Redalyc

Sistema de Información Científica

Red de Revistas Científicas de América Latina, el Caribe, España y Portugal

Cardozo Ojeda, Erwing Fabián; Arguello Fuentes, Henry

APRENDIZAJE ESTRUCTURAL DE REDES BAYESIANAS: UN ENFOQUE BASADO

EN PUNTAJE Y BÚSQUEDA
Ciencia e Ingeniería Neogranadina, vol. 21, núm. 1, junio, 2011, pp. 29-50
Universidad Militar Nueva Granada
Bogotá, Colombia

Disponible en: http://www.redalyc.org/src/inicio/ArtPdfRed.jsp?iCve=91122651003

Ciencia e Ingeniería Neogranadina

ISSN (Versión impresa): 0124-8170
revistaing@.umng.edu.co
Universidad Militar Nueva Granada
Colombia

¿Cómo citar? Número completo Más información del artículo Página de la revista

www.redalyc.org
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Ciencia e Ingeniería Neogranadina, Vol. 21-1, pp, 29-50, Bogotá, Junio de 2011, ISSN 0124-8170

APRENDIZAJE ESTRUCTURAL DE REDES BAYESIANAS: UN ENFOQUE

BASADO EN PUNTAJE Y BÚSQUEDA

$%$<(6,$11(7:25.66758&785( /($51,1*$6&25,1*$1'6($5&+
%$6('$3352$&+

Erwing Fabián Cardozo Ojeda

M.Sc.F*UXSRGH,QYHVWLJDFLyQHQ,QJHQLHUtD%LRPpGLFD
(VFXHODGH,QJHQLHUtD6LVWHPDVH,QIRUPiWLFD/3
8QLYHUVLGDG,QGXVWULDOGH6DQWDQder, Bucaramanga - Colombia.
IDELDQFDUGR]R#JPDLOFRP

Henry Arguello Fuentes

3K.'.F3URIHVRU$VLVWHQWH 8QLYHUVLGDG,QGXVWULDOGH6DQWDQGHU,
*UXSRGHLQYHVWLJDFLyQHQ,QJHQLHUtD%LRPpGLFD
(VFXHODGH,QJHQLHUtD6LVWHPDVH,QIRUPiWLFD%XFDUDPDQJD- Colombia.
KHQDUIX#XLVHGXFR

Fecha de recepción:  de diciHPEUHGH

Fecha de aprobación: 19 de PD\RGH

RESUMEN

8QDGHODVPiVUHFLHQWHVUHSUHVHQWDFLRQHVGHFRQRFLPLHQWREDMRLQFHUWLGXPEUH
VRQ ODV 5HGHV %D\HVLDQDV FX\R PD\RU DWUDFWLYR HV OD SURSLHGDG GH SRGHU REWHQHU
GLFKDUHSUHVHQWDFLyQDSDUWLUGH una gran cantidad de datos(OSUREOHPDUDGLFD
en que obtener la estructura GH XQD UHG SURFHGLPLHQWR FRP~QPHQWH OODPDGR
DSUHQGL]DMHHVXQSUREOHPD13-'XURSRUORcual VHKDUHDOL]DGRXQDJUDQFDQWLGDG
GH WUDEDMRV SDUD KDFHU HO DSUHQGL]DMH en los cXDOHV XQR  GH  ORV  HQIRTXHV  PiV
FRQRFLGRVHVHOOODPDGR%DVDGRHQSXQWDMH\E~VTXHGD(VWHDUWtFXORUHYLVDODV
GHILQLFLRQHV EiVLFDV GH ODV 5HGHV ED\HVLDQDV HO HQIRTXH EDVDGR HQ SXQWDMH \ las
E~VTXHGDV\VXVGHULYDGRVHVWRHVHOHQIRTXHKtEULGR\ODE~VTXHGDGHFODVHVGH
HTXLYDOHQFLDDGHPiVGHVFULEHDOJXQRVDOJRULWPRVSDUDFDGDHQIRTXH\SUHVHQWDXQ
resumen de los resultados de los últimos trabajos realizados.

Palabras clave   UHGHV  ED\HVLDQDV DprenGL]DMH  EDVDGR HQ SXQWDMH \ E~VTXHGD

aprendizaje KtEUido, aprendizaje de clases de equivalencia.

ABSTRACT

2QH RI WKH PRVW UHFHQW NQRZOHGJH UHSUHVHQWDWLRQV XQGHU XQFHUWDLQW\ DUH %D\HVLDQ
1HWZRUNVZKRVHPDLQFDSWLYDWLRQLVWKHSURSHUW\WRREWDLQVXFKDUHSUHVHQWDWLRQIURP


 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

D ODUJH DPRXQW RI GDWD 7KH LVVXH LV WKDW JHWWLQJ D QHWZRUN VWUXFWXUH LV D 13-KDUG
problem –FRPPRQO\ D OHDUQLQJ SURFHVV– VR WKHUH KDV EHHQ D ORW RI OHDUQLQJ ZRUN
ZKHUHRQHRIWKHEHVWNQRZQPHWKRGVLVFDOOHGEDVHGVFRULQJDQGVHDUFKDSSURDFK
7KLV SDSHU UHYLHZV WKH EDVLF GHILQLWLRQ RI %D\HVLDQ QHWZRUNV WKH VFRULQJ-and-
VHDUFK-EDVHGDSSURDFKDQGE\-SURGXFWVWKDWLVWKHK\EULGDSSURDFKDQGWKH VHDUFK
IRU HTXLYDOHQFH FODVVHV LQ DGGLWLRQ GHVFULEHV VRPH DOJRULWKPV IRU HDFK DSSURDFK
DQGJLYHVDVXPPDU\RIUHVXOWVRIUHFHQWZRUN

Key words: bD\HVLDQ QHWZRUNV VFRULQJ DQG VHDUFK OHDUQLQJ K\EULG OHDUQLQJ
equivalence classes learning.

INTRODUCCIÓN

/D UHSUHVHQWDFLyQ GH UHGHV GH LQWHUDFFLRQHV SRU medio de modelos matemáticos,
UHTXLHUH H[WUDHU ORV DVSHFWRV GH LQWHUpV GHO IHQyPHQR ELROyJLFR SDUD ORJUDU XQD
DSURSLDGD GHVFULSFLyQ 6HJ~Q ,-&KXQ &KRX HW DO >@ VH GHEH WHQHU HQ FXHQWD ORV
VLJXLHQWHV  DVSHFWRV HQ  ODV  LQWHUDFFLRQHVGH  XQ  VLVWHPDELROyJLFR para llevar a
FDER GLFKa labor: lD  DOWD FRPSOHMLGDG \ OD QR OLQHDOLGDG GH VXV UHODFLRQHV Oas
respueVWDVGLQiPLFDV\MHUDUTXtDGHVXVHOHPHQWRVHVGHFLU, los elementos en sus
interacciones que pueden SHUWHQHFHU D GLIHUHQWHV QLYHOHV - GH SURWHtQDV JHQHV R
metabolitos - \ Hl comportamiento estocástico de sus elementos, especialmente
FXDQGRH[LVWHQSRFDVPROpFXODVGHXQDPLVPDHVSHFLH

([LVWHQ YDULRV PRGHORV PDWHPiWLFRV TXH VH KDQ SURSXHVWR SDUD UHSUHVHQWDU UHGHV
de interacciones que involucran la regulaciyQ GH OD H[SUHVLyQ JHQptica 'LIHUHQWHV
UHYLVLRQHV VH KDQ KHFKR HQ OD ELEOLRJUDItD GHVGH GHVFULSFLRQHV JHQHUDOHV >@
HYDOXDFLyQ GH VX GHVHPSHxR >@ HVWXGLR GH OD LQIRUPDFLyQ HQ ODV HQWUDGDV GDWRV
H[SHULPHQWDOHV ODV VDOLGDV LQIHUHQFLDV GHO PRGHOR [4], \ OD UHYLVLyn de los
VXSXHVWRVELROyJLFRV\OLPLWDFLRQHVGHFDGDXQR [5], [6]. Los modelos más utilizados
GHVFULWRVVRQODV5HGHV%RROHDQDVODV(FXDFLRQHV'LIHUHQFLDOHV2UGLQDULDVOLQHDOHV
\QROLQHDOHVWDOHVFRPRPRGHORVFDQyQLFRVRGH0LFKDHOLV0HQWHQ, \ORV0RGHORV
*UiILFRV 3UREDELOtVWLFRVORVPiVFRQRFLGRVlas 5HGHV%D\HVLDQDV

/DUHSUHVHQWDFLyQpor escoger depende entonces de ciertos criterios [1] que

son espectILFRV D  ORV  GDWRV  GLVSRQLEOHV \ D ODV UHVSXHVWDV TXH VH GHVHD
responder, que para el tiSRGHUHGHVTXHHQYXHOYHQJHQHV\SURWHtnas, estos datos,
en especial de series de tiempo, VRQPX\GLItFLOHVGHREWHQHU\ORVHIHFWRVPHGLGRV
son vistos máV GHVGH ODV FRQVHFXHQFLDV GH ORV SURFHVRV HMemplo: DFWLYDFLyQ R
LQKLELFLyQ TXH GHVGH ORV SURFHVRV PLVPRV ejemplo: stQWHVLV GHJUDGDFLyQ etc.,
KDFLHQGR TXH PRGHORV PDWHPiWLFRV FRPR las UHGHV ED\HVLDQDV VHDQ PX\
apropiados.

