Sistemas Inteligentes

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMÉRICA)

FACULTAD DE INGENIERÍA  DE SISTEMAS E INFORMÁTICA

Escuela Académica Profesional de Ingeniería de Sistemas

SILABO

1.- ESPECIFICACIONES GENERALES

Nombre del Curso:	SISTEMAS INTELIGENTES
Código del Curso:	201 204
Duracion del Curso:	17 semanas
Forma de dictado:	Clases presenciales audiovisuales(teoria) y de laboratorio
Horas Semanales:	2 horas
Naturaleza:	Electivo
Numero de Creditos:	DOS (02)
PreRequisitos:	207 008
Semestre Academico:	2015-II
Profesor:	Hugo Vega Huerta
Coordinador:	Hugo Vega Huerta

2.- SUMILLA

Los Sistemas inteligentes, conceptos, taxonomía y aplicaciones en la industria y servicios. Conjuntos borrosos, representación y operaciones. Funciones de membresía. Representación de conceptos con conjuntos borrosos. Relaciones borrosas y su composición. Modificadores linguísticos. Lógica borrosa Sistemas de inferencia borrosa. Algoritmos Genéricos, conceptos, operadores y aplicaciones Representación de problemas de la IA mediante algoritmos genéticos y su resolución.

3.- OBJETIVO GENERAL

El presente curso extiende y complementa el curso Inteligencia Artificial, presentando los fundamentos, operadores y métodos básicos de dos de los sistemas inteligantes más conocidos: los sistemas basados en logica borrosa y los basados en algoritmos genéticos. El potencial de aplicación de ambos sistemas es enorme en secciones tales como el industrial, el educativo, el de servicios y, de ciencia y tecnología.

4.- OBJETIVOS ESPECÍFICOS

• Presentar los fundamentos de los sistemas inteligentes y sus aplicaciones, asi como las diferencias respecto de los métodos basados en búsqueda y los sistemas expertos.
• Representar los conceptos linguísticos mediante conjuntos borrosos y funciones de pertenencia.
• Representar el conocimieto mediante reglas borrosas usando los formatos Sugeno y Mamdani.
• Diseñar y desarrollar sistemas de inferencia borrosa basados en diversos mecanismos de inferencia (formato Sugeno y formato Mamdani).
• Representar y resolver problemas de optimización mediante cromosomas y operadores genéticos.
• Diseñar y desarrollar software para problemas de optimización que usean la técnica denominada Algoritmos Genéticos.

