sábado, marzo 10, 2007
martes, junio 13, 2006
Resumen
En el presente trabajo, se explora la factibilidad de los autómatas celulares como técnica para la predicción de series de tiempo. En primera instancia, se realiza un resumen de las diferentes técnicas utilizadas para predecir y se establecen el conjunto de series a simular. Luego, se realiza un análisis de la configuración que debe poseer un autómata para simular la serie de tiempo, en el cual se incluye un cálculo de los recursos computacionales. Se utiliza un algoritmo genético para generar las regla locales de evolución. Finalmente, se presentan los resultados obtenidos junto con las conclusiones de la investigación.
Conclusiones de la Investigación
Los modelos de autómatas celulares pueden ser utilizados como técnica predictiva que no solo puede ofrecer mejores grados de confiabilidad sino que permiten obtener gramáticas que describan las relaciones entre los elementos que interactúan en el sistema. A su vez, los AC como herramienta de análisis de variables discretas ofrecen una mejor aproximación a las series de tiempo discreto.
jueves, mayo 25, 2006
Avance 2.0 - Arquitectura del Sistema
Como se ha mencionado anteriormente, se utilizaran algoritmos evolutivos para encontrar las reglas que permitan generar los comportamientos deseados. Por ello, hemos establecido la arquitectura del sistema que nos permita realizar los experimentos. Aquí presentamos una grafica que mostrar como debe estar construido el sistema.
miércoles, mayo 24, 2006
Avance 2.1 - Evaluación de Individuos
A continuación presentamos el diseño de la función de evaluación de los Individuos en l os Algoritmos Genéticos a utilizar. Nótese que el algoritmo solicita simulaciones del autómata celular según la regla codificada en un individuo.
Nótese que la evaluación consta de dos partes:
- Determinación del error del individuo en el seguimiento de una serie de tiempo. Esto se hace utilizando mínimos cuadrados.
- A partir de los errores se calcula el total de error de la población y se establece el menor de los errores. Con estos datos se calcula el Fitness del Individuo el cual debe ser inversamente proporcional a su error.
Avance 1.0
ESTRUTURACION DEL ARTÍCULO.
1) Resumen
2) Palabras Claves.
3) Introducción.
4) Formulación del Problema
..........4.1 - La necesidad de Predicción
..........4.2 - Las técnicas clásicas de predicción y desventajas
..........4.3 - Las técnicas modernas de preedición y sus desventajas
5) Marco Teórico
..........5.1 - Autómatas Celulares
..........5.2 - Algoritmos Genéticos
..........5.3 - AGs en
6) Diseño del Autómata Celular
7) Diseño del Algoritmo Genético
..........7.1 - Codificación de Individuos
..........7.2 - Función de Aptitud
..........7.3 - Operador de Selección
..........7.3 - Operador de Cruzamiento
..........7.3 - Operador de Mutación
8) Diseño Experimental
..........8.1 - Series Monovariables (AC con 2 Estados)
....................8.1.1 ACS con estado inicial estático
....................8.1.2 ACS con estado inicial dinámico
.......... .........8.1.3 CHC con estado inicial estático
....................8.1.4 CHC con estado inicial dinámico
.........8.2 - Series Bivariables
....................8.1.1 ACS con estado inicial estático
....................8.1.2 ACS con estado inicial dinámico
....................8.1.3 CHC con estado inicial estático
....................8.1.4 CHC con estado inicial dinámico
9) Resultados y Análisis de Resultados
.........9.1 - Desempeño de los Algoritmos Genéticos
.........9.2 - Desempeño de los Autómatas Celulares
.........9. - Presentación del Mejor Individuo Obtenido
10) Conclusiones y recomendaciones.
.........10.1 - Ventajas y Desventajas
.........10.2 - Inconvenientes
.........10.2 - Recomendaciones
11) Bibliografía.
lunes, mayo 22, 2006
Comentario 0.1
viernes, mayo 19, 2006
Avance 0.3
Se han establecido 3 estados. Estudiantes activos, aspirantes y personas indiferentes = {2,1,0} respectivamente
Queremos desarrollar el aplicativo de la siguiente forma:
- Una módulo que se encargue de modelar (apartir de una regla cifrada como un digito) el comportamiento del AC con una regla que es obtenida como parametro de entrada del modulo, esta regla se constituye como el individuo a evolucionar.
- Una módulo se encargará de desarrollar el mejor individuo (reglas locales) y determinar su aptitud (teniendo en cuenta los datos sumnistrados por Adminiciones y registros) con el modulo (1) .
Nuestras primeras observaciones:
- La desventaja de hacer esta practica con AC y no con RNA es que los AC no generalizan situaciones (es decir dar solucion parcial) con una mayor velocidad*.
- La ventaja principal de AC radica en su capacidad de generar una semantica de la situacion a modelar, por ejemplo podriamos encontrar relaciones como las siguientes: Un estudiante dejaria de estudiar si tiene una cantidad N de personas no interesadas (a lo mejor ocurre lo ocurre en la costa y se desmotiva a seguir estudiando) ó que un aspirante se convierte en estudiante si el número de estudiante es lo suficientemente grande como para motivarlo.
- De la literatura observada y de los calculos prelimires se ha llegado a una conclucion muy particular; La computacion actual no es lo suficientemente apta para desarrollar modelos computacionales basados en el desarrollo de elementos masivos y paralelos, esto ha de ser tema a tratar en el articulo.
martes, mayo 16, 2006
Avance 0.2
Bueno, ayer se logró determinar lo siguiente:
Se va a trabajar con la vecindad de “cruz” (i,j) – (i,j-1) – (i+1,j) – (i,j+1) – (i-1,j), y en total se constituirán 242 combinaciones posibles de estados de los vecinos, esta cantidad es moderada y de fácil manejo.
El estados de los vecinos es la j-esima del gen de un individuos i, de esta forma se hace mas rápido y comprensible la interpretación del cromosoma.
Avance 0.1
Evolución de Automatas celulares utilizando Algoritmos geneticos.
Observaciones: Es un articulo muy aproximado a nuestro trabajo, es bastante interesante y de agradable lectura.
Actualización:
Haciendo unas observaciones referenciadas en este articulo, se ha podido definir el espacio de busqueda de las reglas.
Sea D el número de dimenciones.
Sea k el número de estados.
Sea r el radio del AC.
sea C el número de configuraciones de cada regla.
C = (2r + 1) ^ D
Sea Regla el número total de reglas a trabajar
Reglas = k ^ C
Un ejemplo si nuestro proyecto fuese de r = 2 , k = 3 , D = 2 el número estimado de reglas seria unas 847'288'609.443
Definición de Objetivos
Objetivo General:
Determinar el conjunto de reglas locales que deben regir a un autómata celular que permitan generar comportamientos similares al del crecimiento estudiantil de una universidad en particular.
Objetivos Específicos:
- Determinar el conjunto de datos a simular.
- Determinar los parámetros del AC.
- Diseñar e implementar un Algorítmo Genético que permita encontar reglas para el AC que se ajusten a los datos.
- Analizar los resultados obtenidos.
Cualquier tipo de sugerencias (por parte del profesor, claro) serán bien recibidas.