 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

/DV5HGHVED\HVLDQDVKDQVLGRUHFLHQWHPHQWHDFHSWDGDV\son PX\XWLOL]DGDVSDUD
representar redes de UHJXODFLyQ de la H[SUHVLyQ JHQpWLFD\UHGHVGHVHxalizaciyn >],
[8], >@>@>@>@>@>@>@\>6] entre otros, porque segúQFLWDQ>], [18],
[19] \ RWURV HVWH WLSR GH UHSUHVHQWDFLyQ presenta las siguientes ventajas: logran
presentar las interrelaciones de los elementos como un todR \ QR VyOR SRU VXV
partes, por VXUHSUHVHQWDFLyQPXOWLYDULDEOHtratan el problema del ruido de los datos
H[SHULPHQWDOHVGHVFULEen las complejas relaciones de los elementos con naturaleza
SUREDELOtVWLFD\QROLQHDOUHSUHVHQWDn las relaciones causales de las interacciones \
manejan HYHQWRVTXHQRKDQVLGRREVHUYDGRV\ODLQFHUWLGXPEUHLQKHUHQWHHOORV

(l problema es entonces, REWHQHUXQD5HG%D\HVLDQDFRPRXQDUHSUHVHQWDFLyQGH

conocimiento cuantitativo de las interacciones en XQDUHGELROyJLFD, GHWDOIRUPDTXH
VHD SRVLEOH KDFHU LQIHUHQFLDV VREUH HO IHQyPHQR ELROyJLFR FRQ XQD UHG dada.
)RUPDOPHQWH HO SUREOHPD HV REWHQHU OD HVWUXFWXUD \ SDUiPHWURV GH XQD 5HG
%D\HVLDQD a partir de un conjunto de muestras de los elementos de la red. La
GLILFXOWDG UDGLFD HQ TXH debido al RUGHQ H[SRQHQFLDO del número de posibles redes
ED\HVLDQDV en el espacio de búsqueda, el problema VH GHILQH como 13-duro >@.
3or ello, VHKDQSURSXHVWRGLYHUVRVPpWRGRVKHXUtVWLFRVSDUDKDOODUDSUR[LPDFLRQHV
HQODSUHGLFFLyQGHUHGHV>@(QWUHHVWRVPpWRGRV, VHHQFXHQWUDHOPpWRGREDVDGR
HQ SXQWDMH \ E~VTXHGD que SXHGH VHU GHILQLGR FRPR XQ SUREOHPD GH RSWLPL]DFLyQ
SDUDHOFXDOH[LVWHQGLIHUHQWHVPRGHORVSDUDGDUXQSXQWDMHDODUHGGHDFXHUGRcon
ODVPXHVWUDV>@, \GLIHUHQWHVWpFQLFDVSDUDUHGXFLUHOHVSDFLRGHE~VTXHGD\DVHD
XWLOL]DQGRHOHQIRTXHKtEULGRREuscando SRUFODVHVGHHTXLYDOHQFLD>@ [36].

(VWHDUWtFXORUHYLVDODVGHILQLFLRQHVEiVLFDVGHODV5HGHVED\HVLDQDV GHVGHODWHRUtD
GHJUDIRs \GHSUREDELOLGDG$GHPiV, VHKDFHXQDGHVFULSFLyQIRUPDOGHOSUREOHPD
de aprendizaje sobre HO HQIRTXH EDVDGR HQ SXQWDMH PRVWUDQGR ORV GLIHUHQWHV
PRGHORV PDWHPiWLFRV \ PpWRGRV GH E~VTXHGD HQ OD OLWHUDWXUD $ SDUWLU GH HVWH
HQIRque, SUHVHQWD VXV GHULYDFLRQHV HVWR HV HO HQIRTXH KtEULGR \ OD E~Vqueda de
FODVHV GH HTXLYDOHQFLD 3RU ~OWLPR, presenta un resumen de los resultados, al
FRPSDUDU ORV PpWRGRV PiV XWLOL]DGRV \ D SDUWLU GH ODV FRQFOXVLRQHV GH esas
comparaciones, VH SURSRQH XQD KLSyWHVLV GH XQ PpWRGR GH E~VTXHGD TXH UHFRJH
ODVYHQWDMDVGHORVPpWRGRVDQWHULRUHV

1. REDES BAYESIANAS

3DUD GHVcribir qup HV HO DSUHQGL]DMH GH 5HGHV %D\HVLDQDV primero es necesario
entender de donde proviene el concepto de GLFKDV redes, D SDUWLU GH OD WHRUtD GH
JUDIRV \ GH SUREDELOLGDG /DV VLJXLHQWHV GHILQLFLRQHV SURYHHQ XQ PDUFR DGHFXDGR
para describir en detalle, OR TXH HV XQD 5HG %D\HVLDQD GHVGH OD GHILQLFLyQ GH XQ
GtJUDIR DFtFOLFR KDVWD OD GLVWULEXFLyQ GH SUREDELOLGDG TXH OD UHG UHSUHVHQWD,
mostrando su cualidad principal de independencia condicional3DUDXQDGHVFULSFLyQ

Ciencia e Ingeniería Neogranadina, Vol 21-1 31

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

PXFKRPiVGHtallada, VHSXHGHFRQVXOWDU>@>@>@\>@

Definición 1 8Q Grafo es un par ‫ܺ( = ܩ‬, ‫)ܣ‬, tal que ܺ HV XQ FRQMXQWR ILQLWR GH
HOHPHQWRVOODPDGRVQRGRV\‫ ܣ‬es un subconjunto del conjunto ቄ൛‫ݔ‬௜ , ‫ݔ‬௝ ൟ; ‫ݔ‬௜ , ‫ݔ‬௝ ‫ܺ א‬ቅ,
TXHUHSUHVHQWDHOFRQMXQWRGHODVUHODFLRQHVHQWUHORVQRGRVDORVHOHPHQWRVGH‫ܣ‬
se les llamará DUFRVRDULVWDV8QJUDIRSXHGHVHUUHSUHVHQWDGRcon una matriz de
DG\DFHQFLD‫ܯ‬௔ VLHQGRpVWDHODUUHJOR[݉௜,௝ ]௜ ,௝ஸ|௑| tal que:

1, ൛‫ݔ‬௜ , ‫ݔ‬௝ ൟ ‫ܣ א‬
݉௜௝ = ൜ 
0, ݁݊ ‫݋ݏܽܿ ݋ݎݐ݋‬

Definición 28QJUDIRGLULJLGRRGtJUDIR, HVXQJUDIR ‫ܺ( = ܩ‬, ‫)ܣ‬, donde ܺ es un

conjunto ILQLWR\‫ ܣ‬es un subconjunto de ܺ ଶ 1ytese que todo elemento ൫‫ݔ‬௜ , ‫ݔ‬௝ ൯ ‫ܣ א‬,
WLHQHXQRUGHQRGLUHFFLyQ

Definición 3'DGRXQGtJUDIR‫ܺ( = ܩ‬, ‫)ܣ‬, un camino dirigido es una secuencia

൫‫ݔ‬ଵ , ‫ݔ‬ଶ , … , ‫ݔ‬௣ ൯, tal que para todo ݅ ൑ ‫ ݌‬se cumple que ‫ݔ‬௜ ‫\ ܺ א‬SDUDWRGR݅ ൑ ‫ ݌‬െ 1
se cumple que (‫ݔ‬௜ , ‫ݔ‬௜ାଵ ) ‫ܣ א‬.

Definición 4: 8QJUDIRDFtFOLFR dirigido o dtJUDIRDFtclico es un JUDIR ‫ ܩ‬tal que para

todos los caminos dirigidos de la IRUPD ൫‫ݔ‬ଵ , ‫ݔ‬ଶ , … , ‫ݔ‬௣ ൯, en ‫ܩ‬, se cumple que
‫ݔ‬ଵ ് ‫ݔ‬௣ .

Definición 5 8QD UHG Fausal es una tripleta (‫ܩ‬, ݂௫ , ܳ), tal que ‫ܺ( = ܩ‬, ‫ )ܣ‬es un
GtJUDIRܳ HVXQFRQMXQWRILQLWR\݂௫ : ܺ ՜ ܳ HVXQDIXQFLyn donde los elementos de ܺ
VRQ OODPDGRV YDULDEOHV GH OD 5HG SDUD HVWH FDVR VHUán de tipo discreto \ ܳ es
llamado el conjunto de estados de los elementos de ܺ.

Definición 6: Se dice que dos variables ‫ݔ‬௜ \ ‫ݔ‬௝ GH XQD 5HG &DXVDO HVWiQ
direccionalmente separadas RG-VHSDUDGDV, VLH[LVWHXQDYDULDEOHLQWHUPHGLD‫ݔ‬௞
GLIHUHQWHGH‫ݔ‬௜ \‫ݔ‬௝ , \VHFXPSOHXQDGHODVVLJXLHQWHVFRQGLFLRQHV
x ([LVWHXQDFRQILJXUDFLyQGHODIRUPD‫ݔ‬௜ ՜ ‫ݔ‬௞ ՜ ‫ݔ‬௝ RGHODIRUPD‫ݔ‬௜ ՚ ‫ݔ‬௞ ՚ ‫ݔ‬௝ \
se conoce el estado de la variable ‫ݔ‬௞ .
x ([LVWHXQDFRQILJXUDFLyQGHODIRUPD‫ݔ‬௜ ՚ ‫ݔ‬௞ ՜ ‫ݔ‬௝ \VHFRQRFHHOHVWDGRGHOD
variable ‫ݔ‬௞ .
x ([LVWHXQDFRQILJXUDFLyQGHODIRUPD‫ݔ‬௜ ՜ ‫ݔ‬௞ ՚ ‫ݔ‬௝ \no se conoce el estado de
la variable ‫ݔ‬௞
Si ‫ݔ‬௜ está separada de ‫ݔ‬௝ , dado el conocimiento del estado de la variable ‫ݔ‬௞ , se dice
que ‫ݔ‬௜ \ ‫ݔ‬௝ son condicionalmente independientes, dado ‫ݔ‬௞ \ VH GHQRWD ൫‫ݔ‬௜ ٣
‫ݔ‬௝ | ‫ݔ‬௞ ൯.

 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

'DGR (‫ܩ‬, ݂௫ , ܳ), XQD 5HG &DXVDO \ GDGR [L, un nodo de ‫ܩ‬, sea ߨ௜ el conjunto
൛‫ݔ‬௣ | ‫ݔ‬௣ ՜ ‫ݔ‬௜ ൟ, llamado el conjunto de padres de ‫ݔ‬௜ , sea ݆ una instancia de los
estados de las variables que pertenecen a ߨ௜ R FRQILJXUDFLyQ GH ߨ௜  VHD TL HO
WDPDxR GHO FRQMXQWR { ݆ | ݆HV XQD  FRQILJXUDFLyQ GH ߨ௜ }, \ VHD ‫ ݎ‬HO WDPDxR GHO
conjunto de estados ܳ.

Definición 7 8QD 5HG %D\HVLDQD  HV XQD -tupla (‫ܩ‬, ݂௫ , ܳ, Ĭ), que representa una
'LVWULEXFLyQGH3UREDELOLGDG&RQMXQWDGRQGH
x (‫ܩ‬, ݂௫ , ܳ) HVXQD5HG&DXVDO
x ‫ ܩ‬HVXQGtJUDIRDFtFOLFR
x (OFRQMXQWRܺ de nodos de ‫ ܩ‬es un conjunto {‫ݔ‬௜ | ݅ ൑ ݊}, de variables aleatorias
FRQ U HVWDGRV SRVLEOHV \ Ĭ HV HO FRQMXQWR {ߠ௜ | ݅ ൑ ݊}\ ߠ௜ = {ܲ(‫ݔ‬௜ = ݇|ߨ௜ =
݆) | ݇ ‫ ܳ א‬y ݆ es una configuraciyn de los padres de ‫ݔ‬௜ } donde ܲ(‫ݔ‬௜ = ݇|ߨ௜ = ݆),
denota la probabilidad de que el estado ‫ݔ‬௜ sea ݇GDGRTXHODFRQILJXUDFLyQGH
padres es ݆.

