Gaceta Ide@s CONCYTEG Ao 3. Nm.

31, 21 de enero de 2008

Algoritmos Culturales
Alberto Ochoa O. Zezzatti 1 La Figura 1 expresa cada uno de estos acercamientos en trminos de un espacio en un tiempo continuo sobre el cual ocurren las interacciones sociales. Debemos notar que las aproximaciones de Colonia de Hormigas y del cmulo de partculas se pueden encontrar cerca del final izquierdo de esta continuidad, con las interacciones sociales entre los individuos dimensiones que ocurren y dentro de temporales espaciales

Recientemente,

un nmero de algoritmos

motivados en grupos sociales se han utilizado para solucionar problemas complejos de optimizacin. Algunos de estos algoritmos incluyen el cmulo de partculas (PSO) [Kennedy y Eberhart, 1995], colonia de hormigas [Reynolds (ACO) 1978, [Dorigo, 1994]. Maniezzo Estos y Colorni, 1996], y los algoritmos culturales tres algoritmos utilizan un modelo basado en una poblacin como la base del algoritmo y solucionan problemas compartiendo la informacin va la interaccin social entre agentes en la poblacin.

limitadas. Por ejemplo, en cmulo de partculas, los agentes pueden intercambiar su direccin del movimiento y de la velocidad localmente por la interactividad con otros agentes. En Colonia de Hormigas, los agentes localmente intercambian la informacin en los trminos de la densidad y del gradiente de una sustancia denominada "feromona" que marque su rastro. La feromona es depositada por una hormiga que se mueve a lo largo de un rastro. La frecuencia del uso de un rastro es indicada por la cantidad de feromona que se ha depositado concerniente a su

Figura 1.- Escala de Interaccin Social.

1

degradacin en el ambiente en un cierto plazo. Los algoritmos culturales por otra parte permiten que los agentes acten recprocamente de diversas maneras usando varias formas de informacin simblica reflexivas de sistemas culturales complejos.

Doctor en Tecnologa Avanzada (Inteligencia Artificial) por el Instituto Politcnico Nacional, Miembro del SNI y Perfil Promep. Es autor de 1 Libro y 2 Captulos de Libro. Ha sido director de 7 tesis de Doctorado, 7 de Maestra, y 14 de Licenciatura. Es autor de 87 Artculos de Inteligencia Artificial (PLN, RBC, Data Mining, ACs, Predator/Prey Game, Juegos Inteligentes y Modelado Social).

. 15

Gaceta Ide@s CONCYTEG Ao 3. Nm. 31, 21 de enero de 2008

El algoritmo cultural bsico permite que los individuos se comuniquen va un espacio compartido informacin de que creencias. se El espacio compartir compartido almacena cinco tipos bsicos de puedan cognitivamente o simblicamente. Es bien sabido que la escala de interaccin dentro de los sistemas complejos afecta la naturaleza de la estructura que emergen de la interaccin de agentes dentro de ese sistema [Holland 1998]. Ahora examinamos brevemente cada uno de los tres modelos sociales para solucin de problemas en trminos de la naturaleza de sus interacciones sociales y de sus caractersticas propias.

Algoritmos Genticos y la Programacin Evolutiva. La Figura 2 muestra el diagrama conceptual bsico.

Figura 2.- Diagrama Conceptual de los Algoritmos Culturales.

Los algoritmos culturales son un sistema dual de la herencia que caracteriza la evolucin en cultura humana en el nivel

