U1 Controlint Ebook PDF

Control Inteligente
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
Dirección de Nuevas Tecnologías y Educación Virtual

Vicerrectoría Académica
Universidad del Valle

©2009
Ficha Técnica
Coordinador de Programa Académico

Humberto Loaiza Correa
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
Coordinación Diseño Gráfico

Karen Ramírez González
Diagramación
John Jairo Toro Londoño
Dirección de Nuevas Tecnologías y Educación Virtual

Vicerrectoría Académica
Universidad del Valle

©2009
Tabla de Contenido
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
E n esta unidad presentamos una breve introducción a la inteligencia computacional

y enfatizamos en el Control Inteligente mostrando sus potencialidades y
brindando algunos criterios para evaluar cuando es conveniente la utilización de
estas técnicas de inteligencia computacional para aplicarlas al control. Partimos desde
la Inteligencia Artificial como área general del conocimiento hasta llegar a centrarnos en
nuestro tema de estudio, el control inteligente.
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.
4 Universidad del Valle Unidad 1.

Introducción
Control Inteligente
Contenido
Tema 1: Introducción al Control Inteligente
Introducción
Pensemos en el modelo matemático que el

malabarista tiene para poder manejar su
monociclo y lograr mantener el equilibrio,
imaginándonos que este modelo realmente
lo tiene en su cerebro.
La complejidad de este modelo es indiscutible

y los niveles de incertidumbre son tan
altos, que pensamos que prácticamente
sería imposible obtener estos modelos, lo
que dificulta también la solución de este
problema por métodos clásicos de control.
Sin embargo, los seres humanos somos
capaces, con un adecuado entrenamiento,
de hacer este tipo de tareas y algunas no
menos simples como la de conducir una
bicicleta.
Esta sorprendente capacidad es lo que trataremos de emular en el presente texto con el

fin de extraer la experiencia de nuestro cerebro para solucionar problemas complejos
inspirándonos en esa inmensa red de neuronas que disponemos en el cerebro y en la
forma como observamos y analizamos el mundo que nos rodea, para tomar decisiones
acertadas frente a los problemas que nos enfrentamos en nuestra vida cotidiana.
Esta inspiración nos lleva, bajo el marco de la Inteligencia Computacional1, a pensar

en soluciones basadas en Redes Neuronales Artificiales2 y Sistemas Difusos, temas
que trataremos en este libro sobre conceptos básicos de Control Inteligente3.
1 Inteligencia Computacional: También conocida como no simbólica o soft computing, involucra

métodos iterativos para el desarrollo del conocimiento, donde el aprendizaje está basado en el
conocimiento empírico, la inteligencia computacional se subdivide en:
• Redes Neuronales Artificiales

• Sistemas Difusos
• Computación Evolutiva
• Algoritmos Evolutivos
• Inteligencia de Enjambres
2 Redes Neuronales Artificiales: Una red neuronal es un procesador paralelo masivamente

distribuido que tiene una facilidad natural para almacenar el conocimiento obtenido de la
experiencia para luego hacerlo utilizable [Haykin - 1994]. 2. Son redes interconectadas
masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización
jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo
hace un sistema nervioso biológico [Kohonen – 1982].
3 Control Inteligente: Lo podemos definir como el conjunto de técnicas de control que hacen uso
de varias aproximaciones derivadas de la Inteligencia Artificial.
Unidad 1. 5 Universidad del Valle

Introducción
Control Inteligente
Fundamentos y Filosofía
Realicemos un trabajo con nuestro grupo de estudio y en nuestras propias

palabras, desde el lenguaje cotidiano, intentemos responder una a una las
preguntas que planteamos, con el fin de construir nuestra propia definición
de Control Inteligente.
Empecemos por comprender el significado de control, tal vez este concepto lo

manejemos técnicamente pues es familiar para la mayoría de nosotros.
La Inteligencia es un concepto complejo, pero hagamos el intento de definirla

en términos cotidianos, tal vez asociándola a percepción, aprendizaje,
aplicación y modificación.
Los tres conceptos siguientes ya son más

técnicos y la familiaridad con ellos no
puede ser tan amplia como en el caso
del término control, pero los invitamos a
realizar esta reflexión.
• Qué es control?4
• Qué es inteligencia?5
• Qué es inteligencia artificial?6
• Qué es inteligencia computacional?
• Qué es control inteligente?
La Inteligencia Artificial (IA)
Cada nuevo desarrollo tecnológico

implica la aparición de problemas de mayor
complejidad o que gracias a la rápida evolución
de la tecnología podamos afrontar la solución
de problemas que antes no considerabamos,
por ejemplo el reconocimiento y clasificación
de patrones de voz o imágenes, el control y
regulación de sistemas con múltiples entradas
y salidas, para citar algunos.
4 Control: El concepto de control lo podemos definir como la capacidad de influenciar el

coportamiento de algo (objeto o un sujeto) de tal forma que ese algo se comporte de una
manera deseada.
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.
6 Inteligencia Artificial: La inteligencia artificial lo podemos definir como el estudio del

comportamiento inteligente en las máquinas, entendido desde dos puntos de vista:
* El desarrollo de máquinas que tengan un comportamiento inteligente igual o superior al de

los humanos.
* La comprensión de este comportamiento en hombres o animales.