'H DTXt HQ DGHODQWH, VH QRPEUDUi DO GtJUDIR ‫ ܩ‬GH OD 5HG %D\HVLDQD, como la
estructura de la red. La 'LVWULEXFLyQ de probabilidad conjunta que representa la
5HG%D\HVLDQDGHDFXHUGRcon ODUHJODGHODFDGHQDSXHGHVHUH[SUHVDGDFRPROD
multiplicaciyQ GH ODV SUREDELOLGDGHV FRQGLFLRQDOHV GH FDGD YDULDEOH [L, dadas las
variables que la preceden, pero si dos variables aleatorias ‫ݔ‬௜ , ‫ݔ‬௝ ‫ܺ א‬, son
condicionalmente independientes, GDGRHOFRQRFLPLHQWRGHOHVWDGRGH[N, se cumple
que:

ܲ(‫ݔ‬௜ |‫ݔ‬௞ , ‫ݔ‬௝ ) = ܲ(‫ݔ‬௜ |‫ݔ‬௞ ) 

(QWRQFHVGHDFXHUGRcon esta propiedad, ODH[SUHVLyQGHODGLVWULEXFLyQFRQMXQWDVH

reduce a:

ܲ( ‫ݔ‬ଵ , ‫ݔ‬ଶ , . . . , ‫ݔ‬௡ ) = ς௡௜ୀଵ ܲ(‫ݔ‬௜ |ߨ௜ ) 

8QD FDUDFWHUtVWLFD GH XQD 5HG %D\HVLDQD HV VX FDSDFLGDG SDUD LQIHULU OD
probabilidad GHFyPR puede ser el estado de sus variables, dado que se conoce el
HVWDGR GH XQD R YDULDV GH HOODV $ HVWD SUREDELOLGDG, se le conoce como la
probabilidad a posteriori que es pRVLEOHREWHQHUODSRUPHGLRGHO7eorema de BD\HV

2. APRENDIZAJE DE LA ESTRUCTURA DE UNA RED BAYESIANA

(OSUREOHPDGHDSUHQGL]DMHGHXQD5HG%D\HVLDQD, es el problema que se estudiará

en esta propuesta, \ VH FHQWUD HQ HQFRQWUDU XQD HVWUXFWXUD TXH VH DMXVWH D XQ
conjunto de datos, evaluando qup WDQWR VH DMXVWD XQD KLSRWpWLFD UHG D ORV GDWRV,

Ciencia e Ingeniería Neogranadina, Vol 21-1 33

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

cuando se escoge la de mejor SXQWDMH$HVWHHQIRTXH, se le denomina aprendizaje

EDVDGRHQSXQWDMH\E~VTXHGDque VHGHVFULELUiDFRQWLQXDFLyQ

Aprendizaje basado en puntaje y búsqueda (VWH HQIRTXH FRQWLHQH WUHV

elementos ൫‫ܧ‬஻ , ܵ௙ , ‫ܯ‬൯, donde:

(OEspacio-B, ‫ܧ‬஻ , representa el conjunto de todas las estructuras posibles de

5edes BD\HVLDQDVFRQXQQúPHURGHILQLGRGHQRGRVGDGRXQFRQMXQWRGHGDWRV'H
acuerdo con el Q~PHURGHQRGRVGHOJUDIRHOQ~PHURGHSRVLEOHVHVWUXFWXUDVFUHFH
H[SRQHQFLDOPHQWH GH PDQHUD TXH SDUD XQD UHG GH diez nodos, el número de
SRVLEOHVHVWUXFWXUDVOOHJDDORUGHQGH18(OSUREOHPDGHE~VTXHGDGHHVWUXFWXUDV
de acuerdo con HVWH HQIRTXH, es XQ  SUREOHPD 13-'XUR VHJ~Q OR GHPRVWUDGR HQ
>@, por lo cual VH KD SURSXHVWR HO XVR GH PpWRGRV KHXUtVWLFRV GH E~VTXHGD SDUD
KDFHUDSUR[LPDFLRQHVDFHSWDEOHVDSRVLEOHVROXFLRQHV

/D)XQFLyQGHSXQWDMHܵ௙ : ‫ܧ‬஻ ՜ ԹUHSUHVHQWDXQDPHGLFLyQsobre qup tan cercanos

HVWiQ XQD HVWUXFWXUD VHOHFFLRQDGD \ XQ FRQMXQWR GH GDWRV R FRQ TXp probabilidad
SXHGH XQD HVWUXFWXUD GH XQD 5HG %D\HVLDQD, generar un conjunto de datos. La
IXQFLyQGHSXQWDMHWLHQHODVVLJXLHQWHVSURSLHGDGHV>@>@

Separable: /D IXQFLyQ GH SXQWDMH SDUD OH HVWUXFWXUD GH OD UHG, SXHGH VHU GHILQLGD
como la suma de los puntajes para cada nodo, de acuerdo con sus padres en
FRPSDUDFLyQ FRQ HO FRQMXQWR GH GDWRV SDUD GLFKD YDULDEOH, \ VXV SDGUHV, WDPELpQ
llamados SXQWDMHVORFDOHVRIDPLOLDUHV>@.

ܵ௙ (‫ܩ‬: ‫ = )ܦ‬σ௫೔ ‫א‬௑ ܵ௙ (‫ݔ‬௜ , ߨ௜ : ‫)ܦ‬ 

Equivalente: /D IXQFLyQ GH SXQWDMH DVLJQD FRQ HO PLVPR YDORU D HVWUXFWXUDV GH
5HGHV%D\HVLDQDVHTXLYDOHQWHVpero este criterio no se cumple en todos los casos
>@

3DUD GDUOH XQ SXQWDMH D FDGD HVWUXFWXUD GH XQD 5HG %D\HVLDQD HV QHFHVDULR
empezar coQ OD HVWLPDFLyQ GH FDGD SDUiPHWUR GH VX HVWUXFWXUD, basado en un
VLPSOH YDORU 1LMN TXH HV HO Q~PHUR GH RFXUUHQFLDV GH OD YDULDEOH L HQ HO HVWDGR N,
dada XQD FRQILJXUDFLyQ M GH VXV SDGUHV HQHO FRQMXQWR GHGDWRV$ SDUWLU GH DOOt VH
ே
GHILQHHOJUDGRGHYHURVLPLOLWXGPi[LPRߠ௜௝௞ = ே೔ೕೖ , donde ܰ௜௝ = σ௥௞ୀଵ ܰ௜௝௞ >@
೔ೕ

&RQEDVHHQORDQWHULRUVHSUHVHQWDUiQDOJXQDVGHODVIXQFLRQHVGHSXQWDMHTXHKDQ
VLGRSURSXHVWDV\TXHVRQDPSOLDPHQWHFRQRFLGDV 8QDGHODVIXQFLRQHVGHSXQWDMH
más utilizadas >@, HVHO&ULWHULRGHLQIRUPDFLyQ%D\HVLDQDEDVDGRHQOD7HRUtDGH
OD LQIRUPDFLyQ que GHILQH XQ EDODQFH HQWUH HO ORJDULWPR GHO JUDGR GH YHURVLPLOLWXG

34 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

Pi[LPRSDUDWRGRVORVSDUiPHWURVGHODHVWUXFWXUD\ODFRPSOHMLGDGGHODHVWUXFWXUD
VXPDQGRORSULPHUR\UHVWDQGR SHQDOL]DQGR, ORVHJXQGRDVt

௤ ே೔ೕೖ ୪୭୥మ ௡
ܵ௙ (‫ = )ܦ ׷ ܩ‬σ௡௜ୀଵ σ௝ୀଵ
೔
σ௥௞ୀଵ ܰ௜௝௞ log ଶ െ σ௡௜ୀଵ ‫ݍ‬௜ (‫ ݎ‬െ 1) 
ே೔ೕ ଶ

'RQGH Q GHQRWD HO Q~PHUR GH YDULDEOHV Ti el número GH FRQILJXUDFLRQHV GH ORV
padres de la variable Xi \UHOQ~PHURGHHVWDGRVSRVLEOHVSDUDFXDOTXLHUYDULDEOH

8QD VHJXQGD IXQFLyQ GH SXQWDMH IXH SURSXHVWD HQ *) &RRSHUHWDO >@ OODPDGD
0pWULFD N EDVDGD HQ GLIHUHQWHV suposiciones GLVWULEXFLyQ GH YDULDEOHV GLVFUHWDV-
PXOWLQRPLDO LQGHSHQGHQFLD GH ORV HYHQWRV GDWRV VLQ YDORUHV IDOWDQWHV XQLIRUPLGDG
HQ OD GLVWULEXFLyQ GH SUREDELOLGDG GH ORV SDUiPHWURV \ VH H[SUHVD GH OD VLJXLHQWH
manera:

௤௜ (௥ିଵ)!
ܵ௙ (‫ = )ܦ ׷ ܩ‬log(ܲ(‫ ))ܩ‬+ σ௡௜ୀଵ σ௝ୀଵ (ே σ௥௞ୀଵ ݊௜௝௞ ! 
೔ೕ ା௥ିଵ)!

8QD JHQHUDOL]DFLyQ GH OD IXQFLyQ DQWHULRU HV OD GHQRPLQDGD )XQFLyQ %D\HVLDQD GH
'LULFKOHWSURSXHVWDSRU'+HFNHUPDQ>@EDVDGDHQODSUREDELOLGDGDSRVWHULRUi de
una estructura de XQD5ed %D\HVLDQDGDGRXQFRQMXQWRGHGDWRVH[SUHVDGDDVt

௤ ī(௡೔ೕ ) ī(ே೔ೕೖ ା௡೔ೕೖ )

ܵ௙ (‫ܩ‬: ‫ = )ܦ‬log(ܲ(‫ ))ܩ‬+ σ௡௜ୀଵ σ௝ୀଵ
೔
σ௥௞ୀଵ 
ī(ே೔ೕ ା௡೔ೕ ) ī(ே೔ೕ )

'RQGH ī(‫)ݔ‬HV OD IXQFLyQ *DPPD TXH HV XQD H[WHQVLyQ GH OD IXQFLyQ IDFWRULDO SDUD
ORV Q~PHURV UHDOHV \ ݊௜௝௞ VRQ ORV KLSHUSDUiPHWURV GH OD 'LVWULEXFLyQ GH 'LULFKOHW D
priori, dada la estructura de la red.

