Redes de Autmatas de

aprendizaje

Richard Melo

1
CONTENIDO
1. Sistemas y Modelos Matemticos.
2. Redes de Autmatas como modelos de sistemas
complejos.
3. Simulacin estocstica generalizada.
4. Comportamiento y funcionalidad emergente.

2
SISTEMAS Y MODELOS MATEMTICOS

3
Sistema Complejo
(Sistema) Estructura funcional que tiene un conjunto de entidades y diversas
propiedades que determinan las relaciones atemporales, bien sean
estocsticas, determinsticas o difusas.
Est compuesto por gran cantidad de elementos relativamente idnticos. ej:
clulas, personas.
La interaccin entre sus elementos es local y origina un comportamiento
emergente que no puede explicarse a partir de dichos elementos tomados
aisladamente. ej: enjambre de abejas vs desierto.
Es muy difcil predecir su evolucin dinmica futura, es imposible pronosticar
lo que ocurrir ms all de cierto horizonte temporal.

4
Ejemplos de sistemas complejos
El tiempo atmosfrico.
La geodinmica: terremotos y volcanes.
Los ecosistemas.
Los seres vivos.
La conciencia.
Las sociedades.
Las ciudades.

No constituyen casos raros ni excepcionales, se pueden identificar conductas

dinmicas genricas, no importa su naturaleza (fsica, qumica, biolgica o social);
entre ellas, las leyes de crecimiento, la autoorganizacin y los procesos colectivos
emergentes.
5
Simulacin de sistemas y vida artificial
Se pretende disear modelos estocsticos de sistemas complejos empleando redes de
autmatas, el mtodo general consiste en modelar los elementos de un sistema
mediante autmatas de aprendizaje, determinar las relaciones estocsticas que
permiten tales interacciones y as de esta manera construir una red de autmatas. Para
modelar su dinmica se propone un plan adaptativo que otorgue la oportunidad de
evolucionar, una vez construida la red adaptativa de autmatas puede simularse
mediante construccin de generadores V. aleatorias que son usadas en la simulacin
de relaciones estocsticas y en operadores del plan adaptativo.

6
Modelos Matemticos
El punto de partida lo constituyen las variables independientes tiempo-espacio que
se definen como sigue:

en el cual, la primera componente representa el tiempo y las componentes

restantes el espacio. La variable T tambin se reconoce como variable
independiente.

7
Modelos Matemticos
De manera similar se definen las variables dependientes o variables de estado:

donde cada es una funcin de la variable independiente tiempo-espacio:

Para el estudio de sistemas de naturaleza aleatoria la variable X es estocstica y

se denomina vector aleatorio.

8
Redes de Autmatas como modelos de
sistemas complejos

9
Modelo para elementos del sistema
Un elemento puede modelarse
formalmente a travs de un
autmata.

Recordemos que un autmata es

una mquina que recibe una seal
de entrada, asume un estado y
produce una seal respuesta en
un determinado momento en el
tiempo y el espacio.

10
Modelo para elementos del sistema
Ejemplo:

11
12
Modelo para sistemas y subsistemas
Un sistema, en un sentido general, puede modelarse mediante una red de
autmatas interconectadas.

Formalmente, una red de autmatas R es una dupla

Donde:

1. es un multigrafo que tiene como nodos el conjunto de ndices

de los autmatas y donde es un subconjunto del conjunto de partes de x
2. es un conjunto de autmatas.
13
Modelo para la dinmica y adaptacin de sistemas
Una de las caractersticas ms importantes de los sistemas complejos es su
tendencia al cambio en funcin del tiempo-espacio. Esta propiedad, comnmente
denominada dinmica del sistema, es usualmente modelada mediante un conjunto
de ecuaciones diferenciales y en diferencias para sistemas de naturaleza continua
y discreta respectivamente.

En el caso de los sistemas complejos, solucionar tales ecuaciones (inclusive

encontrarlas) es difcil sino imposible. Afortunadamente, este problema puede
abordarse, por lo menos en parte, mediante la teora de sistemas adaptativos y la
simulacin de sistemas estocsticos.

14
Modelo para la dinmica y adaptacin de sistemas
Inicialmente el concepto de Adaptacin de Sistemas Complejos se considera como
una forma de aprendizaje que, al igual que la dinmica del sistema, ocurre en
funcin de la variable independiente tiempo-espacio. En consecuencia, la idea de
adaptacin est ligada funcionalmente a la de dinmica y, naturalmente, al
concepto de entropa entendida esta ltima como la caracterstica de los sistemas
que los hace tender al desorden. Es decir,

15
Modelo para la dinmica y adaptacin de sistemas
De otro lado, existen dos propiedades de particular inters en el estudio de
sistemas complejos adaptativos: Estabilidad y Robustez. En el primer caso, se dice
que un sistema es estable cuando, ante cambios en el ambiente, existe una
persistencia en la tendencia teleolgica de la estructura funcional. Similarmente, un
sistema se dice robusto cuando persiste la tendencia teleolgica ante fallas de las
entidades o subsistemas que lo componen.

En consecuencia, se define Sistema Adaptativo como aquel que modifica su

estructura para mantener o mejorar el logro de los objetivos en un ambiente
cambiante.

16
Modelo para la dinmica y adaptacin de sistemas
As el modelo matemtico Para un sistema adaptativo SA est dado por la
cudrupla

Donde,

Es el conjunto de redes de autmatas posibles.

