Inspiraciones biológicas de la ingeniería: aprendiendo lecciones de la madre naturaleza

Abraham Otero Quintana

1/75

Inspiraciones biológicas de la ingeniería: aprendiendo lecciones de la

madre naturalezaAbraham Otero Quintana

[email protected]


2/75

1. Introducción

2. Algoritmos genéticos

3. Redes neuronales artificiales

4. Algoritmos bioinspirados

5. Conclusiones

Índice


3/75

• La ciencia a menudo tiene como objetivo estudiar la naturaleza.

– Física, química, biología, astronomía, geología…

• El objetivo suele ser comprender la naturaleza para tomar ventaja de cómo funciona

– Procesos industriales, diseño de nuevos materiales, medios de transporte, predicción de fenómenos metereológicos…

Inspiraciones biológicas de la ingeniería


4/75

• La madre naturaleza ha tenido que “resolver problemas” complejos, y a lo largo de millones de años de evolución ha encontrado soluciones ingeniosas.

• En ocasiones estas soluciones pueden ser aplicables en ingeniería para resolver problemas complejos que, si no pudiésemos copiar a la madre naturaleza, quizás incluso no podríamos resolver.

Inspiraciones biológicas de la ingeniería


5/75

1. Introducción a la inteligencia artificial




5. Conclusiones

Índice


6/115

• Los algoritmos genéticos son programas que “evolucionan”, simulando en cierto grado la selección natural, y alcanzan a resolver problemas complejos que ni siguiera quienes los crearon comprenden.

John H. HollandJohn H. Holland

Algoritmos Genéticos


7/115

• Caracterización del problema:

– Problemas de búsqueda (optimización: clasificación, diseño, juegos, etc.)

– Disponemos de un espacio de soluciones previsiblemente complejo y amplio o de muchas restricciones difíciles de representar matemáticamente.

– Deseamos encontrar la solución, o la mejor de entre todas.

– La búsqueda está guiada por una función objetivo que tratamos de maximizar (juegos) o minimizar (reconocimiento de patrones).



8/115

• Charles Darwin (1859) introduce la teoría de la evolución en el libro “El origen de las especies por medio de la selección natural”.

• Gregor Mendel (1822) descubre que los caracteres se heredan de forma discreta, y les llama genes.



9/115

• Walther Flemming descubre en 1879 los cromosomas.

• Watson y Crick descubren en los años 1950 el ADN.



10/115

• Existen dos tipos de mecanismos que condicionan la evolución de una especie:

– Mecanismos de disminución de variabilidad:

1. Selección natural.

2. Deriva genética.

– Mecanismos de aumento de la variabilidad:

1. Mutación.

2. Poliploidía.

3. Recombinación.

4. Flujo genético.



11/115

• Los algoritmos genéticos fueron propuestos por Holland en 1970.

• Son métodos sistemáticos para la resolución de problemas de búsqueda y optimización.

• Es decir, hallar una solución S={x1,x2,...,xn} tal que F(x1,x2,...,xn) sea máximo o mínimo (según). {x1,x2,...,xn} se codifican en un cromosoma.

• Aplican métodos análogos a los de la evolución biológica: selección, reproducción sexual y mutación.



12/115

• Codificación: cada individuo (cadena) codifica un conjunto de genes (parámetros) en bloques de código.– Se puede demostrar que la codificación sobre la que actúan mejor los algoritmos genéticos es aquella que emplea un

alfabeto de tamaño dos.

1 0 1 1 0 0 1 0 1 0 0 0 1 1 1 0 1 1 0 0 0

Gen 1 Gen 2 Gen 2 Gen 3 Gen 4



13/115

100101001110011100011101

111001101001110110111110

100101001

111001101

00111

11001

100101001110011100011101

111001101001110110111110

Recombinación de 1 punto

Recombinación de 2 puntos

100101001110

111001101001

110110111110

011100011101

1100011101

0110111110


• Recombinación: se define como el intercambio de subcadenas entre individuos.

• Se habla de recombinación de n-puntos, siendo n el número de puntos de corte.


14/115

• Mutación: se define como la variación en uno o más elementos del código de un individuo.

• Es necesario establecer previamente una frecuencia de mutación. Por ejemplo, uno por mil.

111001101001110110111110

mutación

11100110101 1110110111110



15/115

1. Cada individuo se evalúa según la función objetivo.

2. Las que logran mayor puntuación se aparean entre sí, mediante recombinación.

3. Tiene lugar una mutación en una fracción pequeña de la población, con el fin de que no se dé una población

uniforme.