Más recientemente, se KD propuesto IXQFLRQHVGHSXQWDMHEDVDGDVHQODPpWULFDde

LQIRUPDFLyQ 0XWXD >@, R VH KDQ KHFKR IRUPDV DOWHUQDWLYDV para evaluar una
estructura, XWLOL]DQGRDOJRULWPRVGHLQIHUHQFLD>@ 3RU~OWLPR‫ ܯ‬es un algoritmo que
busca la mejor estructura ‫ܩ‬෢௡ GHXQD5HG%D\HVLDQDWDOTXH

෢௡ = maxீ ‫א‬ா ܵ௙ (‫ܩ‬௡ ‫)ܦ ׷‬

‫ܩ‬ 
೙ ಳ

8QRGHORVSULPHURVDOJRULWPRVSURSXHVWRVIXHHOOODPDGR.SRU*)&RRSHU[@
que busca el conjunto de padres de cada ‫ݔ‬ଵ ‫ ܺ א‬a partir de un conjunto ordenado
de YDULDEOHVSUHGHILQLGR(‫ݔ‬ଵ , ‫ݔ‬ଶ , … . , ‫ݔ‬௜ିଵ ), \XQFRQMXQWRGHHVWDGRVPi[LPRSDUDODV
YDULDEOHVGHWDOIRUPDTXHVHYDDxDGLHQGRXQHOHPHQWRDOFRQMXQWRGHSDGUHV, de
PDQHUDTXHFDGDDGLFLyQVHD la que más alto puntaje se obtenga VHJ~QODIXQFLyQ
de puntaje ܵ௙ 8QDSRVLEOHPHMRUDGHODOJRULWPR.FRQVLVWHHQHQFRQWUDUXQRUGHQ

Ciencia e Ingeniería Neogranadina, Vol 21-1 35

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

SDUD ORV QRGRV \ QR GHILQLUORV HQ IRUPD arbitraria como lo KDFH 1XPDWD [@ \ Xue
:HQ&KHQ[11].

8QD primera DSUR[LPDFLyQ D este problema utLOL]DQGR $OJRULWPRV *HQpWLFRV Sara

XQDLQWURGXFFLyQDHVWHWLSRGHDOJRULWPRVHHQFXHQWUDHQHODUWtFXORGH6LYDQDQGDP
>@ IXH UHDOL]DGD SRU /DUUDxDJD >@ GH WDO IRUPD TXH FDGD FURPRVRPD HQ HO
DOJRULWPR FRGLILFD XQD PDWUL] GH DG\DFHQFLD ‫ ܥ‬que representa a la estructura ‫ ܩ‬de
una 5HG %D\HVLDQD \ FDGD KLMR HV FRUUHJLGR SRU XQ RSHUDGRU TXH TXLWD FLFORV, si
OOHJDQ D H[LVWLU (VWH DOJRULWPR WLHQH OD YHQWDMD de que no necesita un orden
SUHGHILQLGRGHQRGRVFRPRHQN

Otro algoritmo evolutivo utilizado es la 3URJUDPDFLyQ (YROXWLYD >@, que utiliza la

PLVPDUHSUHVHQWDFLyQGH/DUUDxDJD >@FRQFLQFRRSHUDGRUHVSDUDODJHQHUDFLyQ
de KLMRV \ recurre a un espacio de búsqueda reducido utilizando el test de
,QGHSHQGHQFLDFRQGLFLRQDO(VWHDOJRULWPRVXUJHWUDVKDFHUXQDHYDOXDFLyQGHIDOODV
HQFRQWUDGDV HQ ORV DOJRULWPRV JHQpWLFos que según el autor, se encuentran en el
operador de cruce, \ del mejoramiento de un algoritmo basado HQ SURJUDPDFLyQ
evolutiva que realiza el mismo autor.

([LVWH WDPELpQ eO DOJRULWPR GH 2SWLPL]DFLyQ SRU &RORQLD GH +RUPLJDV SDUD XQD
FRPSOHWD H[SOLFDFLyQ GH HVWD FODVH GH DOJRULWPR FRQVXOWDU D 0 'RULJR >@
propuesto por L. M. de Campo >@ GRQGH FDGD FDPLQR GH XQD KRUPLJD N HV
representado como un ‫ܩ‬௛௞ , GH WDO IRUPD TXH FDGD arista DxDGLGD HQ HO FDPLQR,
UHSUHVHQWD OD XQLyQ GH GRV QRGRV FXDOTXLHUD [L [L , HQ XQD HVWUXFWXUD * GH XQD
5HG%D\HVLDQD\ODSUREDELOLGDGFRQODcual XQDKRUPLJDNDxDGHXQDDULVWDHQVX
camino, GHSHQGH GH XQD LQIRUPDFLyQ KHXUtVWLFD ݊௜௝ = ݂൫‫ݔ‬௜ , ߨ௜ ‫ݔ ڂ‬௝ ൯ െ ݂(‫ݔ‬௜ , ߨ௜ ). (VWe
algoritmo utiliza HODOJRULWPR.SDUDJHQHUDUXQFRQMXQWRLQLFLDOGHKRUPLJDV\HO+LOO
Climbing &+ [18], SDUD KDFHU E~VTXHGDV LQWHUPHGLDV FDGD‫ݐ‬௦௧௘௣ SDVRV \ VHJ~Q HO
DXWRUHVPHMRUHQUHQGLPLHQWRTXHHODOJRULWPR&+

8QD mejora a este algoritmo, es realizada por Jun-=KRQJ [34], que DxDGH un
SDUiPHWURZDODLQIRUPDFLyQKHXUtVWLFDEDVDGRHQODPpWULFDGH,QIRUPDFLyQ0XWXD
\DTXHGHILQHODGHSHQGHQFLDHQWUHORVQRGRVFDQGLGDWRVDXQLUVH$GHPiV, antes de
KDFHU OD E~VTXHGD XWLOL]DQGR OD PpWULFD GH LQIRUPDFLyQ  0XWXD GH RUGHQ FHUR VH
reduce el espacio de búsqueda.

2WURV PpWRGRV XWLOL]DGRV SDUD OD E~VTXHGD GH HVWUXFWXUDV VRQ ORV SURSXHVWRV SRU
=KLKXD 'X >@ \ 3 $' &DVWUR >@ ORV FXDOHV XWLOL]DQ HO PpWRGR GH 2SWLPL]DFLyQ
SRU(QMDPEUHGHSDUWtFXODV\6LVWHPDV,QPXQHV$UWLILFLDOHVrespectivamente.

Aprendizaje Híbrido (VWH HQIRTXH en vez de seguir el HQIRTXH DQWHULRU PLGH OD
independencia condicional de las variables, siguiendo una medida llamada

36 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

,QIRUPDFLyQ 0XWXD con base en HO WHVW FKL-FXDGUDGR >@ \ VH FRPSDUD FRQ XQ
XPEUDO Į La LQIRUPDFLyQ PXWXD de dos variables ‫ݔ‬௜ \ ‫ݔ‬௝ , dado un conjunto z de
variables intermedias entre ellas, VHGHILQHFRPR

௉൫௫೔ ,௫ೕ ห௭൯

‫݀݊ܫ‬൫‫ݔ‬௜ , ‫ݔ‬௝ , ‫ݖ‬൯ = σ௫೔ ,௫ೕ,௭ ܲ൫‫ݔ‬௜ , ‫ݔ‬௝ , ‫ݖ‬൯ log 
௉(௫೔ |௭)௉൫௫ೕ ห௭൯

(ORUGHQGHODPHGLGDGH,QIRUPDFLyQ0XWXDHVHOQ~PHURGHHOHPHQWRVGHOFRQMXQWR
z. $ partir de esta medida se FRQVWUX\H una red que contiene las separaciones
direccionales correspondientes a las independencias condicionales medidas.

'HVSXpV del procedimiento DQWHULRU HO UHVXOWDGR HV XQD UHGXFFLyQ GHO HVSDFLR GH
búsqueda ‫ܧ‬஻ , descartando relaciones entre nodos que no cumplen con la PpWULFD de
,QIRUPDFLyQ0XWXDGDGRHOXPEUDOĮ \OXHJR, EDVDGRHQHOHVSDFLRIDFWLEOHJHQHUDGR,
se realiza la búsqueda con base HQSXQWDMH\E~VTXHGD 3RUlo WDQWRHVWHHQIRTXH
se llama KtEULGR por TXH XQH HO HQIRTXH GH DSUHQGL]DMH basado en puntaje \
búsqueda, FRQODSUHGLFFLyQGDGDSRUODPHGLGDGHLQGHSHQGHQFLDFRQGLFLRQDO

(QWUH los trabajos realizados con este HQIRTXH, se encuentra el de Man Leung :ong
[31], que utiliza una búsqueda basada en 3URJUDPDFLyQ (YROXWLYD, utilizando los
cuatro RSHUDGRUHV PHQFLRQDGRV HQ  OD  VHFFLyQ  DQWHULRU HO  UHDOL]DGR SRU  Jun-
=KRQJ -, [34], que DxDGH DO  WUDEDMR GH Luis M. de Campos [33], el test de
,QGHSHQGHQFLDFRQGLFLRQDOpara UHGXFLUHOHVSDFLRGHE~VTXHGD el desarrollado por
Xue wHQ&KHQ >@TXHFRQVWUX\HXQJUDIRLQLFLDOQRGLULJLGREDVDGRHQODPpWULFD
GHLQIRUPDFLyQPXWXD\OXHJR, REWLHQHXQFRQMXQWRRUGHQDGRGHQRGRVSDUDKDFHUOD
búsqueda por el algoritmo . HO desarrollado por Laura (. Brown ,oannis
7VDPDUGLQRV [36], que llama a su algoritmo 0D[-0LQ +LOO-&OLPELQJ 00+&,
KDFLHQGRXQDUHGXFFLyQGHOHVSDFLRGHE~VTXHGDFRQXQDOJRULWPROODPDGR003&
EDVDGR HQ HO DQiOLVLV GH ODV GHSHQGHQFLDV HQWUH YDULDEOHV HO de *XL Xia Liu [8],
que realiza una búsqueda posterior basada en un algoritmo JHQpWLFR que utilizan
operadores basados HQFRPSXWDFLyQLQPXQHSURSXHVWRHQLicKHQJ Jiao >@, PDV
DSOLFDFLRQHV GH HVWRV RSHUDGRUHV \ su HILFLHQFLD HQ algoritmos como Colonia de
+RUPLJDV HQ >@ >@ \ >@ \ más reciente el trabajo de 3.C. 3Lnto [41], que es
XQD PHMRUD DO DOJRULWPR 00+&, pero utiliza una UHSUHVHQWDFLyQ con Colonias de
+RUPLJDVOODPDGR00$&2TXHVHJ~Q el autor, obtiene mejores resultados que los
trabajos anteriores.

