Materia:

Sistemas Difusos

Alumno:
Richard ngel Bentez Garca

Contenido
TAREA: ............................................................................................................................. 3
1.

Tcnicas de la inteligencia computacional................................................................ 3

1.1

Computo Evolutivo ............................................................................................. 4

1.2

Redes Neuronales ............................................................................................... 5

1.3

Inteligencia Colectiva ......................................................................................... 7

1.4

Mtodos Probabilsticos...................................................................................... 9

1.5

Aprendizaje Automtico ................................................................................... 11

1.6 Lgica Difusa ........................................................................................................ 13

2. La tcnica escogida para la tesis. ............................................................................... 17
2.1 Tcnica escogida para la tesis. .............................................................................. 17
2.2 Justificacin de la tcnica escogida para la tesis ................................................. 17
3. Referencias ................................................................................................................. 18

TAREA:
Presentar un resumen de las tcnicas que conforman la Inteligencia Computacional (soft
computing), indicar y justificar cual sera la mejor opcin para su tema de tesis.

1. Tcnicas de la inteligencia computacional

El estudio de mecanismos adaptativos para permitir el comportamiento inteligente de sistemas
complejos y cambiantes. La Inteligencia Computacional combina elementos de aprendizaje,
adaptacin, evolucin y Lgica difusa para crear programas que son, en cierta
manera, inteligentes. La investigacin en Inteligencia Computacional no rechaza los mtodos
estadsticos, pero muy a menudo aporta una vista complementaria. Las Redes Neuronales son
una rama de la inteligencia computacional muy relacionada con el aprendizaje automtico [1].
Las tcnicas de la inteligencia computacional son (Figura 1):

Computo Evolutivo (Evolutionary Computing)

Redes Neuronales (Neuronal Network)

Inteligencia Colectiva (Swarm Intelligence)

Mtodos Probabilsticos (Probabilistic Methods)

Aprendizaje Automtico (Learning Theory)

Lgica Difusa (Fuzzy Logic)

Figura. 1. Tcnicas de la Inteligencia Computacional.

1.1 Computo Evolutivo

La computacin evolutiva es una rama de la computacin y la inteligencia artificial que
comprende mtodos de bsqueda y aprendizaje automatizado inspirados en los mecanismos de
la evolucin natural. Diversos enfoques a la computacin evolutiva han sido propuestos: las
estrategias evolutivas, los algoritmos genticos, la programacin gentica y los clasificadores
genticos entre otros. A estos mtodos se les denomina de manera colectiva como algoritmos
evolutivos, entre los cuales los ms conocidos son probablemente los algoritmos genticos. Estos
algoritmos han sido aplicados exitosamente en la resolucin de problemas en distintas ramas de
la ingeniera, el diseo, la industria, la economa y las ciencias naturales [2].
La computacin evolutiva emula a la evolucin natural en el diseo e implementacin de
herramientas computacionales para la resolucin de problemas. A partir de 1960, varios modelos
de computacin evolutiva han sido propuestos y estudiados, a los cuales se les denomina
colectivamente como algoritmos evolutivos. Estos algoritmos han sido aplicados a una amplia
variedad de problemas encontrados tanto en la industria y el comercio, como en la investigacin
cientfica de punta.

Los algoritmos evolutivos emulan a la evolucin natural y comprenden:

Una representacin o codificacin de las soluciones potenciales al problema bajo estudio

Una poblacin (conjunto de individuos) de estas soluciones potenciales

Mecanismos para generar nuevos individuos o soluciones potenciales al problema

estudiado, a partir de los miembros de la poblacin actual (los denominados operadores
de mutacin y recombinacin)

Una funcin de desempeo o evaluacin (del ingls fitness function) que determina la
calidad de los individuos en la poblacin en su capacidad de resolver el problema bajo
estudio

Un mtodo de seleccin que otorgue mayores chances de sobrevivir a las buenas

soluciones (Tabla 1).

Tabla 1. Analogas entre aspectos de la evolucin natural y los algoritmos evolutivos.

La Tabla 1 muestra las analogas entre la evolucin natural y los algoritmos evolutivos, mientras
que a Figura 1 ilustra el esquema general de un algoritmo evolutivo. Una poblacin de M
individuos es inicializada y sujeta a evolucin simulada de una generacin a la siguiente a travs
de la aplicacin sucesiva de los operadores de seleccin de progenitores, recombinacin,
mutacin, evaluacin de la funcin de desempeo y seleccin de sobrevivientes. Este ciclo es
4

interrumpido luego de un nmero fijo de iteraciones (generaciones), o cuando la solucin

encontrada es de calidad aceptable para el problema bajo estudio (Figura 2).

