Professional Documents
Culture Documents
Unidad 1
Introducción
Autores:
Eduardo F. Caicedo Bravo
Ing. Electricista
Mg. En Tecnologías de la Información en Fabricación
Ph.D. En Informática Industrial
Jesús Alfonso López Sotelo
Ing. Electricista | Mg. En Automática
Ph.D. En Ingeniería
Mario Andrés Muñoz Acosta
Ing. Electrónico | Mg. En Ingeniería énfasis en Electrónica
Diseño Gráfico
Edinson Largo Hoyos
Montaje e Ilustración
Ana María Henao Agudelo
Programación
Diana Johanna Volpe García
Asesoría Metodológica
Oscar Trejos Sinisterra
Pacífico Abella Millán
Coordinación Programación
Henry A. Taquez Quenguán
Diagramación
John Jairo Toro Londoño
Introducción 4
Tema 1. Introducción al Control Inteligente 5
Tema 2. Breve Reseña Histórica del
Control Inteligente 21
Aplicaciones 28
Resumen 29
Bibliografía 29
Control Inteligente
Introducción
Esperamos que encuentre interesante la breve reseña histórica donde recogemos los
hitos que han marcado la evolución del control inteligente.
Finalmente, proponemos una revisión a algunas ideas de aplicación del control neuronal,
los controladores difusos y los neurodifusos.
Contenido
Introducción
3 Control Inteligente: Lo podemos definir como el conjunto de técnicas de control que hacen uso
de varias aproximaciones derivadas de la Inteligencia Artificial.
Fundamentos y Filosofía
• Qué es control?4
• Qué es inteligencia?5
• Qué es inteligencia artificial?6
• Qué es inteligencia computacional?
• Qué es control inteligente?
5 Inteligencia: Más que definir a la Inteligencia, consideramos que es más sencillo identificar que
se entiende por comportamiento inteligente, ya que éste supone percibir, razonar, aprender,
comunicarse y actuar en entornos complejos.
La solución de este tipo de problemas requiere que usemos eficientemente los recursos
humanos y materiales, tratando de potenciar lo mejor de cada uno de ellos y sobretodo,
sin olvidar el conocimiento que los humanos tengamos del problema, aun cuando éste
sea difícil de describir con métodos determinísticos.
La Inteligencia Artificial
La inteligencia artificial es una rama de las ciencias computacionales que trata sobre
el comportamiento inteligente, aprendizaje y adaptación en las máquinas, usando
como modelo la forma en que actúan los seres vivos, en particular el ser humano.
Agente Inteligente
La Inteligencia Computacional
El Control Inteligente
El control inteligente lo podemos definir como las técnicas de control que hacen uso de
varias aproximaciones derivadas de la Inteligencia Artificial.
8 Controladores Difusos: Estrategia que pertenece al Control Inteligente que utiliza para la toma
de decisiones un sistema de inferencia basado en lógica difusa.
lógica difusa: Una aproximación a la forma como manejamos la información y la procesamos los
humanos, que nos permite incluir el razonamiento impreciso y el manejo de la incertidumbre,
desde su misma concepción, bajo una connotación de procesamiento de datos aproximado y con
palabras.
La respuesta a la pregunta que surge ¿cuándo aplicar las técnicas de control inteligente?,
es difícil de responder en la parte inicial del texto, pero esperamos que al finalizar
podamos haber adquirido una serie de criterios para decidir sobre la conveniencia o no,
respecto de la utilización de estas técnicas en el control. En general podemos plantear
dos tipos de situaciones donde aconsejamos su utilización:
9 Algoritmo genético: Los algoritmos genéticos hacen parte de una subdivisión de la Inteligencia
Computacional denominada Computación Evolutiva, que incluye estrategias evolutivas,
programación evolutiva, programación genética y la inteligencia de enjambres. Estos algoritmos
evolucionan una población de individuos sometiéndola a acciones semejantes a las propuestas
por Darwin en la Teoría de la Evolución Natural (Selección natural, reproducción y mutaciones).
Las redes neuronales artificiales (RNA) surgen como un intento para emular el
funcionamiento de las neuronas de nuestro cerebro.