3. APRENDIZAJE DE LAS CLASES DE EQUIVALENCIA

(O concepto de clases de equivalencia GH5HGHV%D\HVLDQDV, provee un componente

FODYH SDUD HO SUREOHPD GH DSUHQGL]DMH \D TXH GRV HVWUXFWXUDV GLIHUHQWHV SXHGHQ
GHVFULELUODPLVPDGLVWULEXFLyQGHSUREDELOLGDG por esto, VHGDUiXQDUHYLVLyQUiSLGD
a ODV GHILQLFLRQHV EiVLFDV VREUH OD HTXLYDOHQFLD HQWUH HVWUXFWXUDV \ FODVHV GH

Ciencia e Ingeniería Neogranadina, Vol 21-1 

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

equivalencia para más detalle, FRQVXOWDUHQ>], [@>@\>44].

Definición 8'RVHVWUXFWXUDV‫ܩ\ ܩ‬ƍ son Markov Equivalentes VL\Vylo si para toda

5HG%D\HVLDQD ‫ܩ( = ܤ‬, ݂, ܳ, ߠ), H[LVWHXQD5HG%D\HVLDQD ‫ ܤ‬ƍ = (‫ ܩ‬ƍ , ݂, ܳ, ߠ ƍ ) tal que ‫ܤ‬
\ ‫ܤ‬ƍ tLHQHQ OD PLVPDGLVWULEXFLyQ GH SUREDELOLGDG \ GHVFULEHQHO PLVPR FRQMXQWR GH
independencias.

Definición 9: 'DGRXQGtJUDIRDFtFOLFR*HOesqueleto GH*HVHOJUDIRQRGLULJLGR

TXHVHREWLHQHDORPLWLUODGLUHFFLyQGHODVDULVWDVGH*

Definición 10: 8QD estructura-v es una tripleta ൫‫ݔ‬௜ , ‫ݔ‬௝ , ‫ݔ‬௞ ൯ ‫ ܺ א‬tal, que se cumple
que: ‫ݔ‬௜ ՜ ‫ݔ‬௝ , ‫ݔ‬௝ ՚ ‫ݔ‬௞ \ODDULVWD(‫ݔ‬௜ , ‫ݔ‬௞ ), QRSHUWHQHFHD$(QRWUDV palabras, es una
HVWUXFWXUDGHODIRUPD‫ݔ‬௜ ՜ ‫ݔ‬௝ ՚ ‫ݔ‬௞ .

Teorema 1 'RV HVWUXFWXUDV * \ *¶ VRQ HTXLYDOHQWHV VL \ VROR VL WLHQHQ HO PLVPR
HVTXHOHWR\ODVPLVPDVestructuras-v.

Definición 11: 8Qdígrafo acíclico parcial HVXQJUDIRDFtFOLFR que contiene aristas

GLULJLGDV\QRGLULJLGDV

'DGR HO HVSDFLR QR YDFtR (% GH HVWUXFWXUDV GH 5HGHV %D\HVLDQDV OD UHODFLyQ GH
HTXLYDOHQFLDV HQWUH HVWUXFWXUDV HQ GLFKR HVSDFLR GHQRWDGD FRPR ~, cumple las
siguientes propiedades :

5HIOH[LYLGDG ‫ܧ א ܩ׊‬஻ |‫ܩ~ܩ‬ 

6LPHWUtD ‫ܩ׊‬, ‫ܩ‬ƍ ‫ܧ א‬஻ |ܵ݅‫ܩ~ܩ‬ƍ ֜ ‫ܩ‬ƍ~‫ܩ‬ 

7UDQVLWLYLGDG ‫ܩ׊‬, ‫ܩ‬ƍ, ‫ܩ‬ƍƍ ‫ܧ א‬஻ |ܵ݅‫ܩ~ܩ‬ƍ ‫ܩ ר‬ƍ~‫ܩ ֜ ܩ‬ƍƍƍ 

/XHJRGLFKDUHODFLyQHVGHHTXLYDOHQFLD

Definición 12: 'DGR XQ GtJUDIR DFtFOLFR SDUFLDO 3 VH GHILQH VX clase de
equivalencia DVt
[ܲ] = {‫ܧ א ܩ‬஻ |‫}ܲ~ܩ‬ 

Si la arista ‫ݔ‬௜ ՜ ‫ݔ‬௝ HVWiSUHVHQWHHQWRGR*‫]ܲ[ א‬, se dice que ‫ݔ‬௜ ՜ ‫ݔ‬௝ HVIRU]DGD6L
una arista ‫ݔ‬௜ ՜ ‫ݔ‬௝ QRHVIRU]DGDVHGLFHTXHHVUHYHUVLEOH

Definición 138QGtJUDIR DFtFOLFRSDUFLDOFRPSOHWRHVXQGtJUDIRDFtFOLFRSDUFLDOWDO,

que WRGDDULVWDIRU]DGDHVXQDDULVWDGLULJLGD\WRGDDULVWDUHYHUVLEOHHVXQDDULVWDQR
dirigida.

38 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

Teorema 2: 'DGRXQHVSDFLRGHHVWUXFWXUDVGH5HGHV%D\HVLDQDV‫ܧ‬஻ H[LVWHXQ~QLFR

GtJUDIRDFtFOLFRSDUFLDOFRPSOHWRSRUFDGDFODVHGHHTXLYDOHQFLDHQGLFKRHVSDFLR

(ODSUHQGL]DMHGH&ODVHVGH(TXLYDOHQFLDGLILHUHGHODSUHQGL]DMHHVWUXFWXUDOHQTXH
HO(VSDFLRGH%~VTXHGDGHODVFODVHVGHHTXLYDOHQFLDGHQRPLQDGR ‫ܧ‬ா , tiene las
siguientes propiedades:
x Contiene un conjunto de estados que son las clases de equivalencia que
FRQIRUPDQGLFKRHVSDFLR
x &DGD HVWDGR WLHQH XQD UHSUHVHQWDFLyQ TXH HV XQ JUDIR DFtFOLFR SDUFLDO
completo.
x ([LVWH un FRQMXQWR GH RSHUDGRUHV SDUD KDFHU SRVLEOH HO PRYLPLHQWR HQWUH ORV
estados en un solo paso.

/XHJR OD SULQFLSDO YHQWDMD GH HVWH HQIRTXH, es que dado que los operadores
permiten el paso de una clase a otra, se evita el movimiento dentro de una misma
FODVH TXH GHVIDYRUHFtD OD E~VTXHGD HQ HO HVSDFLR (% SXHVWR TXH OD IXQFLyQ GH
SXQWDMHHVHTXLYDOHQWHSDUDPiVGHWDOOHFRQVXOWDUHQ>@>@>@\[44]. $SHVDU
de ODYHQWDMDTXHWLHQHODE~VTXHGDGHFODVHVGHHTXLYDOHQFLDVPiV precisamente
GH  JUDIRV DFtFOLFRV parciales FRPSOHWRV, la búsqueda no es trivial, puesto que el
núPHURGHFODVHVGHHTXLYDOHQFLDWDPELpQFUHFHH[SRQHQFLDOPHQWH, de acuerdo con
ODIRUPDcomo crece el número de nodos [45@>@\>@

(VWH HQIRTXH KD sido revisado por algunos autores, como >@, que KDFH XQD
UHYLVLyQGH búsqueda de clases de equivalencia utilizando algoritmos evolutivos [48],
que utilizan los operadores para moverse en distintas clases de equivalencia al
PRPHQWRGHODFRQVWUXFFLyQGHXQFDPLQR, XWLOL]DQGRHOPpWRGRGHRSWLPL]DFLyQGH
&RORQLDGH+RUPLJDV propuesto por [33], [49], [@, que desarrollyun mejoramiento
en la búsqueda en ((, utilizando un algoritmo KLEULGR entre un algoritmo JHQpWLFR,
utilizando FDUDFWHUtVWLFDV de 6LVWHPDV ,QPXQHV $UWLILFLDOHV que aplican un operador
de vacuna, XWLOL]DQGRHOWHVWGH,QGHSHQGHQFLD&RQGLFLRQDO \SRU~OWLPR, el algoritmo
realizado por [51], denominado $&2-( que mejora los algoritmos anteriores,
utilizando Colonia de +RUPLJDV H[WHQGLHQGR el trabajo H[SXHVWR en 5RQDQ 'DO\
>@, \XWLOL]DQGR una WpFQLFD para manejar más rápidamente las restricciones de los
operadores [53].
4. EVALUACIÓN DEL APRENDIZAJE

/D PHWRGRORJtD de (YDOXDFLyQ del aprendizaje que se usa en gran parte de la

OLWHUDWXUDHQWUHODVPiVUHFLHQWHV>], [41@\ [@, con el siguiente protocolo:
1. Se escoge XQFRQMXQWRGH5HGHV%D\HVLDQDVFRQRFLGDVTXHVRQHVWiQGDUVXV
HVWUXFWXUDV\SDUiPHWURV 1.

1
http://compbio.cs.huji.ac.il/Repository/

Ciencia e Ingeniería Neogranadina, Vol 21-1 39

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

 3DUD FDGD XQD GH ODV UHGHV VH JHQHUDQ GLIHUHQWHV FRQMXQWRV GH GDWRV TXH
YDUtDQGHVGHPXHVWUDVSRUYDULDEOHVGHQWURGHODUHGKDVWD
3. 3DUD FDGD XQR GH ORV FRQMXQWRV GH GDWRV, se ejecuta cada algoritmo por
evaluar.
4. 3DUDFDGDDOJRULWPRWDQWRHQHMHFXFLyQFRPRFRQODUHGREWHQLGDVHKDFHOD
HYDOXDFLyQ, XWLOL]DQGRODVVLJXLHQWHVPpWULFDV [36] \>@:

Función de Puntaje: (VODPpWULFDXWLOL]DGDHQHODOJRULWPRSDUDHYDOXDUODFHUFDQtD

GHODUHGFRQVWUXLGD\ORVGDWRV\FRPRWDOHVODTXHSULPHURHYDO~DORVUHVXOWDGRV
del algoritmo.

Distancia Estructural de Hamming (SHD, por sus siglas en inglés): (V HO

promedio entre lRV DUFRV DxDGLGRV RPLWLGRV H LQYHUWLGRV HQ GLUHFFLyQ pntre la
HVWUXFWXUDJHQHUDGDSRUHODOJRULWPR\ODHVWUXFWXUDGHODFXDOVHJHQHUDURQORVGDWRV
iniciales. /D REWHQFLyQ GHHVWDPpWULFD VHGHVFULEH HQ HO $OJRULWPR GRQGH H \ G
VRQ ORV GtJUDIRV DFtclicos parciales obtenidos por el algoritmo como el inicial de
donde se generaron los datos respectivamente.

