Accesos directos a las distintas zonas del curso
Ir a los contenidos
Ir a menú navegación principal
Ir a menú pie de página
Subject's code : 31104159
El contenido de la asignatura recoge una serie de técnicas de la Inteligencia Artificial que se vienen aplicando al control de procesos complejos. Se describen de forma general y se hace hincapié en su diseño e implementación en un amplio espectro de problemas de ámbitos de la vida real.
El temario consta de los siguientes temas:
CONTENIDOS
INTRODUCCIÓN
En este tema se introduce el control inteligente desde su nacimiento, y se glosa brevemente su historia. Se presentan y discuten diversas definiciones de inteligencia. A continuación se caracteriza el control inteligente, explicitando su aplicabilidad. Para ello se enumeran especificaciones del control o de los sistemas que hacen necesaria o conveniente la aplicación de este tipo de aproximación. Se compara el control convencional frente al control inteligente. Por último, se enumeran y describen algunas de las metodologías tomadas de la Inteligencia Artificial que se aplican en el ámbito del control, como las redes de Petri, lógica borrosa, redes neuronales, algoritmos genéticos, etc. Algunas de estas técnicas se enuncian muy brevemente ya que no serán estudiadas ni aplicadas en esta asignatura, pero conviene que el alumno tenga una visión panorámica de las diversas estrategias tomadas de la inteligencia artificial que se pueden utilizar en el ámbito de la automatización.
Palabras claves: control, inteligencia artificial, control inteligente, aprendizaje
Contenidos de mayor dificultad: no hay. Es un tema teórico.
Orientaciones para este tema: se aconsejan los siguiente medios audiovisuales disponibles en el Campus Virtual para la mejor comprensión de este tema.
Un sistema experto es un sistema basado en conocimiento que realiza una inferencia aplicando un tipo de razonamiento. En este tema se describe la estructura interna de un sistema experto y la función que realizan cada uno de sus módulos (base de datos, base de conocimientos, módulo de explicación, etc.) Se detalla el proceso de adquisición y representación del conocimiento, mostrando diversas formas de presentar esa información. Se revisan los mecanismos de razonamiento hacia adelante y hacia atrás con ejemplos. Se aplican diversas estrategias de control para el recorrido de árboles demostrativos. También se describen los modos de razonamiento GMP y GMT. En lo que podría ser la segunda parte de este tema, se muestra la posibilidad de aplicación de los sistemas experto en el ámbito del control, especificando el tipo de conocimiento con el que se trabaja y algunas de las limitaciones que esta metodología presenta para el control de sistemas. Por último, se enumeran algunos lenguajes y programa informáticos con los que implementar estos sistemas.
Palabras claves: sistema experto, conocimiento, inferencia, control basado en reglas
Contenidos de mayor dificultad: mecanismos de inferencia.
Orientaciones para este tema: se aconseja el siguiente enlace para la mejor comprensión de este tema, en concreto, para ver las demos computacionales que muestran el proceso de inferencia de un sistema experto.
INTRODUCCIÓN A LAS REDES NEURONALES
APRENDIZAJE EN LAS REDES NEURONALES Y CONTROL NEURONAL
La primera parte de este tema se centra en el estudio de las redes neuronales analógicas, sus fundamentos, estructura y aplicaciones. Comienza con un repaso al origen de esta técnica de la inteligencia artificial y se recorre brevemente algunos de los hitos de su desarrollo. Se describen sus características, propiedades y funcionamiento en general. Al hablar de la estructura, se hace especial hincapié en el tipo y nivel de conexionismo entre sus elementos. A partir de esta descripción, se distingue entre redes no recurrentes, de las que se detallan el perceptrón y, como redes de la segunda generación de redes directas, el perceptrón multicapa; y por otro lado las redes recurrentes, que se ejemplifican describiendo las redes de Hopfield y las de Boltzman, como una ampliación de las primeras para las que se introduce la técnica de la relajación paralela y el enfriamiento simulado.