Figura 2. Esquema general de un algoritmo evolutivo.

Los sistemas clasificadores genticos utilizan un algoritmo evolutivo para explorar el espacio de
reglas de produccin de un sistema de aprendizaje capaz de inducir nuevo conocimiento y
generalizar. Finalmente, la programacin gentica aplica bsqueda evolutiva en el espacio
compuesto por programas de computadora en un lenguaje de programacin que puede
modificarse utilizando operadores de mutacin y recombinacin.

1.2 Redes Neuronales

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie
de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres
funciones:

Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo
general consiste en el sumatorio de cada entrada multiplicada por el peso de su
interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si
es negativo, se denomina inhibitoria.

Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este
caso la salida la misma funcin de propagacin.

Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin.
Se utiliza para acotar la salida de la neurona y generalmente viene dada por la
interpretacin que queramos darle a dichas salidas. Algunas de las ms utilizadas son
la funcin sigmoidea (para obtener valores en el intervalo (0,1)) y la tangente
hiperblica (para obtener valores en el intervalo (-1,1)).

Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones

sinpticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran
5

nmero de procesadores virtuales interconectados que de forma simplificada simulan la

funcionalidad de las neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones
sinpticas biolgicas se modela mediante un mecanismo de pesos, que son ajustados durante la
fase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determina
el conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que la RNA ha
sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona tiene asociada
una funcin matemtica denominada funcin de transferencia. Dicha funcin genera la seal de
salida de la neurona a partir de las seales de entrada. La entrada de la funcin es la suma de
todas las seales de entrada por el peso asociado a la conexin de entrada de la seal. Algunos
ejemplos de entradas son la funcin escaln de Heaviside, la lineal o mixta, la sigmoide y
la funcin gaussiana, recordando que la funcin de transferencia es la relacin entre la seal de
salida y la de entrada [3].
Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa
especializada.

Perceptrn (Figura 3)

Adaline

Perceptrn multicapa

Memorias asociativas

Mquina de Boltzmann

Mquina de Cauchy

Propagacin hacia atrs (backpropagation)

Redes de Elman

Redes de Hopfield

Red de contrapropagacin

Redes de neuronas de base radial

Redes de neuronas de aprendizaje competitivo

Mapas Autoorganizados (RNA) (Redes de Kohonen)

Crecimiento dinmico de clulas

Gas Neuronal Creciente

Redes ART (Adaptative Resonance Theory)

Figura 3: Red neuronal artificial perceptrn multicapa con n neuronas de entrada, m neuronas en su capa oculta y una
neurona de escape.

1.3 Inteligencia Colectiva

Por aos los nios, curiosos y cientficos estn intrigados con los insectos sociales, varios centros
de investigacin han elaborado estudios formales sobre el comportamiento de las hormigas ants,
abejas bees, avspas wasps y animalitos parecidos. Es sorprendente la eficiencia que presentan
estas sociedades de insectos/animalitos.
Los campos de aplicacin de la inteligencia de los enjambres es diversa: negocios, reorganizacin
de operaciones en empresas diversas, solucin a problemas de ingeniera de trfico en redes,
optimizacin de procesos de bsqueda, disminucin de costos ocasionados por desperdicio en
logstica, mejorar estrategias para eliminar virus informticos, aumento de productividad en la
administracin de aeropuertos, eficiencia en los mercados de valores, sistemas inteligentes para
administracin de mejores rutas en carreteras, optimizacin de sistemas de carga, entre otros.
Desde la dcada de los 80 muchos investigadores han desarrollado modelos matemticos
rigurosos para describir el comportamiento de insectos sociales.
En este sentido, son tres los aspectos que hacen que los insectos sociales sean exitosos y estn
presenten en cualquier lugar de la tierra [4]:
1. Flexibilidad, la colonia puede adaptase a un entorno cambiante, extremo, adverso;
tienen capacidad de auto recuperarse.
2. Robustez, es decir, cuando uno o ms individuos fallan -se equivocan o mueren: el grupo
puede seguir ejecutando la tarea.
3. Auto-organizacin, es decir las actividades no se controla centralizadamente ni se
supervisan localmente. No hay reyes ni guardias.
En un problema de optimizacin, el objetivo es generalmente encontrar la mejor de entre varias
alternativas. En algunos problemas, esto se puede hacer en un tiempo razonable visitando todas
las soluciones posibles del espacio de bsqueda (ejemplo, bsqueda en una base de datos) o
mediante alguna tcnica que reduce el problema (ejemplo, minimizacin de funciones continuas).
Sin embargo, existen problemas no simplificables con un espacio de bsqueda demasiado grande