Número de evaluaciones o llamadas estadísticas (NSC, por sus siglas en

inglés): 'HYXHOYHHOQ~PHURGHOODPDGDVTXHKDFHHODOJRULWPRDODIXQFLyQREMHWLYR
RDRWUDVIXQFLRQHVPDWHPiWLFDVTXHVHXWLOLFHQHQHODOJRULWPRFRPRSRUHMHPSOR: la
IXQFLyQ GH DQiOLVLV GH GHSHQGHQFLD &DEH DQRWDU TXH HV XQD PpWULFD TXH PLGH OD
complejidad del algoritmo.

Algoritmo 1: $OJRULWPR6+'WRPDGRGH>@
Entrada: +construida, *Verdadera
Salida: VKG
1. VKG 
2. para FDGDDUFR( en + GLIHUHQWHHQ* KDFHU
3. si (QRestá HQ+entonces
4. VKG VKG
5. ILQVL
6. si (HVWDHQ+\QRHQ*entonces
7. VKG VKG
8. ILQVL
9. si (HVWDHQ+HQGLIHUHQWHGLUHFFLyQTXH*entonces
10. VKG VKG 
11. ILQVL
12. ILQSDUD

Se escogieron los resultados obtenidos en los trabajos de >@>@\>@, por que

SUHVHQWDQXQDFRPSDUDFLyQGHORV~OWLPRV\PiVFRQRFLGRVDOJRULWPRV, utilizando el

 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

protocolo \Dmencionado3DUDFDGDXQRFRPRVHPXHVWUDHQORVFXDGURV,,,\,,,
GHO$QH[R$VHHVSHFLILFDODVPpWULFDVXWLOL]DGDVSDUDHYDOXDUODV5HGHV%D\HVLDQDV
utilizadas, la cantidad de muestras, los algoritmos evaluados, los resultados
obtenidos de acuerdo con FDGDPpWULFD\XQDFRQFOXVLyQ

5. CONCLUSIONES Y DISCUSIÓN

(Q HVWH WUDEDMR, VH HQFRQWUy TXH OD REWHQFLyQ GH XQD HVWUXFWXUD GH XQD 5HG
%D\HVLDQDTXHPHMRUVHDMXVWHDXQFRQMXQWRGHGDWRVVHKDtratado GHGLIHUHQWHV
maneras, pero se puede concluir lo siguiente:

+D\ PD\RU UHQGLPLHQWR, si se evita la búsqueda UHGXQGDQWH H LQHILFLHQWH, en una

misma clase de equivalencia, utilizando operadores que permitan el movimiento
HQWUHGLIHUHQWHVFODVHVGHHTXLYDOHQFLDHQODE~VTXHGD, FRPRVHKDGHPRVWUDGRHQ
'DYLG0D[ZHOO>@XWLOL]DQGRHODOJRULWPR*UHHG\-(

+D\ PD\RU rendimiento del algoritmo VL VH XWLOL]D XQ HQIRTXH KLbrido, es decir, si
antes de KDFHU XQD E~VTXHGD KHXUtVWLFD, se reduce el espacio de búsqueda
KDFLHQGRDQiOLVLVGHGHSHQGHQFLDFRPRORHVHOWUDEDMRGHLaura ( Brown ,RDQQLV
7VDPDUGLQRV [36], TXH XWLOL]D HO DOJRULWPR 003& SDUD UHGXFLU HO HVSDFLR GH
búsqueda.

(OWUDEDMRGHLaura ( Brown ,RDQQLV 7VDPDUGLQRV [36], describe que cuando se

XWLOL]D HO DOJRULWPR 003& SDUD UHGXFLU HO HVSDFLR GH E~VTXHGD VH REWLHQH PD\RU
UHQGLPLHQWR TXH HO DOJRULWPR *UHHG\-( >@ D SHVDU de que realiza la búsqueda
entre clases de equivalencia.

Basados en los trabajos de 'DYLG 0D[ZHOO >@ \ Laura ( Brown ,RDQQLV

7VDPDUGLQRV [36], VHKDQUHDOL]DGRYDULRVWUDEDMRVSHURHQWUHORVPiVUHFLHQWHV,
se destacan dos de ellos que utilizan 2SWLPL]DFLyQ EDVDGRHQ&RORQLDGH+RUPLJDV
se KDFH UHIHrencia al DOJRULWPR OODPDGR $&2-( GH >@, que utiliza los operadores
LQWURGXFLGRV HQ 'DYLG 0D[ZHOO >@ \ DO GH 3& 3LQWR [41], OODPDGR 00$&2 TXH
XWLOL]DHODOJRULWPR003&GLVHxDGRSRULaura ( Brown ,RDQQLV 7VDPDUGLQRV [36].
$PERV WUDEDMRV VLJXHQ OD PHWRGRORJtD GH HYDOXDFLyQ GHVFULWD HQ HO DSDUWDGR
DQWHULRU\ORVUHVXOWDGRVPXHVWUDQXQPD\RUGHVHPSHxRTXHORVDOJRULWPRVTXHORV
anteceden.

6H KDQ UHDOL]DGR SRFRV WUDEDMRV >], [@ TXH FRPELQHQ HO HQIRTXH KtEULGR TXH
utLOL]D HO DQiOLVLV GH GHSHQGHQFLD \ HO HQIRTXH GHO DSUHQGL]DMH GH ODV FODVHV GH
equivalencia.

Ciencia e Ingeniería Neogranadina, Vol 21-1 41

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

'HDFXHUGRcon lo anterior, se plantea realizar, en WUDEDMRVIXWXURVHODSUHQGL]DMH

GH OD 5HG %D\HVLDQD, XWLOL]DQGR FRPR EDVHHO DOJRULWPR GH &RORQLD GH +RUPLJDV \
combinando el HQIRTXH Ktbrido para reducir el espacio de búsqueda según el
DOJRULWPR 00$&2 \ HO XVR GH RSHUDGRUHV SDUD PRYHUVH HQWUH FODVHV GH
equivalencia de acuerdo con eODOJRULWPR$&2-(

AGRADECIMIENTOS

Los autores agradecen a la 8QLYHUVLGDG ,QGXVWULDO GH Santander 8,6 \ al

'HSDUWDPHQWR$GPLQLVWUDWLYRGH&LHQFLD7HFQRORJtDH,QQRYDFLyQGHOD5HS~EOLFD
de Colombia &2/&,(1&,$6, SRUDODSR\RDHVWHWUDEDMRSDUFLDOEDMRHOSURJUDPD
GH-yYHQHV,QYHVWLJDGRUHVH,QQRYDGRUHVFRQQ~PHUR3--. (VWHWUDEDMRIXH
ILQDQFLDGR por la 9LFHUUHFWRUtD de ,QYHVWLJDFLyQ \ ([WHQVLyQ de la 8QLYHrsidad
,QGXVWULDO GH 6DQWDQGHU con HO SUR\HFWR GH LQYHVWLJDFLyQ de FyGLJR LQWHUQR  \
WLWXODGR 6LVWHPD HQ WLHPSR UHDO GH YHULILFDFLyQ GH LGHQWLGDG D WUDYpV GH OD LPDJHQ
IDFLDO

REFERENCIAS BIBLIOGRÁFICAS

[1] ,-&KXQ&KRXDQG(EHUKDUG29RLW, . 5HFHQWGHYHORSPHQWVLQSDUDPH-

WHU  HVWLPDWLRQ DQG  VWUXFWXUH LGHQWLILFDWLRQ RI ELRFKHPLFDO DQG  JHQRPLF
V\VWHPV0DWKHPDWLFDO%LRVFLHQFHV  -83.

>@ +LGGH de Jong, . 0RGHOLQJDQGVLPXODWLRQRIJHQHWLFUHJXODWRU\V\VWHPV

$ literature review. ,QJournal RI&RPSXWDWLRQDO %LRORJ\ -

[3] $OEHUWR $PEHVL-,PSLRPEDWR  'LHJR GL %HUQDUGR 0XNHVK %DQVDO 9LQ- cenzo
Belcastro,  +RZ WR LQIHU gene QHWZRUNV IURP H[SUHVVLRQ SURILOHV ,Q
Molecular V\VWHPVbLRORJ\

[4] K.-+&KR6-0&KRR6+-XQJ--5.LP+-6&KRLDQG-.LP, .

5HYHUVH HQJLQHHULQJ RI JHQH UHJXODWRU\  QHWZRUNV ,Q 6\VWHPV %LRORJ\ ,(7
–163.

[5] )HQJ+H5XGL%DOOLQJDQG$Q-3LQJ=HQJ, . 5HYHUVHHQJLQHHULQJDQG

YHULILFDWLRQ RI  JHQH QHWZRUNV 3ULQFLSOHV  DVVXPSWLRQV  DQG  OLPLWDWLRQV  RI
SUHVHQWPHWKRGVDQGIXWXUHSHUVSHFWLYHV,QJournal RI%LRWHFKQRORJ\ 3UHVV
&RUUHFWHG3URRI

[6] 9DOGLPLU)LONRY,GHQWLI\LQJJHQHUHJXODWRU\QHWZRUNVIURPJHQHH[SUHV-

sion data. +DQGERRN RI &RPSXWDWLRQDO 0ROHFXODU %LRORJ\ +DQGERRN RI
&RPSXWDWLRQDO0ROHFXODU%LRORJ\

 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

>@ K. 1XPDWD6 ,PRWR and S. 0L\DQR. $VWUXFWXUHOHDUQLQJDOJRULWKPIRU

LQIHUHQFH RI JHQH QHWZRUNV IURP PLFURDUUD\  JHQH H[SUHVVLRQ GDWD  XVLQJ
ED\HVLDQ QHWZRUNV ,Q: %LRLQIRUPDWLFV and %LRHQJLQHHULQJ %,%( 
3URFHHGLQJVRIWKHWK,((( ,QWHUQDWLRQDO &RQIHUHQFH, pp. –

[8] *XL[LD/LX:HL)HQJ+DQ:DQJ/HL/LXDQG&KXQJXDQJ=KRX, 

5HFRQVWUXFWLRQ RI gene UHJXODWRU\ QHWZRUNV EDVHG RQ WZR-VWDJH ED\HVLDQ
QHWZRUN structure learning DOJRULWKP ,QJournal RI %LRQLF(QJLQHHULQJ 
– 

[9] =KLKXD'X<LZHL:DQJDQG=KHQ-L$QHZVWUXFWXUHOHDUQLQJPHWKRG

IRUFRQVWUXFWLQJJHQHQHWZRUNV ,Q: %LRLQIRUPDWLFVDQG%LRPHGLFDOen gineering,
,&%%(UG,QWHUQDWLRQDO&RQIHUHQFHSp 1–4.

>@ &HGULF$XOLDF9LQFHQW)URXLQ;DYLHU*LGURODQG)ORUHQFHG¶$OFKH%XF.