Introducción
Control Inteligente
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.
El uso de computadores nos ha permitido la solución de una gran cantidad de tareas

y éstas han ido aumentando paulatinamente en complejidad. Incluso, en algunos
casos requerimos que los computadores efectúen una serie de tareas de manera
“inteligente”.
Desarrollo Tecnológico: Los seres humanos, en nuestra continua

búsqueda de soluciones a nuestros sus problemas cotidianos, nos hemos
desarrollado tecnológicamente a pasos agigantados. Cada paso, hace del
mundo un lugar más complejo y difícil de entender.
Este desarrollo tecnológico nos ha posibilitado igualmente solucionar

problemas de alta complejidad o al menos pensar en solucionarlos.
Problemas como el reconocimiento de caracteres escritos, el guiado de
automóviles, la navegación de robots, entre otros. Hace algunas décadas
era impensable acometer la solución de éstos, pero la rápida evolución
tecnológica nos ha puesto frente a sistemas con alta capacidad de
procesamiento en la cual podemos alojar algoritmos de alta complejidad
que cumplan con el rigor de ser ejecutados en tiempo real.
Uso de computadores: Debido a que habitamos en un mundo donde

los recursos materiales y humanos son limitados y deben ser utilizados
adecuadamente, el desarrollo de computadores y máquinas nos ha
permitido la solución eficiente de una gran cantidad de tareas, desde las
más simples hasta las más complejas, incluso en aquellas donde nosotros
los humanos nos vemos limitados.
Tareas de manera “inteligente”: En aplicaciones de alta complejidad,

en aplicaciones donde prima un entorno cambiante o con altos niveles
de incertidumbre, es útil que exista alguna capacidad de las máquinas
para tomar decisiones, aprender y reaccionar frente a su entorno. En otras
palabras, actuar de manera “inteligente”.
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.
La IA en general trata sobre la creación de agentes inteligentes.

Introducción
Control Inteligente
Inteligencia Artificial: El hombre se ha

acuñado el nombre científico de homo sapiens
con el fin de representar la importancia que
tienen nuestras habilidades mentales, puestas
al servicio tanto para nuestro quehacer
cotidiano, como para definir o caracterizar
nuestro sentido de identidad.
Los esfuerzos de la inteligencia artificial se

orientan a conseguir la compresión de las
entidades inteligentes, con el fin incluso de
comprender más de nosotros mismos. A
diferencia de la filosofía y de la psicología, que
son ramas que tradicionalmente se han ocupado de estudiar la inteligencia,
la IA está encaminada a la construcción de entidades inteligentes y a su
compresión.
En síntesis, la IA es una rama de las ciencias de la computación que

trata sobre el comportamiento inteligente, el aprendizaje y adaptación
de las máquinas. Esta inteligencia es aplicada a la solución de muchos
problemas cotidianos mediante la comprensión del comportamiento de
los seres vivos, en particular el ser humano, en sus aspectos morfológicos,
cognitivos y sociales.
Aprendizaje: Es el proceso de adquirir conocimiento, habilidades,

actitudes o valores, a través del estudio, la experiencia o la enseñanza;
dicho proceso origina un cambio persistente, medible y específico en el
comportamiento de un individuo y, según algunas teorías, hace que el
mismo formule un esquema mental nuevo o que revise uno previo.
Agentes Inteligentes: En general, la Inteligencia Artificial trata sobre el

desarrollo de sistemas o “máquinas inteligentes”, denominadas agentes.
Sobre este particular vamos a profundizar más adelante.
Agente Inteligente
En 1987 Martin Fischles y Oscar Firschein propusieron

los agentes inteligentes y les definieron algunos
atributos. Esto potenció la investigación alrededor
de la Inteligencia Artificial, generando muchas áreas
perfectamente diferenciadas.
Atributos: Los atributos planteados por Fischles

y Firschein para un Agente Inteligente son:

Introducción
Control Inteligente
1. Tiene actitudes mentales tales como creencias e intenciones.

2. Tiene la capacidad de obtener conocimiento, es decir, aprender.
3. Puede resolver problemas, incluso particionando problemas complejos
en otros más simples.
4. Entiende, posee la capacidad de crearle sentido, si es posible, a ideas
ambiguas o contradictorias.
5. Planifica, predice consecuencias, evalúa alternativas (como en los
juegos de ajedrez)
6. Conoce los límites de su propias habilidades y conocimientos.
7. Puede distinguir a pesar de las similitud de las situaciones.
8. Puede ser original, creando incluso nuevos conceptos o ideas y hasta
utilizando analogías.
9. Puede generalizar.
10. Puede percibir y modelar el mundo exterior.
11. Puede entender y utilizar el lenguaje y sus símbolos.
Inteligencia Artificial: También conocida como no simbólica o

soft computing, involucra métodos iterativos para el desarrollo del
conocimiento, donde el aprendizaje está basado en el conocimiento
empírico, la inteligencia computacional se subdivide en:
• Redes Neuronales Artificiales.

