dc.contributorDr. Manuel Valenzuela Rendón
dc.contributorITESM
dc.contributorDr. Hugo Terashima Marín
dc.contributorDr. Carlos Coello Coello
dc.contributorDr. Francisco CantÚ
dc.contributorDr. Horacio Martínez Alfaro
dc.creatorTorres Treviño, Luis M.
dc.date2015-08-17T11:24:31Z
dc.date2015-08-17T11:24:31Z
dc.date01/05/2004
dc.date.accessioned2018-03-16T18:27:02Z
dc.date.available2018-03-16T18:27:02Z
dc.identifierhttp://hdl.handle.net/11285/572245
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/1211251
dc.descriptionEl objetivo de la tesis es desarrollar un sistema con la capacidad de retener y reutilizar soluciones para resolver problemas dinámicos. Se considera que existen dos tipos de problemas dinámicos, los primeros se relacionan con la optimización de funciones dinámicas y los segundos se relacionan con el aprendizaje en un medio ambiente dinámico. Las soluciones de los problemas dinámicos son importantes porque es el comÚn de los problemas reales. La tesis se inspira en la exaptación que es el proceso evolutivo en el cual una estructura adaptada para una función particular se utiliza para lograr otra función generalmente diferente a la que se adaptó. Para implantar el proceso evolutivo de la exaptación se analizan algunos algoritmos evolutivos. También se analizan los mecanismos de aprendizaje que utilizan algoritmos evolutivos ya que se quiere involucrar a la exaptación en los mecanismos de aprendizaje. La exaptación tiene una relación con el aprendizaje por analogía; por lo cual también puede brindar una guía para la implantación de un sistema con capacidades exaptivas. La exaptación se divide en dos procedimientos, el primero es la reutilización de soluciones, el segundo es la retención. Para el primer procedimiento se analizan técnicas para modificar soluciones e insertarlas en la población inicial de un algoritmo genético u otro algoritmo evolutivo. Para el segundo procedimiento se analizan algunos algoritmos evolutivos que mantienen la diversidad en la población y se utilizan mecanismos de memoria junto con algunas técnicas de reutilización para formar sistemas evolutivos capaces de resolver problemas dinámicos. En la optimización de funciones dinámicas se probaron dos algoritmos con capacidades exaptivas y se comparó el desempeño con otro algoritmo especializado en resolver estos problemas. Se demuestra que los algoritmos propuestos son competitivos. En el aprendizaje en un medio ambiente dinámico, se utilizó una red neuronal sencilla con propiedades exaptivas que le permite aprender varias funciones en una sola estructura. Finalmente se propone el uso de un agente inteligente con capacidades exaptivas en la reprogramación de tareas para demostrar que los procedimientos exaptivos propuestos le brindan alguna ventaja al agente comparado con otro agente que no tiene capacidades exaptivas.
dc.languagespa
dc.publisherInstituto Tecnológico y de Estudios Superiores de Monterrey
dc.rightsOpen Access
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectSistemas Exaptivos
dc.subjectRetención de Conocimiento
dc.subjectAlgoritmos Evolutivos
dc.subjectComputación
dc.subjectTecnología
dc.subjectIngeniería y Ciencias Aplicadas / Engineering & Applied Sciences
dc.titleSistemas Exaptivos: Retención y Reutilización de Conocimiento en Algoritmos Evolutivos
dc.typeTesis


Este ítem pertenece a la siguiente institución