(YROXWLRQDU\ DSSURDFKHV IRU WKH reverse-engineering RI JHQH UHJXODWRU\
QHWZRUNV $ VWXG\ on D ELRORJLFDOO\ UHDOLVWLF GDWDVHW ,Q %0& %LRLQIRUPDWLFV
1.

[11] ;XH ZHQ &KHQ *RSDODNULVKQD  $QDQWKD DQG ;LQNXQ :DQJ . $Q
HIIHFWLYH structure learning PHWKRG IRU constructing JHQH QHWZRUNV ,Q
%LRLQIRUPDWLFV–

>@ 'DQD  3H¶HU  )URP JHQH H[SUHVVLRQ WR PROHFXODU SDWK ZD\V 3K.'.
WKHVLVtKH+HEUHZ8QLYHUVLW\

[13] $OH[DQGHU -+DUWHPLQN'DYLG.*LIIRUG7RPPL6-DDNNRODDQG5LFKDUG

$ <RXQJ  %D\HVLDQ PHWKRGV IRU HOXFLGDWLQJ  JHQHWLF UHJXODWRU\
QHWZRUNV,Q,(((,QWHOOLJHQW6\VWHPV–43.

[14] $OH[DQGHU  -RKQ  +DUWHPLQN    3ULQFLSOHG  &RPSXWDWLRQDO 0HWKRGVIRU

WKH9DOLGDWLRQDQG'LVFRYHU\RI*HQHWLF5HJXODWRU\1HWZRUNV3K'WKH- sis,
MDVVDFKXVHWWViQVWLWXWHRI WHFKQRORJ\.

[15] $PLUD 'MHEEDUL DQG -RKQ 4XDFNHQEXVK  6HHGHG ED\HVLDQ QHWZRUNV
Con- VWUXFWLQJ JHQHWLF QHWZRUNV IURP PLFURDUUD\ GDWD ,Q BMC 6\VWHPV
%LRORJ\

[16] &KULV  1HHGKDP ,DLQ 0DQILHOG $QGUHZ %XOSLWW 3KLOLS  *LOPDUWLQ  DQG 'DYLG
:HVWKHDG . )URP gHQH H[SUHVVLRQ WR JHQH UHJXODWRU\  QHWZRUNV LQ
DUDELGRSVLVWKDOLDQD,Q %0&6\VWHPV%LRORJ\

Ciencia e Ingeniería Neogranadina, Vol 21-1 43

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

>@ &KULV J. 1HHGKDP James 5. %UDGIRUG $QGUHZ J. Bulpitt, DQG 'DYLG 5.

:HVWKHDG$SULPHURQOHDUQLQJLQED\HVLDQ QHWZRUNVIRUFRPSXWDWLRQDO
ELRORJ\,Q3/R6&RPSXW%LRO.

[18] 'DQD3H¶HU%D\esian nHWZRUN aQDO\VLV RI signaling netwRUNV$primer.

6FL67.(Sl4.

[19] Karen 6DFKV2PDU3HUH]'DQD3H¶HU'RXJODV$/DXIIHQEXUJHU DQG*DUU\

3 1RODQ . Causal protein-signaling nHWZRUNV derived IURP mul-
tiparameter single-cell data. ,QScience, –.
>@ *UHJRU\)&RRSHUDQG(GZDUG+HUVNRYLWV$ED\HVLDQPHWKRGIRUWKH
LQGXFWLRQ RI SUREDELOLVWLF QHWZRUNV IURP GDWD ,Q 0DFKLQHLearning  1XPEHU
–.

>@ 'DYLG +HFNHUPDQ 1995. $ WXWRULDO RQ OHDUQLQJ ZLWK ED\HVLDQ QHWZRUNV ,Q
7HFKQLFDO UHSRUW0LFURVRIW5HVHDUFK.

>@ )LQQ9-HQVHQDQG7KRPDV'1LHOVHQ%D\HVLDQ1HWZRUNV DQG'HFL-

VLRQ*UDSKV6SULQJHU6FLHQFH%XVLQHVV0HGLDLLC.

>@ 5LFKDUG ( 1HDSROLWDQ . Learning %D\HVLDQ 1HWZRUNV 3UHQWLFH +DOO
illustrated edition.

>@ 'DQ *HLJHU 'DYLG 0 &KLFNHULQJ DQG 'DYLG +HFNHUPDQ . Learning
ED\HVLDQQHWZRUNV: is 13-+ard. ,Q7HFKQLFDOUHSRUW0LFURVRIW5HVHDUFK.

>@ Luis M. de Campos$VFRULQJIXQFWLRQIRUOHDUQLQJED\HVLDQQHWZRUNV

based on mutual LQIRUPDWLRn and conditional independence tests. ,Q 7KH
-RXUQDORI0DFKLQH/HDUQLQJ5HVHDUFK– .

>@ 'DYLG 0D[ZHOO &KLFNHULQJ  /HDUQLQJ  HTXLYDOHQFH FODVVHV RI ED\HVLDQ
QHWZRUN VWUXFWXUHV ,Q 7KH -RXUQDO RI 0DFKLQH /HDUQLQJ  5HVHDUFK  –
498.

>@ Jorge Muruzabal and Carlos Cotta$pULPHURQWKHevoOXWLRQRIequiv-

alence cODVVHVRIED\HVLDQQHWZRUNsWUXFWXUHVYROXPHSDJHV–.

>@ $GDPR / GH 6DQWDQD  &DUORV 5 )UDQFHV &ODXGLR  $ 5RFKD 6RORQ 9
&DUYDOKR1DQGDPXGL/9LMD\NXPDU/LYLDQH35HJRDQG-RDR&&RVWD,
. 6WUDWHJLHVIRULPSURYLQJWKHPRGHOLQJDQGLQWHUSUHWDELOLW\RIED\HVLDQ
QHWZRUNV ,Q'DWD & .QRZOHGJH(QJLQHHULQJ–. 'DWD:DUHKRXVH
DQG  .QRZOHGJH 'LVFRYHU\ '$:$.¶ WK ,QWHUQDWLRQDO Congress on 'DWD
:DUHKRXVHDQG.QRZOHGJH'LVFRYHU\'$:$.¶

44 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

>@ 61 Sivanandam and 61 'HHSD . ,QWURGXFWLRQ to *HQHWLF $OJRULWKPV.
Springer-9HUODJVWedition.

>@ 3HGUR Larraxaga, 0LNHO 3R]D <RVX<XUUDPHQGL5REHUWR+0XUJDDQG &LQG\

0+ .XLMSHUV  6WUXFWXUH OHDUQLQJ RI %D\HVLDQ QHWZRUNV E\ genetic
DOJRULWKPV $ SHUIRUPDQFH DQDO\VLV RI FRQWURO SDUDPHWHUV ,Q ,(((
7UDQVDFWLRQVRQ3DWWHUQ$QDO\VLVDQG0DFKLQH,QWHOOLJHQFH–.

[31] Man /HXQJ:RQJDQG.ZRQJ6DN/HXQJ$QHIILFLent data mining

PHWKRGIRUOHDUQLQJED\HVLDQQHWZRUNVXVLQJDQHYROXWLRQDU\DOJRULWKP- based
K\EULG DSSURDFK (YROXWLRQDU\ Computation, ,Q ,((( 7UDQVDFWLRQV RQ
–.

>@ Marco 'RULJR DQG 7KRPDV Stutzle . $nt FRORQ\ Optimization.
MassDFKXVHWWV ,QVWLWXWHRI7HFKQRORJ\

[33] Luis M. de Campos, Juan M. )HUQiQGH]-Luna, -RVp $*DPH]DQG-RVp M.

3XHUWD . $QW FRORQ\ optimization IRU learning %D\HVLDQ QHWZRUNV ,Q
,QWHUQDWLRQDO-RXUQDORI$SSUR[LPDWH5HDVRQLQJ– 311.

[34] Jun-=KRQJ -.,. +RQJ-;XQ =+$1* 5HQ-%LQJ +8 DQG &Kun-1LDQ /,8 .
$ ED\HVLDQ QHWZRUN OHDUQLQJ DOJRULWKP  EDVHG RQ LQGHSHQGHQFH WHVW  DQG DQW
FRORQ\RSWLPL]DWLRQ,Q$FWD$XWRPiWLFD 6LQLFD– .

[35] 3DEOR $' Castro DQG )HUQDQGR  - 9RQ =XEHQ . $Q LPPXQH inspired
DSSURDFK to %D\HVLDQ QHWZRUNV ,Q: +,6¶ 3URFHHGLQJV RI WKH )LIWK
,QWHUQDWLRQDO &RQIHUHQFH RQ +\EULG ,QWHOOLJHQW 6\VWHPV SDJHV –.
:DVKLQJWRQ: ,(((&RPSXWHU6RFLHW\.

[36] /DXUD  ( %URZQ ,RDQQLV 7VDPDUGLQRV DQG &RQVWDQWLQ ) $OLIHULV  7KH
PD[-PLQKLOO-FOLPELQJED\HVLDQQHWZRUNVWUXFWXUHOHDUQLQJDOJRULWKP0DFKLQH
Learning, –.

>@ /LFKHQJ-LDRDQG/HL:DQJ$QRYHOJHQHWLFDOJRULWKPEDVHGRQLP-

PXQLW\ 6\VWHPV0DQDQG&\EHUQHWLFV 3DUW$6\VWHPVDQG+XPDQV. ,Q,(((
7UDQVDFWLRQV–561.

[38] =QH--XQJ  /HH &KRX-<XDQ  /HH DQG 6KXQ-)HQJ 6X  $Q LPPXQLW\-
EDVHGDQWFRORQ\RSWLPL]DWLRQDOJRULWKPIRUVROYLQJZHDSon target assignment
problHP$SSOLHG6RIW&RPSXWLQJ– .

Ciencia e Ingeniería Neogranadina, Vol 21-1 45

 $35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

[39] &KXL-<X&KLX,-7LQJ.XRDQG&KLD-+DR/LQ. $SSO\LQJDUWLILFLDOLPPXQH

V\VWHP and DQW DOJRULWKP LQ DLUFRQGLWLRQHU PDUNHW VHJPHQWDWLRQ ,Q ([SHUW
6\VWHPVZLWK$SSOLFDWLRQV3DUW– .

>@ ;LDQMLQ )DQJ DQG /RQJVKX /L  $Q DUWLILFLDO LPPXQH PRGHO ZLWK YDFFLQH
RSHUDWRU  IRU QHWZRUN LQWUXVLRQ  GHWHFWLRQ ,Q &RPSXWDWLRQDO  ,QWHOOLJHQFH DQG
,QGXVWULDO $SSOLFDWLRQ 3$&,,$¶ 3DFLILF-$VLD :RUNVKRS YROXPH  Sp. 488–
491.