• Sistemas Difusos.
• Computación Evolutiva.
– Algoritmos Evolutivos.
– Inteligencia de Enjambres.
Agentes Inteligentes: Características

Introducción
Control Inteligente
Autoanálisis: El agente inteligente es capaz de auto-analizarse en

términos de comportamiento, éxito y error.
Aprender y Mejorar: El agente inteligente es capaz aprender y mejorar

a través de la interacción con su ambiente para modificar su propio
comportamiento o desempeño.
Adaptación en Línea: El agente inteligente es capaz aprender rápidamente

la información contenida en una gran base de datos.
Aprendizaje de gran cantidad de datos: El agente inteligente es capaz

aprender rápidamente la información contenida en una gran base de
datos.
Reorganización de Reglas: El agente inteligente es capaz acomodar

o crear nuevas reglas para la solución de problemas de manera
incremental.
Memoria: El agente inteligente es capaz almacenar información en un

sistema de memoria con el fin de establecer relaciones y operaciones en
un contexto de trabajo.
Agentes Inteligentes: Ventajas
Planeación: El uso de Agentes Inteligentes para solucionar un problema

permite obtener una planeación por adelantado las posibles soluciones.

Introducción
Control Inteligente
Perspectiva: El uso de Agentes Inteligentes para solucionar un problema

permite obtener una perspectiva más amplia del problema.
Memoria: El uso de Agentes Inteligentes para solucionar un problema

permite almacenar el conocimiento que se ha aprendido o extraído.
Aprendizaje Deducción: El uso de Agentes Inteligentes para solucionar

un problema permite ampliar el conocimiento que se tiene del mismo a
través del aprendizaje y deducir nuevas estrategias de solución por medio
de la experiencia.
Ramas de la Inteligencia Artificial
La Inteligencia Artificial se divide en dos escuelas dependiendo de como se diseña un

Agente Inteligente. La primera que se ha denominado Inteligencia Artificial Convencional
y una emergente llamada Inteligencia Computacional.
La Inteligencia Artificial Convencional
Inteligencia Artificial Convencional: La inteligencia artificial

convencional, también conocida como simbólica o lógica, se caracteriza
por su formalismo y análisis estadístico o lógico. En general, la IA
Convencional considera que las soluciones deben ser “elegantes”, “claras”
y probablemente “correctas”. Sus métodos, categorizados actualmente
como Aprendizaje de Máquina incluyen:

Introducción
Control Inteligente
• Búsqueda en Espacios de Estado

• Planeamiento Automático
• Búsqueda Combinatoria
• Sistemas Expertos
• Sistemas basados en Comportamiento
• Redes Bayesianas.
Sistemas Expertos: También conocido como sistema basado en

conocimiento, es un programa que contiene información sobre un tema
especifico. Se compone de una serie de reglas que analizan información
por medio de un análisis matemático, provee una conclusión.
Redes Bayesianas: Representación grafica de dependencias para

razonamiento probabilística, donde un nodo representa una variable
proposicional y un arco la dependencia probabilística.
Sistemas basados en Comportamiento: Sistemas conformados de

múltiples módulos que buscan emular como los seres vivos conviven con
el medio o con otros entes similares.
La Inteligencia Computacional
Inteligencia Computacional: Dentro de la Inteligencia Artificial, podemos

plantear dos tendencias históricas:
1. Imitar los procesos de la inteligencia a un alto nivel (razonamiento,

deducción) y como ejemplo surgieron los Sistemas Expertos.
2. Emular los procesos de la inteligencia a un nivel más bajo, es decir,

al nivel del mismo cerebro y en un principio se conoció como el
Enfoque Conectivista, pero el nombre que se ha mantenido es el de
Redes Neuronales Artificiales (RNA).
Además de las RNA surgieron otras técnicas de naturaleza bio-inspirada,

como la Lógica Difusa y los Algoritmos Genéticos.

Introducción
Control Inteligente
Estas tres últimas técnicas bio-inspiradas se agrupan en lo que

inicialmente se denominó Inteligencia Computacional, básicamente por
que el procesamiento final de la información se hace de manera numérica
(Ideales para simularse en sistemas de cómputo).
Si vemos este término como mayor profundidad, la Inteligencia

Computacional, también conocida como no simbólica o soft computing,
involucra métodos iterativos para el desarrollo del conocimiento, donde el
aprendizaje está basado en el conocimiento empírico. Esta rama considera
que la inteligencia es demasiado compleja para ser resuelta por sistemas
homogéneos.
La Inteligencia Computacional en algunos casos, rechaza por completo

los métodos estadísticos (como en los sistemas difusos), o tácitamente los
ignora (como en varias redes neuronales).
Sus ramas son:

• Redes Neuronales Artificiales
• Sistemas Difusos
• Computación Evolutiva
– Algoritmos Evolutivos
– Inteligencia de Enjambres.
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.

