Fundamentos de logica difusa

Aspecto 1: Explica las características de la lógica difusa.

La logica difusa es una extension de la logica tradicional (Booleana) que utiliza conceptos de pertenencia de sets mas parecidos a la manera de pensar humana 

• El concepto de un subset difuso fue introducido por L.A. Zadeh en 1965 como una generalización de un subset exacto (crisp subset) tradicional.

• Los subsets exactos usan lógica Booleana con valores exactos como por ejemplo la lógica binaria que usa valores de 1 o 0 para sus operaciones

La lógica difusa no usa valores exactos como 1 o 0 pero usa valores entre 1 y 0 (inclusive) que pueden indican valores intermedios (Ej. 0, 0.1, 0.2, …,0.9,1.0, 1.1, …etc)

• La lógica difusa también incluye los valores 0 y 1 entonces se puede considerar como un superset o extensión de la lógica exacta.

Aspecto 2: Describe los elementos que conforman a las redes neurales artificiales.

Las Redes Neuronales se encuentran inspiradas en el comportamiento conocido del cerebro humano (principalmente el referido a las neuronas y sus conexiones), trata de crear modelos artificiales que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales. 

Las redes neuronales artificiales (RNA) son aplicadas en diversos ámbitos de la actividad humana. Una de sus aplicaciones es como herramienta de análisis de información, específicamente dentro de la Bibliometría. En este trabajo se hace una introducción sobre las particularidades de las RNA, específicamente las basadas en el modelo Kohonen (Mapas auto-organizativos). Se exponen los elementos que la integran y se vincula su principio de funcionamiento con la Bibliometría. Se utiliza y caracteriza un software llamado Viscovery SOMine que retoma, para su funcionamiento, el concepto y los algoritmos de los mapas auto-organizativos. Se ejemplifica la utilidad de las RNA, dentro de la Bibliometría, a través de casos prácticos.

Una red neuronal artificial (RNA) se puede definir (Hecht – Nielssen 93) como un grafo dirigido con las siguientes restricciones:

-  Los nodos se llaman elementos de proceso (EP).

-  Los enlaces se llaman conexiones y funcionan como caminos unidireccionales instantáneos

-  Cada EP puede tener cualquier número de conexiones.

-  Todas las conexiones que salgan de un EP deben tener la misma señal.

-  Los EP pueden tener memoria local.

-  Cada EP posee una función de transferencia que, en función de las entradas y la memoria local produce una señal de salida y / o altera la memoria local.

-  Las entradas a la RNA llegan del mundo exterior, mientras que sus salidas son conexiones que abandonan la RNA.

Aspecto 3: Explica las características de los algoritmos genéticos.

Los Algoritmos Gen´eticos (AGs) son m´etodos adaptativos que pueden usarse para resolver problemas de busqueda ´ y optimizaci´on. Est´an basados en el proceso gen´etico de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selecci´on natural y la supervivencia de los m´as fuertes, postulados por Darwin (1859).

Por imitaci´on de este proceso, los Algoritmos Gen´eticos son capaces de ir creando soluciones para problemas del mundo real. La evoluci´on de dichas soluciones hacia valores optimos ´ del problema depende en buena medida de una adecuada codificaci´on de las mismas.

Los principios b´asicos de los Algoritmos Gen´eticos fueron establecidos por Holland (1975), y se encuentran bien descritos en varios textos – Goldberg (1989), Davis (1991), Michalewicz (1992), Reeves (1993)

Los algoritos conocidos son:

- El Algoritmo Genetico Simple

- Extensiones y Modificaciones del AGS

-- Poblaciones

-- Función oibjeto

-- Seleccion

-- Cruce

-- Mutacion

-- Reduccion

-- Geneticos paralelos

Referencias:

[1] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control, Wiley Interscience, NY, 1994

[2] Kartalopoulos, S., Understanding Neural Networks and Fuzzy Logic, IEEE PRESS, NY, 1994

[3] D.H. Ackley (1987). A Connectionist Machine for Genetic Hillclimbing, Kluwer Academic Publishers.

[4] J.T. Alander (1992). On optimal population size of genetic algorithms. Proceedings CompEuro 1992, Computer Systems and Software Engineering, 6th Annual European Computer Conference, 65-70.

[5]] B.K. Ambati, J. Ambati, M.M. Mokhtar (1991). Heuristic combinatorial optimization by simulated Darwinian evolution: A polynomial time algorithm for the traveling salesman problem, Biological Cybernetics, 65, 31-35.

[6] J.E. Baker (1987). Reducing bias and inefficiency in the selection algorithm. Proceedings of the Second International Conference on Genetic Algorithms and Their Applications, 14-21.

[7] W. Banzhaf (1990). The “molecular” traveling salesman, Biological Cybernetics, 64, 7-14.