[41] 3& 3LQWR$1DJHOH0'HMRUL7$5XQNOHUDQG-0&6RXVD8VLQJ

a local GLVFRYHU\ DQW DOJRULWKP IRU %D\HVLDQ QHWZRUN VWUXFWXUH OHDUQLQJ
(YROXWLRQDU\&RPSXWDWLRQ,Q ,(((7UDQVDFWLRQV–.

>@ 3DXO0XQWHDQXDQG'HQLV&DX, (IILFLHQWVFRUH EDVHGOHDUQLQJRIHTXLY-

DOHQFHFODVVHVRIED\HVLDQQHWZRUNV,Q3.''¶3URFHHGLQJVRIWKHWK
(XURSHDQ  &RQIHUHQFH RQ 3ULQFLSOHV  RI 'DWD  0LQLQJ DQG .QRZOHGJH
'LVFRYHU\Sp. 96–. London: Springer-9HUODJ

[43] 3 Munteanu and 0 %HQGRX . 7KH HT IUDPHZRUN IRU Oearning
HTXLYDOHQFH FODVVHV RI ED\HVLDQ QHWZRUNV ,Q: 'DWD mining. ,&'0 
3URFHHGLQJV,(((,QWHUQDWLRQDO&RQIHUHQFHSDJHV–.

[44] 6LOYD $FLG DQG /XLV0 GH &DPSRV . 6HDUFKLQJ IRU ED\HVLDQ QHWZRUN
VWUXFWXUHVLQWKHVSDFHRIUHVWULFWHGDF\FOLFSDUWLDOO\directed JUDSKV,Q-RXUQDO
RI$UWLILFLDO,QWHOOLJHQFH5HVHDUFK18:445–.

[45] Steven *LOOLVSLH 'HSDUWPHQW and Steven B. *LOOLVSLH . (QXPHUDWLQJ

PDUNRY HTXLYDOHQFHFODVVHVRIDF\FOLFGLJUDSKPRGHOV,Q: 3URc. RIWKH&RQIRQ
8QFHUWDLQW\LQ$UWLILFLDO,QWHOOLJHQFHSDJHV–0RUJDQ.DXIPDQQ.

[46] 6WHYHQ % *LOOLVSLH DQG 0LFKDHO ' 3HUOPDQ  7KH VL]H GLVWULEXWLRQ IRU
PDUNRY HTXLYDOHQFH FODVVHV RI DF\FOLF GLJUDSK  PRGHOV  $UWLILFLDO ,QWHOOLJHQFH
-–155.

>@ 6WHYHQ%*LOOLVSLH)RUPXODVIRUFRXQWLQJDF\FOLFGLJUDSKPDUNRYHTXLY-

DOHQFH FODVVHV ,Q -RXUQDO RI6WDWLVWLFDO 3ODQQLQJ DQG ,QIHUHQFH–
.

[48] 5RQDQ  'DO\ 4LDQJ 6KHQ DQG 6WXDUW$LWNHQ . 8VLQJ DQW FRORQ\ RSWLPL-
sation LQ OHDUQLQJ ED\HVLDQ QHWZRUN HTXLYDOHQFH FODVVHV 3URFHHGLQJV RI WKH
8.:RUNVKRSRQ&RPSXWDWLRQDO,QWHOOLJHQFHSDJHV111–118.

[49] +DL\DQJ -LD'D\RX/LX-XDQ&KHQDQG Xin Liu. $K\EULGDSSURDFKIRU

46 Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 81,9(56,'$'0,/,7$518(9$*5$1$'$

OHDUQLQJPDUNRYHTXLYDOHQFHFODVVHVRIED\HVLDQQHWZRUN,Q: .6(0Sp. 611–

616.

>@ +DL\DQJ-LD'D\RX/LX-XDQ&KHQDQG-LQJKXD*XDQ. Learning

PDUNRY HTXLYDOHQFH FODVVHV RI ED\HVLDQ QHWZRUN ZLWK LPPXQH JHQHWLF DO-
JRULWKP ,Q: ,QGustrial (OHFWUonics DQG $SSOLFDWLRQV ,&,($  UG ,(((
&RQIHUHQFHSS–.

[51] 5RQDQ 'DO\DQG4LDQJ6KHQ/HDUQLQJED\HVLDQQHWZRUNHTXLYDOHQFH

FODVVHV ZLWK ant FRORQ\ RSWLPL]DWLRQ $UWLILFLDO ,QWHOOLJHQFH 5HVHDUFK 35:391–
.

>@ 6KHQ 4  $LWNHQ-6 'DO\ 5  6SHHGLQJ XS WKH OHDUQLQJ RI HTXLYDOHQFH
FODVVHVRIED\HVLDQQHWZRUNVWUXFWXUHV,Q3URFHHGLQJVRIWKH7HQWK,$67- ('
,QWHUQDWLRQDO &RQIHUHQFH RQ $UWLILFLDO ,QWHOOLJHQFH DQG 6RIW Computing, pp.34–
39.

Ciencia e Ingeniería Neogranadina, Vol 21-1 

48
ANEXO A. RESUMEN DE RESULTADOS

$FRQWLQXDFLyQ, se presenta un resumen de ORVUHVXOWDGRVREWHQLGRVHQORVWUDEDMRVGH>@>@\>@ en las tablas 1,

 \ 3 respectivamente 6H HVSHFLILFDn ODV PpWULFDV XWLOL]DGDV SDUD HYDOXDU ODV 5HGHV %D\HVLDQDV OD FDQWLGDG GH
muestras, los algoritmos evaluados, los resultados obtenidos de acuerdo con FDGDPpWULFD\XQDFRQFOXVLyQ (QHOORV,
VHUHVXPHODFRPSDUDFLyQGHGLIHUHQWHVDOJRULWPRV, utilizando el SURWRFRORPHQFLRQDGRHQODVHFFLyQ9

Tabla 15HVXPHQGHODHYDOXDFLyQUHDOL]DGDSRU>@

Métricas Redes Cantidad de Algoritmos Comparados Resultados y conclusiones

Utilizadas utilizadas muestras Pis dHVWDFDGRVGH DOJRULWPRV

)XQFLyQ de &+,/'  - *UHHG\+LOO-&OLPELQJ6HDUFK*6 (Q WLHPSR de HMHFXFLyQ,

SXQWDMH%'HX 00+& HV HQ SURPHGLR más
,1685$1&( -*UHHG\(TXLYDOHQFH6HDUFK*(6 rápido TXH ORV GHPiV H[FHSWR
'LVWDQFLD  SDUDPXHVWUDV.
(VWUXFWXUDOGH $/$50 0D[-Min
+DPPLQJ (Q ODV OODPDGDV HVWDGtVWLFDV
+$,/),1'(5  +LOO-Climbing 00+& 00+& KDFH PHQRV llamadas
1~PHURGH HVWDGtVWLFDV HQ SURPHGLR
(YDOXDFLRQHVR 0,/'(: H[FHSWR SDUDPXHVWUDV.
llamadas
(VWDGtVWLFDV %$5/(< (O algoritmo *6 tuvo en
promedio, mejor valor en la
081,1 IXQFLyQ de puntaje, H[FHSWR
este último algoritmo, 00+&
3,*6 es mejor a los demás.

/,1. 3DUD OD 'LVWDQFLD (VWUXFWXUDO

GH +DPPLQJ 00+& VXSHUD
en promedio a los demás,
$35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

H[FHSWR SDUD  muestras

en las cuales el algorLWPR*(6
es mejor.

Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes

 Tabla 25HVXPHQGHODHYDOXDFLyQUHDOL]DGDSRU>@

Métricas Redes utilizadas Cantidad Algoritmos Comparados

Utilizadas de PiVGHVWDFDGRVGH DOJRULWPRV Resultados y conclusiones
muestras

)XQFLyQ de +$,/),1'(5  -*UHHG\+LOO-&OLPELQJ6HDUFK*6 (Qpromedio, para la IXQFLyQ de puntaje,

puntaje el GHVHPSHxR GH 00$&2 supera a los
%'HX  0D[-Min +LOO demás
&OLPELQJ00+&
'LVWDQFLD  (Q promedio, para la distancia de
(VWUXFWXUDOGH ,1685$1&( 0D[-Min $QW &RORQ\2SWLPL]DWLRQ +DPPLQJ H[FHSWR para la red
+DPPLQJ  00$&2 +$,/),1'(5 donde *6 es mejor,

Ciencia e Ingeniería Neogranadina, Vol 21-1

00$&2 supera a los demás algoritmos
1~PHUR GH 
(YDOXDFLRQHV $/$50 $ pesar de los resultados anteriores,
o llamadas *6 \ 00+& mejora a 00$&2 en las
(VWDGtVWLFDV llamadas HVWDGtVWLFDV.

La búsqueda por medio del (QIRTXH

+tEULGR es PXFKR más rápida para
LQIHULU estructuras que los PpWRGRV sin
restricciones.
81,9(56,'$'0,/,7$518(9$*5$1$'$

49

Tabla 35HVXPHQGHODHYDOXDFLyQUHDOL]DGDSRU>@

Métricas Redes Cantidad de Algoritmos Comparados

Resultados y conclusiones
Utilizadas utilizadas muestras PiVGHVWDFDGRVGH DOJRULWPRV

&+,/'
(Q tiempo de HMHFXFLyQ 00+& HV en promedio
más rápido que los demás, H[FHSWR para 
,1685$1&(
)XQFLyQGH muestras.
SXQWDMH%'HX
$/$50
 (Q las llamadas HVWDGtVWLFDV 00+& KDFH menos
*UHHG\+LOO-&OLPELQJ6HDUFK *6
'LVWDQFLD llamadas HVWDGtVWLFDV en promedio, H[FHSWR para
+$,/),1'(5
(VWUXFWXUDOGH  muestras.
*UHHG\(TXLYDOHQFH6HDUFK*(6
+DPPLQJ 
0,/'(:
(O algoritmo *6 tuvo en promedio mejor valor en la
0D[-Min
1~PHUR de IXQFLyQ de puntaje, H[FHSWR este ultimo algoritmo,
%$5/(< +LOO-Climbing 00+&
(YDOXDFLRQHV  00+&HV mejor a los demás.
o llamadas
081,1
(VWDGtVWLFDV 3DUD la 'LVWDQFLD (VWUXFWXUDO de +DPPLQJ 00+&
supera en promedio a los GHPiV H[FHSWR para
3,*6
 muestras en donde el algoritmo *(6 es mejor
/,1.
$35(1',=$-((6758&785$/'(5('(6%$<(6,$1$681(1)248(%$6$'2(13817$-(<%Ò648('$

Erwing Fabián Cardozo Ojeda, Henry Arguello Fuentes