La segunda parte de este tema introduce el aprendizaje en las redes neuronales, para hacer comprender mejor su funcionamiento, y el concepto de convergencia. Se describen los diversos tipos de aprendizaje en una red neuronal, supervisado y no supervisado, y posibles formas de implementación, en línea o fuera de línea. Dentro del aprendizaje supervisado se explica el aprendizaje por refuerzo, el estocástico y el de corrección del error. Para este último se detalla su funcionamiento para una red simple, como el perceptrón, y para una red multicapa. Se describe también dentro del aprendizaje no supervisado propio de las redes recurrentes el hebbiano y el competitivo. La última parte del tema está dedicada a la aplicación de esta metodología de la inteligencia artificial conexionista a la identificación de sistemas y obtención de modelo, y al control, con estructura directa e indirecta.
Palabras claves: red neuronal, aprendizaje, neuro-control
Contenidos de mayor dificultad: aprendizaje y estructuras neuronales de control
Orientaciones para este tema: se aconseja el siguiente enlace para la mejor comprensión de este tema, en concreto, para ver las demos computacionales que muestran el aprendizaje de una red neuronal. También hay demostraciones en la herramienta software Matlab.
LÓGICA BORROSA
CONTROL BASADO EN LÓGICA BORROSA
El tratamiento de información incompleta o con incertidumbre puede ser crucial en la toma de decisiones. Además de la teoría de la probabilidad, la lógica borrosa se presenta como un potente marco para abordar la imprecisión. En la primera parte de este tema se introducen los fundamentos de la lógica borrosa, recorriendo brevemente su historia y estado del arte. Se parte de la re-definición del concepto de conjunto y función de pertenencia, así como de las operaciones entre conjuntos de diversa naturaleza y las relaciones entre ellos. Se define el concepto de variable lingüística y se trata con detalle la representación del conocimiento según este paradigma. Se describe el razonamiento aproximado y diversas metodologías para la inferencia.
La segunda parte del tema está dedicada al control basado en lógica borrosa. Un sistema borroso está estructurado al menos en cuatro bloques: tratamiento de la información de entrada y de salida, base de conocimiento y mecanismo de inferencia. Se detalla cada uno de estos módulos, así como los distintos tipos de sistemas basados en lógica borrosa atendiendo a su salida. Se muestra la aplicación de esta técnica de la inteligencia artificial al control, con sus ventajas y limitaciones. En el último apartado de este tema se detalla el diseño de un controlador borroso.
Palabras claves: control, razonamiento aproximado, lógica borrosa, sintonía
Contenidos de mayor dificultad: sintonía de controladores borrosos
Orientaciones para este tema: Se aconsejan los siguiente medios audiovisuales disponibles en el Campus Virtual de la UCM para la mejor comprensión de este tema. También hay demostraciones en la herramienta software Matlab.
Este tema introduce una metodología de la computación suave, los algoritmos genéticos, y su aplicación a problemas de búsqueda y optimización. Tras comentar en general su historia, características, ventajas y limitaciones, se especifican posibles ámbitos de aplicación de estas estrategias evolutivas. Se describe a continuación el algoritmo genético básico, y se detallan en los siguientes apartados cada uno de sus pasos: generación de una población inicial, evaluación, reproducción, sustitución de la población. Se comentan diversos operadores que pueden implementar cada una de esas partes, por ejemplo, diversos operadores de cruce o mutación. Se comenta también la influencia de algunos parámetros del algoritmo (por ejemplo, la probabilidad de mutación o de cruce) en la convergencia. Por último se citan otros tipos de algoritmos evolutivos.
Palabras claves: optimización, algoritmo genético, convergencia
Contenidos de mayor dificultad: convergencia del algoritmo genético
Orientaciones para este tema: se aconseja el siguiente enlace para la mejor comprensión de este tema, en concreto, para ver las demos computacionales que muestran cómo funcionan los algoritmos genéticos. También hay demostraciones en la herramienta software Matlab.