Introducción
Control Inteligente
Control Inteligente: En general, el objetivo de un sistema de control automático es

encontrar un dispositivo externo al sistemas dinámico a controlar (el controlador o
compensador) que nos proporcione una señal adecuada para que la salida del sistema
tenga unas características deseadas.
De este principio surge el concepto de Control Inteligente cuando para diseñar o

implementar el controlador se utiliza alguna técnica normalmente del ámbito de la
Inteligencia Artificial y en nuestro caso nos centraremos en técnicas bio-inspiradas
del ámbito de la Inteligencia Computacional (RNA, LD, CE). En el diagrama podemos
observar las variaciones más importantes dentro de este campo, aunque no son las
únicas.
Podemos también definir el control inteligente como la capacidad del sistema de

asemejar el comportamiento de alguno de sus elementos a alguna de las cualidades
cognoscitivas del comportamiento humano, como el aprendizaje, el razonamiento
simbólico, la planificación o la adaptación a un medio cambiante.
En este libro solo abordaremos el estudio de controladores basados en técnicas

neuronales, difusas y neurodifusas.
Controlador Inteligente Directo
Este caso corresponde a un esquema de control directo, donde el controlador es un

elemento que está diseñado con alguna técnica de inteligencia computacional para
actuar sobre la planta. Usualmente los controladores inteligentes de este tipo son los
neurocontroladores7 o los controladores difusos8, según sea la técnica utilizada.
Este tipo de aplicación es la que más profundizaremos a lo largo del libro.
7 Neurocontroladores: Sistema de control basado en redes neuronales artificiales.
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.

Introducción
Control Inteligente
Sintonización de un Controlador Clásico
En este caso observamos un sistema tradicional de control, donde el controlador actúa

directamente sobre la planta sobre la base de un error entre un valor de referencia
definido y la salida medida de la planta.
En esta aplicación, el controlador es diseñado con un procedimiento tradicional y la

técnica de inteligencia computacional entra a modificar los parámetros de diseño del
controlador, por ejemplo, si el controlador es el conocido PID, podemos utilizar un
algoritmo genético9 para sintonizar las constantes proporcional, integral y derivativa,
con el fin de optimizar su funcionamiento.
Cuándo Aplicar CI?
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:
• En ambientes variables e inciertos, por la capacidad de adaptación y aprendizaje

de los controladores inteligentes.
Ambientes Variables e Inciertos: Nos referimos a situaciones donde las
condiciones son cambiantes o involucran altos niveles de incertidumbre, por
ejemplo, cuando nos vemos enfrentados a modelar el caudal de un rio o un
sistema biológico, los cuales están sujetos a variables de índole aleatoria y
difíciles de predecir, son sistemas No-Lineales, sensibles a perturbaciones y su
modelado es complejo.
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).

Introducción
Control Inteligente
• En sistemas autónomos, tales como naves espaciales, sistemas de exploración y

robots
Sistemas Autónomos: En la navegación de sistemas autónomos se plantean
retos muy complejos, como por ejemplo el aparcar un vehículo, en esta
actividad se involucran diferentes variables muy difíciles de dimensionar, como
las velocidades, aceleraciones, distancias a los obstáculos, ángulo de entrada al
sitio donde queremos que nuestro vehículo aparque, entre otras.
Pensemos ahora en un modelo para realizar esta tarea; la complejidad salta a la
vista y obtener una modelo determinístico puede resultar una labor imposible
de llevar a cabo, en este caso la inteligencia computacional surge como una
alternativa plausible y sencilla.
Redes Neuronales Artificiales
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
Como un resultado de la emulación del funcionamiento de la neuronas cerebrales

surge el modelo de “La neurona artificial”. El modelo es simple y su capacidad de
procesamiento es limitada.

Introducción
Control Inteligente
Al igual que nuestro cerebro

está compuesto por una gran
cantidad de neuronas biológicas
interconectadas, las RNA están
formadas por la interconexión
de las neuronas artificiales con el
fin de incrementar la capacidad
de procesamiento y por ende
la posibilidad de solucionar
problemas complejos. Una
RNA es básicamente un conjunto de neuronas artificiales interconectadas que de esta
manera pretende imitar de una manera muy burda el funcionamiento del cerebro.
La Neurona Artificial
Modelo propuesto a partir de la neurona biológica
1. Como en el caso de la neurona biológica, la neurona artificial recibe

unas entradas de estímulo que pueden provenir del sistema sensorial
externo o de otras neuronas con las cuales posee conexión. Para el
caso del modelo de neurona artificial que proponemos, en la
ilustración, la información que recibe la neurona la definimos con el
vector de entradas X.
2. La información recibida por la neurona es modificada por el vector w
de pesos sinápticos cuyo papel es el de emular la sinapsis existente
entre las neuronas biológicas. Estos valores se pueden asimilar a
ganancias que pueden atenuar o amplificar los valores que se desean
propagar hacia la neurona.
3. Los diferentes valores que recibe la neurona, modificados por los
pesos sinápticos, los sumamos para producir lo que hemos
denominado la entrada neta. Esta entrada neta es la que va a
determinar si la neurona se activa o no.

