Programación de Sistemas Adaptativos

1. Describe la relacion entre percepción, acción y ambiente (con respecto a un sistema adaptativo)

Sistema adaptativo	Percepción	Acción	Ambiente
Definición:	Es un proceso simple en el estimulo de la información, sin necesidad de procesamientos mentales posteriores	Acto de hacer algo	Entorno que afecta al ser
Definición y ejemplo con respecto a un sistema adaptativo:	Es lo que percibe en su entorno a pocos rasgos, aplicando el ejemplo de los paracaidistas de buscar el lugar más optimo (Búsqueda local) la percepción de cada paracaidista es diferente ya que todos están en diferentes niveles de alturas, la percepción de todos es diferente.	Es lo que realiza después tomar la percepción, aplicando el mismo ejemplo del alpinista, este toma la acción de “subir” o “baja” según como perciba, ya sea lo que busque mayor/menor.	Es el lugar donde se realiza y con lo que cuenta, por ejemplo aplicando el (ACO) no es lo mismo el ambiente de una colonia pequeña de hormigas en un gran lugar y muchos puntos a buscar, que un gran numero en un lugar reducido.
Relación:	Un agente inteligente forma gran parte de la inteligencia artificial, y este es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio.

2. Enumera las características de un Algoritmo Genético

Son algoritmos estocásticos, dos ejecuciones distintas pueden dar dos soluciones distintas.
Son algoritmos de búsqueda múltiple, dan varias soluciones.
Son algoritmos que hacen una barrida mayor al subespacio de posibles soluciones válidas, y con diferencia.
Tienen algún elemento aleatorio, por lo que dan soluciones aproximadas, no exactas.
La optimización es función de la representación de los datos. Este es el concepto clave dentro de los algoritmos genéticos, ya que una buena codificación puede hacer la programación y la resolución muy sencillas, mientras que una codificación errada nos va a obligar a estudiar que el nuevo genoma cumple las restricciones del problema, y en muchos problemas tendremos que abortar los que no cumplan las restricciones, por ser estas demasiado complejas. Además, la velocidad de convergencia va a estar fuertemente influenciada por la representación.
Es una búsqueda paramétricamente robusta. Eso quiere decir que hemos de escoger realmente mal los parámetros del algoritmo para que no converga.
Los algoritmos genéticos son intrínsecamente paralelos. Esto significa que, independientemente de que lo hayamos implementado de forma paralela o no, buscan en distintos puntos del espacio de soluciones de forma paralela.

3. Proporciona ejemplos de evaluación, selección, cruza y mutación (AG´s)

Ejemplo: Un escritor tiene que redactar un número de obras de la literatura en un tiempo conocido. Cada libro tiene un tiempo de redacción y un beneficio asociado. Se desea saber cuál es el máximo benecito alcanzable. Cada grupo de obras “aceptadas” se representan con binario a lo que se denomina cromosoma.

While (Iteración==Fin)

{

Evaluación: Cada uno de estos cromosomas de la población inicial que se realizo inicialmente se aplicara una función de aptitud para conocer que tan viable es la solución

Selección: Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados.

Cruza: es el principal operador genético, representa la reproducción sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las características de ambos cromosomas padres.

Mutación: modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de búsqueda que no estaban cubiertas por los individuos de la población actual.

*Remplazo: una vez aplicados los operadores genéticos, se seleccionan los mejores individuos para conformar la población de la generación siguiente

}

4. Enumera las características de Particle Swarm Optimization

Existencia de individuos: Representan soluciones
del problema.

Proceso de evolución: Permite definir cambios en la
población a cada generación

5 . Proporciona un ejemplo de un AC donde apliques una regla 1 (llega hasta t=1).

Ejemplo de un cajero automatica

6. Enumera algunas métricas para analizar redes complejas

Estructura.

1.La distribución de conexiones (o vecinos) P(k): Es la probabilidad de que un nodo escogido al azar tenga k conexiones (o vecinos).Por ejemplo, en una red de contactos sexuales P(k) es la probabilidad de que una persona escogida al azar en una sociedad haya tenido k parejas sexuales distintas a lo largo de su vida.

2. El coeﬁciente de agregación C: Es la probabilidad de que dos nodos conectados directamente a un tercer nodo, estén conectados entre si. Por ejemplo, en una red de amistades, es la probabilidad
de que dos de mis amigos sean ellos mismos amigos uno del otro.

3. La longitud mínima Lij entre dos nodos vi y vj: Es el numero mínimo de “brincos”que se tienen que dar para llegar de un nodo vi de la red a otro nodo vj de la red.

4. La longitud promedio de la red L: Es el promedio de las longitudes mínimas Lij entre todas las posibles parejas de nodos (vi , vj ) de la red.

5. La distribución de tamaños de islas P(s): Es la probabilidad de que una isla este compuesta por s nodos.

6. El tamaño de la isla mas grande, al que denotaremos por S∞.

7. Características de Sistemas Caótico

· Ciclos de retroalimentación o duplicado de periodo

Se repite el período