Es el conjunto de operadores que modifican las redes de autmatas;

con:

Con un conjunto de distribuciones de probabilidad multivariadas sobre

17
Modelo para la dinmica y adaptacin de sistemas
I . Es el conjunto de posibles entradas al sistema desde el ambiente.

. Es una aplicacin dada por:

De forma que:

Nuevamente, las variables aleatorias juegan un papel importante en este enfoque.

18
Modelo para suprasistemas adaptativos
Un suprasistema (SS) es en s mismo una estructura funcional conformada por sistemas complejos. Un caso
tpico se tiene en los ecosistemas en donde varias especies (conjunto de sistemas) interactan en un
ambiente comn.

Red de redes adaptativas. Esto es, formalmente un suprasistema (SS) es una dupla:
e
s un multigrafo.
es la i-sima red adaptativa del modelo del suprasistema.

Las relaciones establecidas en pueden ser estocsticas. En este caso, se dice que el suprasistema es
de aprendizaje.

19
Simulacin estocstica generalizada.

20
Generacin Universal de Variables Aleatorias
Requerimientos para un generador de nmeros aleatorios

Buena distribucin.
Perodo grande.
Posibilidad de repetir (por ejemplo, para hacer un test del programa).
Posibilidad de almacenar el estado de generador.
Posibilidad de transferencia de un lenguaje de programacin a otro y de un
ordenador al otro, con exactamente los mismos resultados.

21
Distribucin -Generalizada
Una vez construida la red adaptativa de autmatas puede simularse mediante la
construccin adecuada de generadores de variables aleatorias a travs de la
distribucin -generalizada.

El mtodo no solo es til en el anlisis de sistemas complejos, sino que permite

construir organismos dotados con vida artificial.

22
Distribucin -Generalizada
La distribucin Lambda de Tukey depende de un solo parmetro y su forma
funcional es esta dada por:

23
Distribucin -Generalizada
Al ser generalizada por (Ramberg & Schmeiser 1974) se conoce como familia de
distribucin lambda generalizada con parametros 1, 2, 3, 4,

1 Localizacin
2 Escala
3 Sesgo (forma)
4 Curtosis (forma) 24
Distribucin -Generalizada

25
Distribucin -Generalizada
La mayor parte de las distribuciones conocidas pueden ser aproximadas mediante
esta tcnica. Por ejemplo, con 1 = 0,12, 2= 0,1975, 3= 0,1349 4 = 0,1349 la
distribucin lambda generalizada resulta ser una buena aproximacin a la
distribucin normal. Adems, pueden obtenerse distribuciones sofisticadas tiles
en vida artificial.

26
Generacin Universal de Variables Aleatorias
Esta distribucin universal puede usarse para generar variables aleatorias con una
funcin de distribucin F arbitraria. En consecuencia, el mtodo, en forma
algortmica, es el siguiente; recordando que un nmero aleatorio es una variable
aleatoria uniformemente distribuida en el intervalo [0,1].

27
Comportamiento y Funcionalidad
Emergente

28
Comportamiento y Funcionalidad Emergente
Muy ligado al concepto de autmatas celulares, se encuentra el comportamiento y
la funcionalidad emergente.

- Funcionalidad: Actividad con el propsito de que el sistema cumpla una tarea

o misin.
- Comportamiento: Actividad regular producto de la interaccin entre el sistema
y su ambiente.

Por medio de la construccin de modelos estocsticos basados en la distribucin

lambda generalizada podemos determinar muchos de los comportamientos y
funcionalidades emergentes obtenidos como consecuencia de la actividad propia
del sistema.
29
Comportamiento y Funcionalidad Emergente
Colonias de Hormigas, Ciudades e incluso el cerebro humano son la
representacin en la realidad de la inteligencia colectiva y el conocimiento
ascendente.

Este tipo de comportamientos es fundamental a la hora de hablar de nuevas

tecnologias de informacion y punto crucial para la inteligencia artificial.

30
Comportamiento y Funcionalidad Emergente

El caso de estudio del Moho de Fango:

El moho de fango es un organismo sin sistema cerebral central; sin embargo posee un alto grado de
inteligencia.

En 1962, B. M. Shafer (estudiante de Harvard) describi como los marcapasos del moho de fango usaban
una sustancia que baaba a toda la comunidad, y cada clula aislada pasaba la seal a sus vecinas. En la
mayora de las situaciones de la vida (en el funcionamiento de nuestro cuerpo, en los sistemas polticos, en
las organizaciones sociales) aparece esta teora de sistemas de mando y jerarquas. En el caso del moho
de fango, los investigadores no podan descubrir quin era el general de esa jerarqua. Despus de
treinta aos, descartaron esta teora, y anunciaron que no hay un lder o una clula madre, sino que las
clulas siguen los pasos de otras clulas o las estimulan a arrimarse
31
32
QUIZ
1. A partir de la siguiente tabla,
construya el grafo
correspondiente.
2. Segn lo explicado, Qu se
entiende por Funcionalidad?
3. Escriba en pseudocdigo el
algoritmo de Generacin
Universal de Variables
Aleatorias

33
Solucin Grafo

34
Bibliografa
- Distribucin A-Generalizada en la Simulacin de Sistemas Estocsticos Complejos - Jorge Eduardo Ortiz
Trivio - 2000
- Comportamiento Emergente e Inteligencia Artificial - Vernica M. Venturini - 2008
- NETWORKS OF LEARNING AUTOMATA Techniques for Online Stochastic Optimization - M. A. L.
Thathachar - 2004
- REDES DE AUTOMATAS COMO MODELOS DE SISTEMAS COMPLEJOS - Jorge Eduardo Ortiz
Trivio
- https://www2.infor.uva.es/~cllamas/fi2/Automatas.pdf

35