Introducción
Control Inteligente
4. La activación o no de la neurona depende de lo que llamaremos

Función de Activación. La entrada neta la evaluamos en esta función
y obtenemos la salida de la red. Si por ejemplo, esta función la
definimos como un escalón unitario, la salida será 1 si la entrada
neta es mayor que cero, en caso contrario, la salida será 0.
Aunque no hay un comportamiento biológico que indique la

presencia de algo parecido en el las neuronas del cerebro, el uso de
la función de activación es un artificio para poder aplicar las RNA a
gran diversidad de problemas reales. De acuerdo a lo mencionado
la salida yj de la neurona se genera al evaluar la neta en la función de
activación.
5. La salida de la neurona la podemos propagar hacia otras neuronas o

puede ser la salida de la red que de acuerdo a la aplicación tendrá
una interpretación para el usuario.
Definición de Red Neuronal
1. Según Haykin (1994), una red neuronal es un procesador paralelo masivamente

distribuido que tiene una facilidad natural para almacenar el conocimiento
obtenido de la experiencia para luego hacerlo utilizable.
2. Según Kohonen (1982) son redes interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) y con organización jerárquica, las
cuales intentan interactuar con los objetos del mundo real del mismo modo que lo
hace un sistema nervioso biológico.
Características de las RNA
1. Capacidad de aprendizaje.
2. Capacidad de generalización.
3. Extraen características esenciales de información irrelevante.
4. Capacidad de asociación.
5. Capacidad de agrupación.
Capacidad de aprendizaje: Las RNA son capaces de aprender a partir de

un conjunto de ejemplos que sean representativos o intenten modelar el
problema a solucionar. Esta es una de las características más poderosas,
pues permite que la red neuronal se adapte a nuevas situaciones siempre
y cuando exista la información necesaria para realizar el proceso de
entrenamiento. Como en el caso de nosotros lo seres humanos, la calidad
de la información o datos que le entreguemos a la red, va a ser fundamental
para garantizar la calidad del aprendizaje, en otras palabras, podemos
asegurar que la red aprende lo que le enseñemos.

Introducción
Control Inteligente
Capacidad de generalización: Cuando se usan las RNA se necesita que

ellas sean capaces de extender su respuesta adecuada a eventos o datos
que no han sido utilizados en la fase de aprendizaje, a esta característica la
denominaremos generalización. Esta propiedad de nosotros los humanos,
que nos permite extender un conocimiento adquirido bajo ciertas
circunstancias, a situaciones similares pero no exactas, también la tienen
las redes neuronales, si los datos son representativos, hacen que las RNA
sean atractivas para muchas aplicaciones.
Lo que buscamos es que la red aprenda la relación entre la entrada y

la salida usando algunos ejemplos y luego a la red ya entrenada, si le
suministramos un conjunto de entradas del mismo contexto del problema,
la salida generada debe ser la correcta.
Extraen características esenciales de información irrelevante: Algunos

tipos de RNA son capaces de extraer la información relevante que hay en
ciertos datos y rechazar aquella información que no sea importante. Esta
característica se ha aplicado con mucho éxito en problemas asociados a la
minería de datos.
Capacidad de asociación: Esta es una característica muy importante

de la inteligencia de nosotros los seres humanos e incluso, podemos
atrevernos a decir que es más elevada que la capacidad de aprender a partir
de ejemplos. Qué entendemos por asociación? Cuando establecemos una
relación entre dos conceptos. Por ejemplo, si decimos “Rosenblatt” para
todos nosotros esperamos que inmediatamente se genere una asociaciòn al
concepto de Perceptrón. Esta misma palabra, si la decimos en un auditorio
que no conozca de Redes Neuronales, muy seguramente no le dirá nada o
no la asociarán a un conocimiento, sino a un nombre de una persona.
Capacidad de agrupación: Los seres humanos tenemos una facilidad

para agrupar el conocimiento con base en un objetivo predeterminado. Por
ejemplo, tenemos los libros de nuestra comunidad y queremos organizarlos
en una biblioteca pública… Qué pasa si pedimos a diferentes grupos que
los organicen? Cada uno de ellos buscará algún criterio para hacerlo; pues
bien, las RNA emulando nuestra capacidad, igualmente pueden solucionar
problemas de asociación por sectores o grupos de información, algo que la
literatura se conoce como clustering o agrupamiento.

Introducción
Control Inteligente
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 la otra orilla tenemos a los computadores que requieren datos y un procesamiento

de los mismos completamente precisos para tomar las decisiones. Por ejemplo, para
un sistema computacional que decide si un niño tiene fiebre y considerando como 37.5
ºC, el límite de temperatura normal; un niño con 37.4 ºC de temperatura estaría sano,
mientras que uno con 37.6 ºC, lo consideraría enfermo.
Claramente, vemos la inconveniencia de este sistema que está inspirado en un

razonamiento preciso. La lógica difusa, propuesta por Zadeh, nos brinda una alternativa
para construir sistemas que emulen este razonamiento impreciso propio de los seres
humanos y se pueda implementar en los sistemas computacionales, usando como
herramienta matemática los conjuntos difusos.
En este texto dedicaremos una unidad para estudiar en profundidad este tema.