1. Algoritmos Culturales
Los Algoritmos Culturales (ACs) son una clase de modelos computacionales derivados de la observacin del proceso de evolucin cultural en la naturaleza [Reynolds 1978, 1994]. ACs tiene tres componentes principales: un espacio de poblacin, un espacio de creencias, y un protocolo que describe como el conocimiento los dos es intercambiado entre primeros

macro-evolutivo, que ocurre dentro del espacio de creencias, y en el nivel microevolutivo, que ocurre en el espacio de poblacin. El conocimiento produjo en la poblacin que el espacio en el nivel microevolutivo se acepta o que se pase al espacio de creencias y que se utilic selectivamente para ajustar las estructuras de conocimiento all. Este conocimiento se puede entonces utilizar para influenciar los cambios realizados por la poblacin en la generacin siguiente. Lo que diferencia a los Algoritmos Culturales del PSO o del ACO es el hecho de que los ACs usan cinco tipos de conocimiento

componentes. El espacio de poblacin puede soportar cualquier poblacin basada en el modelo computacional, tales como los

. 16

Gaceta Ide@s CONCYTEG Ao 3. Nm. 31, 21 de enero de 2008

bsicos en el proceso de resolucin de la solucin del problema ms que solamente el valor transmitido. Hay evidencia que en ciencia cognoscitiva cada uno de estos tipos de conocimiento es demostrado por varias especies animales [Wynne 2001; Clayton et al., 2000] asumen que los sistemas sociales humanos apoyan como mnimo cada uno de estos tipos de conocimiento. Las fuentes del conocimiento normativo incluyen de el conocimiento (gamas comportamientos

(debido a la colocacin de algunos conos ocultos en mejore reas desde la perspectiva de los agentes). Los agentes entonces interactan socialmente va estas varias fuentes de conocimiento para encontrar el grado ptimo, y en el ambiente dinmico no se pierda de vista su posicin que cambia en un cierto plazo. Entonces se investig la aparicin de patrones sociales en el espacio de la poblacin y el espacio de creencias cuando el de problema este se soluciona con xito. para si Utilizamos despus lo que hemos aprendido ambiente Entonces experimental observaremos solucionar problemas complejos en diseo de ingeniera. emergen las estructuras sociales similares all. La comparacin del funcionamiento de nuestro sistema con PSO ser hecha.

aceptables), el conocimiento circunstancial (los ejemplares o las memorias de soluciones acertadas y fracasadas entre otros), el conocimiento del dominio (conocimiento de los objetos del dominio, de las relaciones de ellos, y sus interacciones), el conocimiento histrico topogrfico (patrones y Este (patrones temporales el espaciales conjunto del del de comportamiento), comportamiento). conocimiento

2. Especificacin del Problema

Los algoritmos culturales se han estudiado con problemas de prueba patrn [Chungkin et al., 1998] tambin se han aplicado con xito en un nmero diverso de reas de aplicacin tales como modelar la evolucin de la agricultura [Reynolds 1986], concepto de aprendizaje [Reynolds 1994], optimizacin de la funcin de valor-real [Jin et al. 1999, Reynolds et al., 2005] y reingeniera del

categoras es visto como completo para un dominio dado en el sentido que todo conocimiento disponible puede expresarse en trminos de una combinacin de una de estas clasificaciones. Se pueden poner nmeros arbitrarios de los conos de tamaos que varan en el terreno para producir superficies de complejidad diversa. La distribucin de conos puede ser esttica, dinmica, y engaosa

. 17

Gaceta Ide@s CONCYTEG Ao 3. Nm. 31, 21 de enero de 2008

conocimiento base para el proceso de ensamblaje de manufactura [Rychlychkyj 2003], y modelar sistemas de incentivo de precios basado en agentes [Ostrowski et al., 2002], la distribucin de elementos en un Diorama [Ochoa 2007], obtencin de un ranking en Eurovisin [Ochoa 2007], y simulacin de un modelo social en un juego inteligente [Ochoa 2007], y combinado con Predator/Prey Mientras Game que para es problemas la culturales [ Ochoa 2008] entre otros. acertada, complejidad relativa de las fuentes del conocimiento y su interaccin hace difcil determinar porqu los algoritmos culturales trabajan tan bien. Indicado alternativamente, bajo qu condiciones pueden algunos sistemas solucionar efectivamente un problema dado y el espacio de creencia se puede ver como muestras de un proceso acertado de solucionar el problema. Este artculo trata de desarrollar respuestas a estas preguntas. Para hacer esto comenzamos examinando cmo los algoritmos culturales solucionan problemas de optimizacin de recursos dentro de un ambiente experimental. En nuestra investigacin primero se emple un ambiente simulado del mundo de los cubos [Morrison et al., 1999] y lo adecuamos para nuestros experimentos. Dentro de este mundo, los

