IA que
conlleven a soluciones que se acerquen al
comportamiento humano, o a cualquier estado o
fenómeno natural, generará nuevo conocimiento si se
pueden establecer nuevos paradigmas o nuevas
metodologías para la solución de problemas, y en
consecuencia conlleva desarrollo intelectual y
profesional no solo de los investigadores, sino que sería
un aporte a la ciencia interdisciplinariamente,
permitiendo implementar otra(s) línea(s) de
investigación en la Universidad, con proyección al
mejoramiento de la calidad de vida, al poderse aplicar
los nuevos paradigmas a diferentes áreas de las
ciencias.
El uso de la minería de datos genera nuevos
instrumentos para analizar la información y obtener
nuevo conocimiento a partir de datos puros, la
aplicación de los algoritmos genéticos produce nuevas
metodologías para la solución de variados problemas,
especialmente en la optimización de recursos.
1.3. Los objetivos:
1.3.1. Objetivo general: Hacer uso de la IA para solucionar
problemas matemáticos con miras a establecer nuevos
paradigmas que solucionen problemas en diferentes
disciplinas de las ciencias.
1.3.2. Objetivos específicos: 1. Solucionar problemas
fundamentados en el concepto de límite con técnicas de
Inteligencia artificial.
2. Resolver problemas de optimización con Técnicas de
Inteligencia Artificial.
3. Solucionar problemas relacionados con la Estadística con
técnicas de IA.
1.4. Metodología: El tipo de investigación es un híbrido entre
estudios exploratorios y correlacionales al utilizar técnicas de IA,
que han sido poco utilizadas en la solución de problemas de
acuerdo a los objetivos específicos. El objeto de investigación y
el contexto disciplinar o científico son el cálculo diferencial, el
cálculo integral, la estadística y la probabilidad.
De manera mas específica la metodología a utilizar esta basada
en dos aspectos: el primero son los algoritmos genéticos (AGs)
que son métodos adaptativos que pueden ser utilizados en
problemas de búsqueda y optimización. Ellos están basados en
los procesos genéticos y evolutivos de los organismos
biológicos, codificando una posible solución a un problema en
un "cromosoma" compuesto por una cadena de bits o
caracteres. Estos cromosomas representan individuos que son
llevados a lo largo de varias generaciones, en forma similar a las
poblaciones naturales, evolucionando de acuerdo a los
principios de selección natural y de "supervivencia" del más apto
descritos por primera vez por Charles Darwin en su libro "Origen
de las Especies". Y el segundo aspecto que entra en el como
hacer la investigación radica en que los datos de cualquier
evento pueden contener información que se podrían convertir en
conocimiento, si de alguna manera se logra conocer su
comportamiento, o inferir un modelo estructural en los mismos, y
la minería de datos extrae la información que por naturaleza
subyace en los datos, previamente desconocida, pero
potencialmente útil. Con estos resultados se puede obtener el
objetivo propuesto.
5
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

1.5. Cronograma de Actividades y plan de trabajo: Ver productos que corresponden a nuevo conocimiento científico o
anexo 1. tecnológico serán en principio el uso de las técnicas de IA en la
solución de problemas en diferentes disciplinas de las ciencias, como
cálculo diferencial, cálculo integral, estadística e investigación de
1.6. Presupuesto: Ver anexo 2. operaciones entre otras.

1.7. Bibliografía: Bibliografía adicional libros y/o
suscripciones a revistas científicas del tema será dada a
conocer posteriormente.
MUÑOZ, A.F., Aplicación de los algoritmos genéticos en
la identificación y control de bioprocesos por clonación
artificial. IEEE Transactions on Systems, Man, and
Cybernetic V 19 No. 2 58-76, 1998
ADELI, H., Machine Learning: Neural Networks, Genetic
Algorithms, and Fuzzy Systems. John Wiley and Sons,
Inc, 1995.
GOLDBERG, D.E., Genetic Algorithms in Search,
Optimization & Machine Learning. Reading: Addison-
Wesley, 1989.
1.8. Estrategias de divulgación: Publicaciones en las
revistas de la Universidad Santo Tomás y otras, participación
en conferencias, seminarios y congresos entre otros, dentro
y fuera de esta Universidad . Creación de semilleros y líneas
de investigación.
2. Resultados/Productos esperados y potenciales
beneficiarios:
2.1. Relacionados con la generación de conocimiento y/o
nuevos desarrollos tecnológicos: Los resultados o
2.2. Conducentes al fortalecimiento de la capacidad científica
nacional: Los trabajos desarrollados podrán ser trabajos para optar a
los títulos de pregrado y postgrado; a la vez que sirven como
formación de recurso humano a nivel profesional o de postgrado;
también contribuirá a la construcción de cooperación científica
nacional e internacional. El rigor científico será dado por el uso de
teorías aceptadas por la comunidad científica, como algoritmos
genéticos y minería de datos por ejemplo.
2.3. Dirigidos a la apropiación social del conocimiento: Por medio
de publicaciones en revistas, conferencias, seminarios, congresos,
creación de semilleros y líneas de investigación.
3. COMPROMISOS: Los establecidos por la Universidad santo Tomás
de Tunja.
4. Anexar hojas de vida de todos los investigadores.
Ver anexo 3.
Bibliografía consultada y recomendada:
HERNÁNDEZ SAMPIERI. Roberto, y otros. Metodología de la investigación.
México: Editorial McGrawHill, 1991.
COLCIENCIAS. Formatos de presentación de proyectos.
http://www.colciencias.gov.co

Anexo 2. PRESUPUESTO
6
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

• Valor total proyecto: $ 5`000.000

Rubros FUENTES TOTAL

USTA OTRAS PROPIO ESPECIE
PERSONAL
COMPRA
ARRIENDO
EQUIPO
USO
VIAJES 500.000
SUSCRIPCIONE 1`000.000
LIBROS 1`500.000
BIBLIOGRAFÍA
OTROS
SOFTWARE
SERVICIOS TÉCNICOS
CAPACITACIÓN 2`000.000
PUBLICACIONES
ADMINISTRACIÓN
OTROS (DISCRIMINAR)
TOTAL 5`000.000
Nota: El presente cuadro puede ser modificado acorde a las necesidades y características del proyecto.