5. CONTENIDO ANALITICO POR SEMANAS:

Semana	Temas	Trabajos
1	Introducción a Sistemas Inteligentes-Conceptos Básicos de Conjuntos Borrosos Presentación del curso. Introducción a Sistemas Inteligentes. Taxonomía de los Sistemas Inteligentes. Comparación entre sistemas operacionales y sistemas inteligentes Incertidumbre estocástica y léxica. Cuándo utilizar tecnología borrosa Aplicaciones en la industria y servicios. Introducción a los conjuntos borrosos. Comparación entre conjuntos clásicos y borrosos. Referencias: [1] Capítulo 7, [2] Capítulo 1,[4] Capítulo 1 y 2	Dos Soluciones con Lógica Difusa
2	Conjuntos Borrosos - Universos de discursos Probabilidad y Borrosidad. Funciones de densidad de probabilidad y funciones de pertenencia. Representación de los conjuntos borrosos. Introducción a las funciones de pertenencia. Introducción a los Sistemas de Inferencia Borrosos (SIB) Definición de universo de discurso.Universos de discurso Discreto y Contínuo Características de un conjunto borroso: Soporte, núcleo, altura, punto de cruce. Dominio, normalización y cordialidad. Corte-u y Corte-u fuerte de un CB. Referencias: [1] Capítulo 7, [2]  Capítulo 2, [3] Capítulos 4 y 5, [4] Capítulo 1	Carrito Automático
3	Teorema de Representación- Funciones de membrecía Principio de Incompatibilidad Funciones de pertenencia: Definiciones básicas, tipos más usados y sus expresiones matemáticas Determinación del número de funciones de membrecía. Métodos para determinar la función de pertenencia. Teorema de representación Referencias: [1] Capítulos 7, [2] Capítulo 3, [3], [4] Capítulo 4.	Cambios carrito automático Manual de cambios Carrito Automático
4	Operaciones básicas con conjuntos borrosos Unión, intersección, complemento, negación de conjuntos borrosos. t-normas y s-normas: Definición de t-norma, t-normas más usadas. Ejemplos de aplicación de t-normas y de s-normas. Negaciones involutivas y no involutivas. Medidas borrosas: Distancia entre conjuntos borrosos. Comparación de conjuntos borrosos (Posibilidad, Necesidad, Compatibilidad) Referencias: [1] Capítulos 7, [2] Capítulo 2, [3] Capítulos 4 y 5, [4] Capítulo 1
5	Principio de extensión- Relaciones borrosas y su composición Principio de extensión Producto y co-producto cartesiano de conjuntos borrosos Relaciones borrosas Composición de relaciones borrosas Composición Sup-Star. Composición Inf-Star. Ejemplos de aplicación
6	Variables Lingüísticas – Modificaciones Lingüísticas Variables linguísticas, Definición Modificaciones linguísticas Operaciones de concentración y dilatación de CBs, intensificación del contraste, difuminación del contraste. Control de lectura 1 Referencias: [1] Capítulo 7, [2], [3]
7	Diseño de un controlador difuso para una Maquina Lavadora Laboratorio
8	Examen Parcial Carrito con entradas diagonales
9	Arquitecturas Inferencia Borrosa Lógica Borrosa.Fundamentos.Comparación con la lógica tradicional Representación del conocimiento mediante reglas borrosas Implicación Borrosa Referencias: [1] Capítulo 7, [2], [3], [4]
10	Sistema de Inferencia Borrosa Definición de un Sistema de Inferencia borrosa (SIB) Normalización y borrosificación de las entradas. Etapas de la inferencia borrosa: agregación y composición Modulo de inferencia borrosa Desborrosificación de las salidas del sistema. Referencias: [1] Capítulo 7, [2], [3], [4], Capítulos 5 y 6
11	Desarrollo de un controlador borroso para una grúa. Laboratorio
12	Introducción a Algoritmos Evolutivos Repaso de resolución de problemas de búsqueda.Introducción a las Metaheuristicas. Evolución natural y artificial Etapas de la inferencia borrosa: agregación y composición Algoritmos Evolutivos Estrategias Evolutivas Referencias: [5] Capítulos 8 y 13, [6]
13	Algoritmos Genéticos Introducción a los algoritmos genéticos Representación cromosomática Evaluación y selección de los individuos Operadores Genéticos Herramientas computacionales para algoritmos genéticos Referencias: [5] Capítulos 1-3, [6]
14	Algoritmos Genéticos continuación Métodos de selección del torneo Operaciones especiales de crossover y mutación Ajuste de parámetros de los algoritmos genéticos

6. METODOLOGÍA:

El curso se desarrolla a través de actividades teórico-prácticas, dando énfasis a aplicaciones en la industria y servicios. Los estudiantes, organizados en grupos de 2 o 3 estudiantes, desarrollarán un trabajo computacional.

7. EVALUACIÓN:
El promedio final (PF) se determina de la forma siguiente:

PF=0.05(CL1 +CL2) + 0.20*TC + 0.35*EP +0.35*EF
Donde:

CL1, CL2: Controles de lectura

TC: Trabajo computacional (Sistemas de inferencia borroso o Algoritmo genético)

EP: Examen parcial

EF: Examen final

8. BIBLIOGRAFÍA:
[1] BONIFACIO MARTIN SANZ ALFREDO

2002 Redes Neuronales y Sistemas Difusos. Ed. Alfaomega

ISBN 84-7897-466-0

[2] KLIR, J.; YUAN, BO
1995 Fuzzy Sets and Fuzzy Logic: Theory and Applications. Ed. Prentice Hall

ISBN 0131011715

[3] COX, EARL

1994 The Fuzzy Systems Handbook. Ed Ap Professional

ISBN 0121942708

[4] SIVANANDAM, S,; SUMATHI, S.; DEEPA, S.

2007 Introduction a Fuzzy Logic using MATLAB. Ed. Springer

ISBN 103-540-35780-3

[5] MICHALEWICZ ZBIGNIEW
1996 Genetic Algorithms+Data Structures=Evolution Programs. 3ra Ed. Ed Springer

ISBN 3-540-60676-9

[6] WHITLEY DARRELL
2001 An Overview of Evolutionary Algorithms

Journal of Information and Software Technology.43:817-831

Las lecturas obligatorias serán proporcionadas por el profesor del curso.