recursos se distribuyen en pilas (conos) en el terreno (estilo Sugarscape [Epstein et al., 1996]). Podemos poner nmeros arbitrarios de los conos de tamaos que varan en el paisaje para producir superficies del forraje de la complejidad que vara. La distribucin de conos puede ser esttica, dinmica, y engaosa (en que la colocacin de algn contra oculta reas mejores de agentes que suben de la colina). Los agentes entonces obran recprocamente social va estas varias fuentes del conocimiento para encontrar el grado ptimo, y en el ambiente dinmico no pierda de vista su posicin que cambia en un cierto plazo. Entonces investigamos la aparicin de patrones sociales en el espacio de la poblacin y el espacio de la creencia cuando el problema se soluciona con xito. Utilizamos despus lo que hemos aprendido de este ambiente experimental solucionar problemas ingeniera. all. La complejos Entonces en diseo de la si observaremos de

emergen las estructuras sociales similares comparacin nuestro funcionamiento de los sistemas con la optimizacin del enjambre de la partcula ser realizada. Puesto que nuestros problemas del mundo de los conos se pueden describir como un problema dentro de un espacio de bsqueda, utilizamos un marco inspirado por

. 18

Gaceta Ide@s CONCYTEG Ao 3. Nm. 31, 21 de enero de 2008

resultados

tericos

de

biologa

de

poblacin,

las

cinco

fuentes

del

poblaciones. Especficamente, los agentes seleccionan diversas fuentes de conocimiento basados en lo que caracterizamos como "valor marginal de informacin". La inspiracin para esto viene del trabajo clsico de Charnov [1976] referente al "teorema marginal del valor". En cierta situacin, los agentes que usaban el teorema marginal del valor podan optimizar su producto del recurso dentro de un ambiente. Indicado simplemente, el teorema marginal del valor dice que un agente permanece dentro de una localizacin en el terreno hasta que el recurso actual es menor que el valor previsto medio. Entonces se mueve a otra celda que satisfaga este constreimiento marginal del valor. Aqu empleamos un acercamiento a la integracin del conocimiento que utiliza un principio correspondiente al "valor marginal del conocimiento". Con esta aproximacin, un individuo es ms probable que utilic una estrategia que est sobre el promedio u otras diversas fuentes de conocimiento. Entonces se observa que las organizaciones sociales emergen en el espacio de poblacin y el espacio de creencias consigue el xito total para el sistema. Utilizamos esta aproximacin de integracin basado en valor marginal con un modelo de programacin evolutivo para la

conocimiento como el marco de la base a los problemas de solucin dentro del ambiente simulado y del mundo real.

3. Resultados
Deseamos mostrar que el uso del valor marginal se aproxima a la integracin del conocimiento produciendo las siguientes estructuras emergentes y comportamientos: 1. La aparicin de ciertas fases para solucionar problemas en trminos de funcionamiento relativo de diversas fuentes de conocimiento en un cierto tiempo. Etiquetamos estas fases como granulosas gruesas, granulosas finas y de retroceso. Cada fase es caracterizada por la dominacin de un conjunto o subconjunto de fuentes de conocimiento que son las ms acertadas para generar nuevas soluciones en esa fase. En efecto, el subconjunto dominante de fuentes de conocimiento se aplica a menudo en una secuencia especfica dentro de cada fase. Aparece un tipo de conocimiento que produce nuevas soluciones que por tanto son explotadas por otra fuente de conocimiento. Las transiciones entre las fases ocurren cuando las soluciones producidas por una fase