Viajes: Desplazamientos para capacitación, búsqueda de información y obtención de bibliografía.

7
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

Anexo 1. CRONOGRAMA DE ACTIVIDADES

Mes Mes Mes Mes Mes Mes Mes Mes Mes Mes Mes Mes
Actividad 1 2 3 4 5 6 7 8 9 10 11 12
Revisión del estado del arte
Desarrollar Metodología de
diseño funcional
Mapeo genético, diseño de
algoritmos o uso de software
Aplicar procedimientos de
clonación de operaciones
Realizar pruebas de
resultados
Procesamiento de los
resultados de la investigación
Responsables: Jairo Amador Niño y Claudia Rocío Uribe
Recurso: Material bibliográfico sobre matemáticas e inteligencia artificial.
Resultados esperados: Solucionar problemas de diferentes disciplinas de las ciencias con técnicas de inteligencia artificial.

8
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

4. Anexo 3. Hoja de vida.

APELLIDOS Amador Niño
NOMBRES Jairo
CORREO ELECTRÓNICO jairoamador4@hotmail.com

2. FORMACIÓN ACADÉMICA
MAESTRÍA En Ciencias Computacionales
ESPECIALIZACIÓN Telemática
PREGRADO Ingeniería de Sistemas
PREGRADO Licenciado en Matemáticas y Física
3. EXPERIENCIA LABORAL
Universidad Antonio Nariño Catedrático Externo

UPTC

Fundación Universitaria Juan de

Castellanos
9
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

4. PUBLICACIONES, PONENCIAS, PARTICIPACIONES Y COLCIENCIAS

Publicación, Paradigma hacia el diseño y desarrollo de algoritmos genéticos y sistemas

de control para la clonación artificial en procesos industriales. Revista Cultura
Científica. Fundación Universitaria Juan De Castellanos. Instituto de Investigaciones
Científicas Inicien, ISSN 1657-463X, No. 2, octubre 2004. pag. 66-72.
Publicación, Acercamiento al método de clonación para obtener el fenotipo de un sensor
de viscosidad de fenol. Revista Cultura Científica. Fundación Universitaria Juan De
Castellanos. Instituto de Investigaciones Científicas Inicien, ISSN 1657-463X, No. 3,
octubre 2005. pag. 70-72.

Publicación, El paradigma de la clonación de dispositivos industriales, primeras

aproximaciones. Revista Cultura Científica. Fundación Universitaria Juan De
Castellanos. Instituto de Investigaciones Científicas Inicien, ISSN 1657-463X, No. 4,
octubre 2006. pag. 10-14.

Publicación, Predicción agrometeorológica y agricultura en Boyacá. Revista Cultura

Científica. Fundación Universitaria Juan De Castellanos. Instituto de Investigaciones
Científicas Inicien, ISSN 1657-463X, No. 5, octubre 2007. pag. 44-48.

Publicación, Vectores de probabilidad. Notinicien. No. 3, abril 2004. pag. 12.

Publicación, Paradigma para la clonación artificial. Notinicien. No. 4, febrero 2005. pag.
15.

Publicación, Algoritmos genéticos. Notinicien. No. 5, abril 2006. pag. 7.

Publicación, Minería de datos. Notinicien. No. 9, mayo 2007. pag. 4.

Publicación, Minería de datos VS Estadística. Notinicien. No. 10, septiembre 2007. pag.
4.

10
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

Publicación, Paradigma hacia la clonación artificial de un sensor de viscosidad. Revista

de la Facultad de Ingeniería. Universidad Pedagógica y Tecnológica de Colombia.
Facultad de Ingeniería, ISSN 0121-1129, año 14, No. 18, 2005.

Ponente, Universidad Pontificia Bolivariana, Seminario internacional de informática y

computación.
Ponente, Fundación Universitaria Juan de Castellanos, II Jornada nacional de
actualización en informática y control 2007.
Ponente, Universidad Nacional Abierta y a Distancia, III Jornada de actualización en
Ingeniería de Sistemas.
Ponente, Fundación Universitaria Juan de Castellanos, Seminario Inteligencia artificial.
Algoritmos genéticos.
Ponente, Universidad Pedagógica y Tecnológica de Colombia, I Simposio nacional de
Informática Ingeniería de Sistemas
Ponente, XI Escuela latinoamericana de Verano en Investigación de Operaciones, Villa
de Leyva, Colombia.
Participante, Fundación Universitaria Juan de Castellanos, Seminario Inteligencia
artificial. Algoritmos genéticos
Participante, Fundación Universitaria Juan de Castellanos, Seminario robótica y
software libre
Colciencias, Grupo de Inteligencia Artificial Juan de Castellanos GIA-JDC, Líder del
grupo y Director del proyecto de investigación titulado: Desarrollo de una metodología
para la predicción agrometeorológica aplicando técnicas de inteligencia artificial

5. MENCIONES Y DISTINCIONES

DENOMINACIÓN: Especial reconocimiento por excelente desempeño académico.

11
 UNIVERSIDAD SANTO TOMÁS –TUNJA
CENTRO DE INVESTIGACIÓN

OTORGADA POR: Universidad Antonio Nariño.

FECHA: 21 de noviembre de 1996.

12