Introducción
Control Inteligente
Tema 2: Breve Reseña Histórica del Control Inteligente
1937 (Turing): Números Calculables
Alan Mathison Turing (1912 - 1954). De formación

de base en matemáticas y filosofía, considerado como
uno de los padres de las ciencias de la computación y
gracias a la Máquina de Turing, como precursor de la
Inteligencia Computacional.
En 1937 publicó un reconocido artículo sobre

los “Números Calculables”, lo que para muchos
científicos significó el origen de la ciencia de los
computadores.
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.
Finalizando la década de los cuarenta, diseñó uno de los primeros computadores

electrónicos programables digitales en el Laboratorio Nacional de Física del Reino Unido
y poco tiempo después construyó otra de las primeras máquinas en la Universidad
de Manchester. Entre otras muchas cosas, también contribuyó de forma particular e
incluso provocativa al enigma de si las máquinas pueden pensar, es decir a la Inteligencia
Artificial.

Introducción
Control Inteligente
1943 (McCollough y Pitts): Neurona Artificial

Warren McCulloch y Walter Pitts (1943)
desarrollaron modelos de redes neuronales basados
en su conocimiento de neurología.
Este sistema pudo aprender a conectar y asociar unas

entradas dadas a una unidad de salida aleatoria. Los
resultados de sus modelos fue la solución a funciones
lógicas elementales tales como “a OR b” y “a AND b”.
El modelo neuronal propuesto por estos autores sigue

vigente, pero debido a la falta de un algoritmo de
aprendizaje, su propuesta no tuvo una mayor trascendencia.
1937 (Turing): Test de Turing
Ver información pagina anterior.
1956 (McCarthy): Inteligencia Artificial
En 1956 John McCarthy organizó la famosa conferencia

de Inteligencia Artificial en Dartmouth en donde se habló
por primera vez del término “inteligencia artificial”. La
euforia embargó a los connotados participantes y se
hicieron grandes previsiones muy difíciles de cumplir
en el corto plazo, lo que provocó que prácticamente se
abandonaran las investigaciones sobre el tema por casi
tres lustros.
1958 (RosenBlatt): El Perceptron
Rosenblatt (1958) revitalizó

fuertemente el interés y la actividad en
esta área cuando diseñó y desarrolló
su Perceptrón.
El Perceptron fue la primera red

neuronal propiamente dicha pues
Rosenblatt ideó una regla de aprendizaje que permite encontrar de manera adaptativa
los pesos de la red para aprender una determinada información
La gran limitación del Perceptron es que solo puede resolver problemas que son
linealmente separables.

Introducción
Control Inteligente
1960 (Widrow and Hoff): Red Neuronal ADALINE
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).
Una de las ventajas de la red ADALINE es su aplicabilidad como filtro adaptativo.
1962 (Zadeh): Lógica Difusa
Desde la época de los grandes filósofos griegos y otros

pensadores se ha venido cuestionando la efectividad de
la dicotomía cierto-falso, de hecho, ya en el 380 A.C.,
Aristóteles propone la existencia de grados de verdad o
falsedad.
El filósofo norteamericano Charles Sander Pierce,

fue el primero en considerar la vaguedad en vez de la
dicotomía cierto-falso, para describir como funciona el
mundo y razona el hombre.
En 1920 el filósofo polaco Jan Lukasiewicz propone la

primera Lógica de Vaguedad.
En 1962 Lotfi Zadeh cuestiona la efectividad de las matemáticas tradicionales, las

cuales resultaban intolerantes ante la imprecisión y ante verdades parciales.
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.
1962 (Holland): Algoritmos Genéticos
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.

Introducción
Control Inteligente
1964 (Zadeh): Conjuntos Difusos
En 1964 Zadeh propone por primera vez la noción de conjuntos difusos1 en un

memorando interno de investigación. En 1965, la revista “Information and Control”
publica el memorando anterior, como el artículo “Fuzzy Sets”.
1964 (Bienert, Rechenberg, Schwefel): Estrategias Evolutivas
En 1964 Peter Bienert, Ingo Rechenberg y Hans

Paul Schwefel desarrollaron un esquema para
solucionar problemas de carácter hidrodinámico.
Diseñadas para operar sobre individuos representados

como números reales, modifica además de los
parámetros del problema, los parámetros de la
búsqueda.
1966 (Fogel): Programación Evolutiva
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.

Introducción
Control Inteligente
1971 (Zadeh): Semántica Difusa
En 1971, Zadeh publica el artículo, “Quantitative Fuzzy Semantics”, en donde introduce

los elementos formales de la lógica difusa y sus aplicaciones tal como se conocen en la
actualidad.
1974 (Mandani): Controladores Difusos
En 1974, el Británico Ebrahim Mandani, demuestra la aplicabilidad de la lógica difusa

en el campo del control. desarrolla el primer sistema de control Difuso práctico: La
Regulación de un Motor de Vapor.
1982 (Holmblad, Ostergaard): Primer Control Difuso Comercial
En 1982, Los ingenieros daneses Lauritz Peter Holmblad y Jens-Jurgen Ostergaard

desarrollan el primer sistema de control difuso comercial en una planta de cemento.

