Departamento de Computación

Desde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria son la falta de personas capacitadas en campos muy específicos y el elevado costo de sus servicios. Con esto podemos establecer que uno de los bienes mejor valuado es el conocimiento humano, y con esto la capacidad de tomar decisiones. En la actualidad, con la ayuda de personas especializadas podemos crear un sistema que simule la evaluacion de los mismos a través del estudio de cierta situación. A esto se le conoce como sistema experto. Los sistemas expertos son máquinas que razonan como un experto lo haría en una cierta especialidad o campo. La función de los sistemas expertos no es la de sustituir a los expertos humanos, sino hacer que su trabajo sea mas fácil y rápido de solucionarse. Debido a que el conocimiento en sistemas expertos es confuso y frecuentemente modificado, estos sistemas se han convertido en sistemas difíciles de entender y de gran tamaño. Por tal motivo es muy importante diseñar un marco de inferencia de conocimiento que sea ajustable según la variación del conocimiento como la cognición humana y el pensamiento. Las redes de Petri difusas (Fuzzy Petri Nets, en abreviación FPN) pueden modelar perfectamente reglas de producción difusas (Fuzzy Production Rules) con pesos, FPR es una de las representaciones de conocimiento más importante en muchas aplicaciones, los pesos son asignados a las reglas de producción para darles un grado de importancia, esto es, que algunas reglas seran más importantes que otras por lo que deberán tener mayor prioridad. Basado en el modelo FPN y un mecanismo de disparo de transiciones de FPN, se puede realizar el razonamiento automáticamente. Sin embargo, los pesos en éstas no pueden ajustarse de acuerdo a la actualización de conocimiento, en otras palabras, estas no tienen la habilidad de aprender. Las redes de Petri difusas adaptativas (Adaptive Fuzzy Petri Nets, en abreviacion AFPN) se propusieron para el razonamiento de conocimiento y el aprendizaje, son adecuadas para el conocimiento dinámico, es decir, los pesos de las AFPN se pueden ajustar de forma dinámica según la actualización del conocimiento. El algoritmo Backpropagation es el algoritmo clásico de aprendizaje. Se utiliza siempre para ajustar los parámetros de las funciones de pertenencia y los pesos de las redes. A pesar del éxito del algoritmo Backpropagation para el aprendizaje, este algoritmo posee una serie de deciencias como: su gran dependencia de parámetros, puede quedar fácilmente atrapado en mínimos locales y generalmente es muy lento en la resolución de búsqueda y optimizacion, ya que utiliza pasos infinitesimales para alcanzar las soluciones. Se propone un método de entrenamiento con algoritmos evolutivos llamado AWEA, es diseñado con el objetivo de eliminar los problemas que sufre el algoritmo Backpropagation. La idea principal, es desarrollar un método alternativo de aprendizaje, este método no reemplazará a los métodos existentes sino que será una alternativa a tener en cuenta por el diseñador de una red en el momento de seleccionar el algoritmo de aprendizaje. Los resultados obtenidos en esta tesis muestran que el método propuesto es una alternativa interesante para el aprendizaje. El método propuesto es capaz de adaptarse al modelo AFPN y lograr el aprendizaje con las mismas características que el algoritmo Backpropagation. Al mismo tiempo, evita los problemas generales que este algoritmo tiende a tener, además converge más rápido que el algoritmo Backpropagation.

Abstract

For some time, the most recurrent problems industry has faced are the lack of qualied people in very specic fields and the high cost of their services. Therefore, we can state that one of the most valued assets is human knowledge, and, as a result, the ability of making decisions. Nowadays, with the help of skilled people we can create a system that simulates the evaluation of the same through the study of a certain situation. The expert systems are machines that reason as an expert would do in a certain specialty or field. The function of expert systems is not to substitute human experts, but to make their work easier and faster in problem solving. Due to the fact that knowledge in expert systems is fuzzy and frequently modified, these systems have become large and dicult. For this reason, it is very important to design a frame inference knowledge that is adjustable according to the knowledge variation such as human cognition and thought. Fuzzy Petri Nets (FPN) can perfectly model Fuzzy Production Rules (FPR) with weights; FPR is one of the most important representations of knowledge in many applications, the weights are assigned to production rules to give them a degree of importance, this means some rules will be more important than others, thus, they must have higher priority. Based on the FPN model and an FPN transition ring mechanism, automatic reasoning can be made. However, weights in the former cannot be adjusted to the updating of knowledge; in other words, they have no ability to learn. Adaptive Fuzzy Petri Nets (AFPN) were proposed for reasoning of knowledge and learning; they are suitable for dynamic knowledge, that is, the weights in the AFPN can be adjusted in a dynamic way according to knowledge updating. Backpropagation algorithm is the classic learning algorithm. It is always used to adjust the parameters of the membership functions and the networks weights. Despite the success of Backpropagation algorithm in learning, this algorithm possesses a series of deficiencies such as: its great parameters dependence, it can be easily trapped in local minimum and it is generally slow in resolution search and optimization since it uses innitesimal step sizes to reach solutions. A training method with evolutionary algorithms called AWEA is proposed; it is designed with the objective of avoiding the problems Backpropagation algorithm presents. The main idea is to develop an alternative learning method; this method does not replace the existing methods but will be an alternative for a network designer to take into account when selecting the learning algorithm. The outcomes obtained in this thesis evince that the approach proposed is an interesting learning alternative. The approach proposed is able to adapt to the AFPN and achieve learning with the same characteristics as the Backpropagation algorithm. At the same time, it avoids the general problems this algorithm tends to have, besides having a faster convergence than the Backpropagation algorithm.