dc.contributor | Dr. Manuel Valenzuela Rendón | |
dc.contributor | ITESM | |
dc.contributor | Dr. Hugo Terashima Marín | |
dc.contributor | Dr. Carlos Coello Coello | |
dc.contributor | Dr. Francisco CantÚ | |
dc.contributor | Dr. Horacio Martínez Alfaro | |
dc.creator | Torres Treviño, Luis M. | |
dc.date | 2015-08-17T11:24:31Z | |
dc.date | 2015-08-17T11:24:31Z | |
dc.date | 01/05/2004 | |
dc.date.accessioned | 2018-03-16T18:27:02Z | |
dc.date.available | 2018-03-16T18:27:02Z | |
dc.identifier | http://hdl.handle.net/11285/572245 | |
dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/1211251 | |
dc.description | El 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.language | spa | |
dc.publisher | Instituto Tecnológico y de Estudios Superiores de Monterrey | |
dc.rights | Open Access | |
dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Sistemas Exaptivos | |
dc.subject | Retención de Conocimiento | |
dc.subject | Algoritmos Evolutivos | |
dc.subject | Computación | |
dc.subject | Tecnología | |
dc.subject | Ingeniería y Ciencias Aplicadas / Engineering & Applied Sciences | |
dc.title | Sistemas Exaptivos: Retención y Reutilización de Conocimiento en Algoritmos Evolutivos | |
dc.type | Tesis | |