Introducción
Control Inteligente
1985 (Yamakawa): Controlador Difuso HW
En 1986, Yamakawa, “Fuzzy Controller hardware system”. Desarrolla controladores

fuzzy en circuitos integrados.
1987 Fuzzy Boom
• Los japoneses empiezan a explotar la lógica

difusa de forma masiva, mientras que los
occidentales asumen una actitud reacia, frente
a estos nuevos desarrollos.
• Aparece toda una serie de investigadores

japoneses en el campo de la lógica difusa tales
como Sugeno, Togai, Bart Kosko.
• En 1986, Yamakawa, “Fuzzy Controller

hardware system”. Desarrolla controladores
fuzzy en circuitos integrados.
• En 1987, en el Japón se inaugura el tren subterráneo de Sendai, lo que representa

un gran hito en la historia de los sistemas difusos, pues el tren es controlado y guiado
por un sistema difuso, siendo famosa su suavidad para los pasajeros, sobretodo en el
frenado.
• En 1987, aparece el concepto de “Fuzzy Boom”, ya que se comercializa una multitud

de productos basados en la lógica difusa, sobretodo en el Japón, pero ya para son bien
conocidos productos como las cámaras de fotografía y video con ajuste de imagen
difusos, entre otros.
1987 (Fischles, Firschein): Agentes Inteligentes
Fischles y Firschein propusieron los agentes inteligentes2

y les definieron algunos atributos. Esto potenció la
investigación alrededor de la Inteligencia Artificial, generando
muchas áreas perfectamente diferenciadas.
2 Agentes inteligentes: Software capaz de:

1. Aprender y mejorar a través de la interacción con su ambiente
2. Adaptarse en línea y en tiempo real
3. Aprender rápidamente de gran cantidad de datos
4. Acomodar nuevas reglas para la solución de problemas de manera incremental
5. Almacenar información en una memoria
6. Autoanalizarse en términos de comportamiento, éxito y error

Introducción
Control Inteligente
1991 (Dorigo): Optimización por Colonia de Hormigas
En 1991, Marco Dorigo desarrolló un sistema basado en el comportamiento de social

de las hormigas.
En este sistema se utiliza el concepto de Estimergia (Es un método de comunicación

en sistemas emergentes donde las partes individuales se comunican unos a otros por
medio de la modificación de su entorno.
En las hormigas, la estimergia se presenta cuando una hormiga deposita feromona,

una sustancia química, sobre el camino transitado, atrayendo a las siguientes. A una
mayor acumulación de feromona se incrementa la probabilidad que un individuo siga
el rastro), para desarrollar una optimización distribuida.
1992 (Koza): Programación Genética
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.
1995 (Kennedy, Eberhart): Optimización por Enjambre de Partículas
En 1995 James Kennedy y Russell Eberhart desarrollaron un modelo basado en el

desplazamiento de cardúmenes y bandadas.
Este sistema conduce la búsqueda utilizando una población de partículas que

corresponden a los individuos. Cada partícula es una solución candidata al problema.
Las partículas cambian su estado al “volar” a través de un espacio de búsqueda
multidimensional hasta que un estado relativamente estable ha sido encontrado, o
hasta que las limitaciones computacionales son excedidas.
2000 (Passino): Optimización por Enjambre de Bacterias
En el 2000, Kevin Passino presenta un algoritmo basado en el comportamiento

chemotáctico de la E. Coli. El objetivo es en contrar el mínimo de una función J(q),
cuando se desconoce su gradiente, siendo q es la posición de la bacteria y J(q) representa
la ubicación de los nutrientes y sustancias nocivas.
Este modelo ha sido utilizado para el Control Adaptativo por Modelos.

Introducción
Control Inteligente
2001 (Abbass): Optimización por Matrimonio de Abejas
En 2001 Hussein Abbass presento un algoritmo evolutivo basado en el comportamiento

reproductivo de las abejas.
El algoritmo define cuatro tipos de agentes y es usado para solución del problema de
satisfacción proposicional.
Aplicaciones
1. Control Neuronal: Gracias a la capacidad de aprendizaje que poseen las redes

neuronales artificiales, éstas han sido ampliamente utilizadas en diferentes
esquemas de control, como por ejemplo, en control por modelo inverso de la
planta, control adaptativo por modelo de referencia, control predictivo, control
por modelo interno, entre otros. De estrategias de neurocontrol podemos
encontrar aplicaciones en control de procesos químicos como bioreactores, control
de brazos manipuladores y robots móviles.
2. Control Neurodifuso: La capacidad de aprendizaje de las redes neuronales y la

fácil interpretabilidad de modelo difuso para los seres humanos, son características
ventajosas de cada uno de los paradigmas de inteligencia computacional que
aprovecharemos para compensar las deficiencias que estos presentan cuando se
aplican de forma aislada. Bajo esta directriz surgen los sistemas neurodifusos que
han sido aplicados en el modelado de sistemas dinámicos para garantizar
adaptabilidad por el lado de las redes neuronales y claridad en la interpretación
del mismo, por el lado de los sistemas difusos. Con los sistemas neurodifusos se
han implementado esquemas de control para ser aplicados en la industrial
química, la robótica, la aviónica, la industria automotriz, en electrodomésticos, en
electrónica de consumo, etc.