En este sentido las RNA siguen una tendencia diferente a los enfoques clásicos de la
inteligencia artificial los cuales tratan de emular la inteligencia buscando imitar los
procesos de razonamiento que por ejemplo ocurren en nuestro cerebro.
El objetivo de este apartado es mostrar las potencialidades de las redes neuronales, pues
se supone que el lector ya conoce este tema y más que una introducción es un pequeño
recuento del modelo de neurona artificial y sus principales características, que serán
fundamentales a la hora de identificar o controlar sistemas dinámicos con base en RNA,
que si es motivo de estudio en los siguientes capítulos.
La Neurona Artificial
La Neurona Artificial
1. Capacidad de aprendizaje.
2. Capacidad de generalización.
3. Extraen características esenciales de información irrelevante.
4. Capacidad de asociación.
5. Capacidad de agrupación.
Sistemas Difusos
Una de las principales cualidades que tenemos los seres humanos es la de poder
tomar decisiones ante situaciones con altos niveles de incertidumbre y en ocasiones
pobremente definidas, por ejemplo, cuando queremos pasar a través de una puerta, no
disponemos del ancho exacto de la misma y no nos hace falta, pues aun sin conocer
tampoco nuestro diámetro corporal decidimos si pasar o no, pues es suficiente con
tener una percepción clara de si cabemos o no. Otro claro ejemplo es el determinar la
talla de una persona, es decir si es alta, baja o mediana.
En este texto dedicaremos una unidad para estudiar en profundidad este tema.
En este artículo introdujo la Máquina de Turing, una idea matemática que formalizó el
concepto de algoritmo y convirtiéndose en un antecedente vital de los computadores
digitales, como los conocemos hoy en día. Con base en la Máquina de Turing se pudo
demostrar que existen problemas irresolubles para los algoritmos clásicos, dando origen
a la inteligencia computacional.
La gran limitación del Perceptron es que solo puede resolver problemas que son
linealmente separables.
La Red Neuronal ADALINE (ADAptive LInear Element) fue desarrollada en 1960 por
Widrow and Hoff (de la Universidad de Stanford). El ADALINE fue un dispositivo
electrónico analógico hecho de componentes simples, con un método de aprendizaje
diferente al del Perceptrón, empleando una regla de aprendizaje basada en mínimos
cuadrados (LMS).
Pero la lógica difusa consideraremos que nace en 1965 a partir de la publicación del
artículo “Fuzzy Sets” escrito por Lofti Zadeh (profesor en la Universidad de California en
Berkley) para la revista Information and Control.
En contraste con la lógica convencional, que utiliza conceptos absolutos para referirse
a la realidad, la lógica difusa la define en grados variables de pertenencia a los mismos,
siguiendo patrones de razonamiento similares a los del pensamiento humano.
En 1962 John H. Holland propuso una estrategia donde enfatiza en la cruza sexual
sobre la mutación. Los individuos son representados como cadenas binarias, que
codifican valores reales. Además, usa una selección probabilística, aunque tiene
tendencias elitistas.
En 1966 Lawrence Fogel propuso una estrategia para evolucionar autómatas de estado
finito, donde se enfatiza en los nexos de comportamiento entre los padres y los hijos en
lugar de usar operadores evolutivos.
1 Conjuntos Difusos: Un conjunto difuso permite que los elementos asociados a él puedan
poseer niveles de pertenencia diferentes a 0 ó 1, es decir, un elemento puede tener un nivel de
membresía al conjunto con valores no enteros (0 ó 1) sino decimales o parciales.
En 1992, John Koza, creo un sistema capaz de crear programas a partir de descripciones
en alto nivel del problema. El sistema hace uso de operadores evolutivos como la
recombinación, mutación, reproducción y alteración de la arquitectura.
El algoritmo define cuatro tipos de agentes y es usado para solución del problema de
satisfacción proposicional.
Aplicaciones
Resumen
Bibliografía
• NORGARD M., RAUN O., POULSEN N.K., Neural Networks for Modelling and
Control of Dynamic Systems, Springer, London, UK, 2000.
• PASSINO Kevin, YURKOVICH Stephen, Fuzzy Control, Addison – Wesley, USA, 1997.