4. Es necesario un criterio de finalización.



16/115

POBLACIÓN INICIAL

0011101101111101001

1110110101101001000

0000111101101101110

0010010001101001100

01010101001011010110’10

0’60

0’60

0’50

0’45

0’30

0’25

0’20

0111111101101011010

1010101101101100011

APAREAMIENTO

X

X

X

X

0011101101111101001

0111111101101011010

1010101101101100011

1100001101101011111 1100001101101011111

POBLACIÓN RESULTANTE

1010101101101011010

0111111101101100011

1100001101101011111

0’60 1010101101101100011

01111111011010110100’60

0’70

0’60

0011101101111111111

1100001101101001001

0’50

0’50

0’50

0’30

0011101101110101001

mutación



17/115

• Los algoritmos genéticos echan la red sobre el espacio de soluciones.

• Los distintos individuos de la población exploran distintas zonas del espacio de soluciones. Paralelismo.

• Si el problema evoluciona, no es necesario reiniciar la búsqueda. La población constituye un contenedor de conocimiento que puede servir para adaptarse a los cambios.



18/115

• Aplicaciones:

– Control de redes de distribución de gas.

– Control de temperatura de grandes edificios.

– Diseño de turbinas.

– Diseño de redes neuronales.

– Diseño de nuevos fármacos.

– Simulación de ecosistemas. Vida artificial.

– Aprendizaje.

– Minería de datos.



19/115

• Veámoslos en acción: 1D

(http://cs.felk.cvut.cz/~xobitko/ga/)



20/115

• Veámoslos en acción: 3D




21/115

• Veámoslos en acción: problema del viajante




22/115

• Bibliografía:– J. Holland, “Algoritmos genéticos”. Investigación y Ciencia, 192, 38-45,

1992.– D. B. Fogel, “What is evolutionary computation?”. IEEE Spectrum, 26-32,

2000.– C. Z. Janikow y D. St. Clair. “Genetics algorithms. Simulating nature’s

methods of evolving the best design solution”. IEEE Potentials, 31-35, 1995.– D. B. Fogel. “What is evolutionary computation?”. IEEE Spectrum, 26-32,

2000.



23/75

1. Introducción




5. Conclusiones

Índice


24/115

• Cajal describe por primera vez en 1887 los distintos tipos de neuronas.

Estructura de la neurona.

soma

axón

dendritas

Redes Neuronales


• Los contactos entre neuronas se denominan sinapsis, y pueden ser de naturaleza química, eléctrica o mixta.

• En una sinapsis química, la llegada de impulso eléctrico provoca la liberación de neurotransmisores, para los que la dendrita postsináptica posee receptores específicos.

Ejemplo de funcionamiento de una sinapsis química

Redes Neuronales


Redes Neuronales

• La conexión entre dos neuronas puede ser excitadora o inhibidora de la neurona postsináptica.


• La plasticidad neuronal hace referencia a la capacidad del sistema nervioso de remodelar los contactos entre neuronas y la eficiencia de las sinapsis.

Un sistema aprende cuando es capaz de experimentar modificaciones estructurales y/o funcionales que se manifiestan en su comportamiento externo como una mejora en la realización de una tarea.

Redes Neuronales


actividad aferente(entrada)

actividad eferente(salida)

f(θ)

-2

0.2

0.5

PESO

SUMADOR

FUNCIÓNDE

ACTIVACIÓN

• Los pesos constituyen la memoria a largo plazo, y su ajuste corresponde a lo que se denominará aprendizaje.

x1

x2

xn

x1w1

x2w2

xnwn

wixiΣi=1

n

S=f(θ)=1 si

0 en caso contrario

wixi > θΣi=1

n

S

Redes Neuronales


• En el caso más sencillo, la neurona proporciona a la salida un valor de activación o de inhibición.

• Esto se logra mediante la función de activación.

1.0

0.0

t

1.0

0.0

t

función escalón función sigmoide

f f

Redes Neuronales


Redes Neuronales

• Topología de red:


• Tipos de entrenamiento:

– Supervisado: se le presentan a la red ejemplos de clases diferentes.

– No supervisado: la red neuronal busca una partición adecuada del espacio de entrada.

– Mediante refuerzo: no se le proporciona a la red un conjunto ejemplos, pero sí un refuerzo positivo o negativo según clasifique bien o mal.

Redes Neuronales


• Aplicaciones:– Explotación de datos (data mining).– Evaluación en la concesión de préstamos hipotecarios.– Verificación de firmas en cheques.– Predicción en la evolución de mercados.– Reconocimiento de formas en percepción visual.– Diagnóstico médico.– Reconocimiento óptico de caracteres.– Filtrado en telecomunicaciones.– Predicción de demanda de consumo eléctrico.– Control adaptativo en procesos industriales.

Redes Neuronales


• Aplicación militar: reconocimiento de formas.

Una red de Hopfield memorizó aviones o trozos de aviones serbios y reconoció éste bajo la cola de un avión comercial

Redes Neuronales


34/115

• Veamos algunos ejemplos:– http://www.aispace.org/neural/sample2.html

Redes Neuronales


• J. Freeman y D. Skapura, “Redes neuronales: algoritmos, aplicaciones y técnicas de programación”. Addison Wesley, 1993.