Introducción
Control Inteligente
3. Control Difuso: El mecanismo de inferencia difusa que se utiliza en este tipo

de controladores emulando el razonamiento humano, o hace proclive a ser
aplicado en problemas donde el ser humano se desempeña con solvencia, por
ejemplo en la conducción de automóviles y operación de plantas. Por esta razón,
encontramos aplicaciones de control difuso en robótica móvil para el guiado y
navegación, en ambientes industriales para la dosificación de insumos químicos en
un reactor, el control de velocidad de los rodillos que manipulan el papel con el fin
de garantizar un grosor uniforme, para citar algunas.
Resumen
E n esta unidad presentamos una primera aproximación al concepto de control

inteligente como la aplicación de diferentes técnicas de la inteligencia artificial
al mando y regulación de sistemas dinámicos. Revisamos con algún detalle
las redes neuronales y los sistemas difusos como la base de los esquemas de control
neuronal, difuso y neurodifuso que abordaremos en las siguientes unidades.
Luego le proponemos una interesante revisión histórica del control inteligente en el

marco de la evolución de la inteligencia artificial, con el fin de que podamos visualizar
el desarrollo a lo largo del tiempo de este apasionante tema.
Finalmente, presentamos algunas ideas de donde podemos aplicar las técnicas de

control inteligente que estudiaremos a lo largo de este libro.
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.

Introducción

U1 Controlint Ebook PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

U1 Controlint Ebook PDF

Uploaded by

Copyright:

Available Formats

Control Inteligente

Dirección de Nuevas Tecnologías y Educación Virtual

Universidad del Valle

Coordinador de Programa Académico

Coordinación Diseño Gráfico

Dirección de Nuevas Tecnologías y Educación Virtual

Universidad del Valle

E n esta unidad presentamos una breve introducción a la inteligencia computacional

4 Universidad del Valle Unidad 1.

Tema 1: Introducción al Control Inteligente

Pensemos en el modelo matemático que el

La complejidad de este modelo es indiscutible

Esta sorprendente capacidad es lo que trataremos de emular en el presente texto con el

Esta inspiración nos lleva, bajo el marco de la Inteligencia Computacional1, a pensar

1 Inteligencia Computacional: También conocida como no simbólica o soft computing, involucra

• Redes Neuronales Artificiales

2 Redes Neuronales Artificiales: Una red neuronal es un procesador paralelo masivamente

Unidad 1. 5 Universidad del Valle

Realicemos un trabajo con nuestro grupo de estudio y en nuestras propias

Empecemos por comprender el significado de control, tal vez este concepto lo

La Inteligencia es un concepto complejo, pero hagamos el intento de definirla

Los tres conceptos siguientes ya son más

La Inteligencia Artificial (IA)

Cada nuevo desarrollo tecnológico

4 Control: El concepto de control lo podemos definir como la capacidad de influenciar el

6 Inteligencia Artificial: La inteligencia artificial lo podemos definir como el estudio del

* El desarrollo de máquinas que tengan un comportamiento inteligente igual o superior al de

6 Universidad del Valle Unidad 1.

El uso de computadores nos ha permitido la solución de una gran cantidad de tareas

Desarrollo Tecnológico: Los seres humanos, en nuestra continua

Este desarrollo tecnológico nos ha posibilitado igualmente solucionar

Uso de computadores: Debido a que habitamos en un mundo donde

Tareas de manera “inteligente”: En aplicaciones de alta complejidad,

La IA en general trata sobre la creación de agentes inteligentes.

Unidad 1. 7 Universidad del Valle

Inteligencia Artificial: El hombre se ha

Los esfuerzos de la inteligencia artificial se

En síntesis, la IA es una rama de las ciencias de la computación que

Aprendizaje: Es el proceso de adquirir conocimiento, habilidades,

Agentes Inteligentes: En general, la Inteligencia Artificial trata sobre el

En 1987 Martin Fischles y Oscar Firschein propusieron

Atributos: Los atributos planteados por Fischles

8 Universidad del Valle Unidad 1.

1. Tiene actitudes mentales tales como creencias e intenciones.

Inteligencia Artificial: También conocida como no simbólica o

• Redes Neuronales Artificiales.

Agentes Inteligentes: Características

Unidad 1. 9 Universidad del Valle

Autoanálisis: El agente inteligente es capaz de auto-analizarse en

Aprender y Mejorar: El agente inteligente es capaz aprender y mejorar

Adaptación en Línea: El agente inteligente es capaz aprender rápidamente

Aprendizaje de gran cantidad de datos: El agente inteligente es capaz

Reorganización de Reglas: El agente inteligente es capaz acomodar

Memoria: El agente inteligente es capaz almacenar información en un

Agentes Inteligentes: Ventajas

Planeación: El uso de Agentes Inteligentes para solucionar un problema

10 Universidad del Valle Unidad 1.

Perspectiva: El uso de Agentes Inteligentes para solucionar un problema

Memoria: El uso de Agentes Inteligentes para solucionar un problema

Aprendizaje Deducción: El uso de Agentes Inteligentes para solucionar

Ramas de la Inteligencia Artificial

La Inteligencia Artificial se divide en dos escuelas dependiendo de como se diseña un

La Inteligencia Artificial Convencional