. 19

Gaceta Ide@s CONCYTEG Ao 3. Nm. 31, 21 de enero de 2008

se pueden explotar mejor por las fuentes de conocimiento asociadas con la siguiente fase. 2. del estas La aparicin como de grupos de de la individuos que se mueven dentro del espacio problema fases resultado interaccin del conocimiento cultural. Desde emergi continuamente en ambientes estticos, dinmicos, y engaosos cuando el acercamiento marginal de la integracin del valor fue utilizado. Llamamos a esto "grupos culturales o de poblacin" [Peng, et al., 2003]. 3. Entonces observamos el conocimiento grupal" en un meta-nivel,

Referencias bibliogrficas
[1]

Beckers, R.; Deneubourg, J.L. & Goss, S., 1992, Trails and U-turns in the Selection of the Shortest Path by the Ant Lasius Niger. Journal of Theoretical Biology, 159, 397-415.

[2]

Charnov, E. L. (1976). Optimal Foraging: the Marginal Value Theorem. Theoretical Population Biology, 9, 129-136.

[3]

Chung, C. & Reynolds, G. R., 1998, CAEP: An Evolution-based Tool for Real-Valued Function Optimization using Cultural Algorithms. International Journal on Artificial Intelligence Tools, 7(3), 239-291.

[4]

stos fuimos llamados los "enjambres del conocimiento". Debido a esto, las fuentes del conocimiento grupal en el meta nivel fue producida por la interaccin de las fuentes del conocimiento va el teorema marginal del valor y ste sirve para inducir un
[5]

Clayton, N.S., Griffiths, D.P., & Dickinson A., 2000, Declarative and Episodic-like Memory in Animals: Personal Musings fo a Scrub Jay. In the Evolution of Cognition. Edited by Heyes, C. and Huber, L. the MIT Press, Cambridge, Massachusetts. Dorigo, M., Maniezzo, V. & Colorni, A., 1996, Ant System: Optimization by a Colony of Cooperating Agents. IEEE Transactions on Systems, Man and Cybernetics-Part B, 26(1), 29-41.

agrupamiento en el nivel de la poblacin. Conclusiones Los algoritmos culturales ofrecen una alternativa de gran alcance para los
[6]

problemas de optimizacin y la redistribucin de clusterizacin. Por esa razn, esta tcnica provee un panorama del absolutamente cultural comprensible fenmeno

Epstein, J., & Axtell R., 1996, Growing Artificial Societies. MIT Press/Brookings Institue, Cambridge, MA.

[7]

Holland, J. H., 1998, Emergence. AddisonWesley Press, Reading, MA, 1-10.

representado [Ochoa et al, 2007].

[8]

Hlldobler, B. & Wilson, E. O., 1990, The Ants. Springer-Verlag, Berlin.

. 20

Gaceta Ide@s CONCYTEG Ao 3. Nm. 31, 21 de enero de 2008

[9]

Hu, X.; Eberhart, C. R. & Shi, Y., 2003, Engineering Optimization with Particle Swarm. In Proceedings of the 2003 IEEE Swarm Intelligence Symposium (indiana, U. S. A.), IEEE Press, 205-211.

[10]

Desmond, A. & Moore J. (1995). Darwin la vida de un evolucionista atormentado. Generacin Editorial, So Paulo, Brazil.

[11]

Ochoa A. et al. (2007) Baharastar Simulador de Algoritmos Culturales para la Minera de Datos Social. In Proceedings of COMCEV2007.

[12]

Memory Alpha (2007). memory-alpha.org (Star Trek World).

[13]

Callogerodttir Z. & Ochoa A. (2007) Optimization Predator/Prey Algorithms Iceland. Problem Games Solving and using Cultural Reykiavik;

NDAM2003,

[14]

Tang Hu et al. (2006) The Emergence of Social Network Hierarchy Using Cultural Algorithms, VLDB'06, Seoul, Korea.

[15]

Vukevi I. & Ochoa A. (2005) Similar cultural relationships in Montenegro JASSS2005, England.

. 21