• G. E. Hinton, “Redes neuronales que aprenden de la experiencia”. Investigación y Ciencia, noviembre 1992.

• D. R. Hush y B. Horne, “An overview of neural networks. Part I: static networks”. Informática y Automática, 25(1), 1992.

• S. Russell y P. Norvig, “Inteligencia Artificial. Un enfoque moderno”. Prentice Hall, 1996.

• P. Isasi e I. Galván, “Redes Neuronales Artificiales. Un enfoque práctico”. Prentice Hall, 2004.

Redes Neuronales


36/75





5. Conclusiones

Índice


37/75

• Las colonias hormigas, termitas y abejas, entre otras colonias de insectos, constituyen algunos de los sistemas auto-organizados más interesantes.– Administran eficientemente los recursos de la colonia.

– Construyen viviendas complejas.

– Realizan cooperativamente tareas como la búsqueda de alimento, enfrentamiento con enemigos, traslado de objetos, etc.

• … y lo hacen sin un control central y con una comunicación limitada.

• Aparecen comportamientos complicados, coordinados, dirigidos por objetivos a partir de la interacción de múltiples individuos.

Computación Bioinspirada


38/75

• Los investigadores en computación se han inspirado en el comportamiento social de las colonias de insectos para resolver problemas parecidos.

• Se inspiran en los insectos como las RNA se inspiran en la organización del cerebro.

• No por imitar a lo natural se obtiene un buen resultado. Se trata de imitar a lo natural en aquello en lo que lo natural obtiene muy buenos resultados.



39/75

• Los algoritmos basados en colonias de hormigas se inspiran en el comportamiento de las hormigas reales.

• Las hormigas resuelven sus problemas mediante la cooperación multiagente y una comunicación basada en la modificación del entorno.

• Cada hormiga libera una hormona llamada feromona.

• Las hormigas prefieren seguir el rastro de las feromonas.

• Eso les permite optimizar las rutas a seguir hasta el alimento.



40/75

• Una avanzadilla de hormigas sale en busca de alimento siguiendo direcciones aleatorias.



41/75

• Cuando encuentran un obstáculo lo rodean de un modo aleatorio (arriba, abajo, izquierda, derecha).



42/75

• El rastro más corto es más intenso en contenido de feromona, y se convierte en preferido.



43/75

• Supongamos un sistema basado en una red de comunicaciones (red vial, red telefónica, internet).

• Se desea comunicar los puntos A y B.

A

B

• Hacemos que una avanzadilla de hormigas artificiales recorran la red, dejando menos feromona en los nodos más congestionados.

• Las rutas más congestionadas tienen un rastro más débil y se abandonan progresivamente.

• Puesto que la feromona se evapora, el método se adapta a la situación actual de la red.



44/115

• Las hormigas realizan tareas como las de clasificar cadáveres, ordenar la alimentación.

• Estos comportamientos todavía no se conocen bien, pero se pueden modelar mediante comportamientos locales probabilistas:

1. Es más probable recoger un artículo cuando difiere de lo que lo rodea.

2. Es más probable dejar un artículo entre los que se le parecen.

• Podemos resolver nuestros problemas siguiendo esta estrategia.



45/115

• Imaginemos que queremos sentar a mucha gente en un banquete. Parece razonable sentar juntos a los conocidos.

• Podemos construir un grafo que representa la relación conocido: une nodos que corresponden a gente que se conoce.

• Ponemos encima del grafo y una colonia de hormigas.1. Cada hormiga recoge un nodo si está rodeado de nodos

desconocidos.

2. Cada hormiga deposita un nodo si está rodeado de nodos conocidos.



46/115

• Poco a poco se van formando los grupos.

• Algunas utilidades reales de clasificación de este tipo de algoritmos pueden ser:

– Diseño de circuitos electrónicos (los componentes electrónicos conectados deben estar cerca)

– Gestión eficiente de computadoras paralelas (los procesos con dependencia de datos deben ejecutarse en el mismo procesador).



47/115

• Demo: http://www.rennard.org/alife/english/antsgb.html



48/75

• Bibliografía:– J. Schneider, Swarm intelligence, Communications of the

ACM, 45(8), 62-67.



49/75





5. Conclusiones

Índice


50/75

Conclusiones

• Las soluciones de la madre naturaleza no tienen que ser siempre las mejores…


51/75

Conclusiones

• Pero a veces pueden ser sorprendentemente buenas… y sencillas


52/75

¿Preguntas?

Abraham Otero [email protected]

http://www.uspceu.com/

Inspiraciones biológicas de la ingeniería: aprendiendo lecciones de la madre naturaleza

Engineering

Transcript of Inspiraciones biológicas de la ingeniería: aprendiendo lecciones de la madre naturaleza