para explorarlo por completo con tcnicas exhaustivas. En estos casos tiene sentido aplicar las
tcnicas meta heursticas [5].
De forma breve podemos definir la meta-heurstica como estrategias de alto nivel para explorar
espacios de bsqueda. La estrategia concreta que emplean depende de la filosofa de la tcnica
en s. Algunas de ellas pueden considerarse versiones inteligentes de algoritmos de bsqueda
local (simulated annealing). Otras, sin embargo, intentan aprender la correlacin entre las
variables de decisin para identificar zonas de gran calidad en el espacio de bsqueda
(computacin evolutiva).
Los algoritmos de Swarm intelligence (SI) son tcnicas meta-heursticas de inteligencia artificial
basados en el estudio de comportamientos colectivos presentes en sistemas de la naturaleza,
generalmente de carcter descentralizado y auto-organizativo. Dicho comportamiento social
define los movimientos de las variables de decisin en el espacio de bsqueda y las orienta hacia
soluciones optimas. La expresin de Swarm Intelligence fue introducida por Gerardo Beni,
Suzanne Hackwood y Jing Wang en 1989, en el contexto de sistemas robticos celulares.

Figura 4.1: (a) Radio de influencia de un individuo, (b) colectivo Swarm, (c) colectivo Torus y (d) colectivo Dinamic/Highly
Parallel Group.

Los individuos deben mantener una distancia mnima entre ellos el resto del cmulo durante
todo el proceso. Por otra parte, cada individuo debe evitar una distancia excesiva con el resto del
grupo, de modo que tiende a ser atrado hacia los dems individuos, evitando as ser aislado y
dando lugar a diferentes vecindarios dependiendo de la fuerza de atraccin. Como se puede
observar en la Figura 4.1a, el radio de influencia de cada individuo se compone de una zona
inicial de repulsin (zor - para evitar colisiones), una zona de orientacin (zoo - el individuo dirige
su movimiento) y una zona exterior de atraccin (zoa - el individuo evita ser aislado).
Dependiendo de la configuracin de cada zona del radio individual, se generaran diferentes
comportamientos y formas en los vecindarios globales.
8

Identificaron una serie de comportamientos dinmicos colectivos ilustrados en la Figura 4.1:

swarm (Figura 4.1b): agregacin con cohesin pero un bajo nivel de polarizacin (alineamiento
paralelo) entre sus miembros. Torus (Figura 4.1c): los individuos rotan continuamente sobre un
eje vaco. La direccin de rotacin es aleatoria. Dinamic/Highly Parallel Group (Figura 4.1d):
movimiento esttico en trminos de intercambio de posicin espacial entre los individuos. Dentro
de los algoritmos de inteligencia colectiva, se pasa brevemente a describir los de Particle Swarm
Optimization y Ant Colony Optimization, que son de gran importancia por la aplicabilidad que
estn demostrando y la cantidad de publicaciones que vienen generando en los ltimos aos.
Como ejemplo adicional, se reserva un pequeo espacio a los algoritmos basados en los procesos
de polinizacin por la particularidad de su diseo [6].

1.4 Mtodos Probabilsticos

El conocimiento es lo que sabemos. La informacin es la comunicacin de conocimientos. En cada
intercambio de conocimientos, hay un remitente y un receptor. El remitente hace comn lo que
es privado, hace la informacin, la comunicacin. La informacin se puede clasificar como
formas explcitas y tcitas. La informacin explcita se puede explicar de forma estructurada,
mientras que la informacin tcita es inconsistente e imprecisa de explicar.
Los datos son conocidos como informacin cruda y no como conocimientos en s. La secuencia que
va desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos (Data) a
la Informacin (Information), de la Informacin (Information) a los Hechos (Facts), y finalmente,
de los Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en informacin,
cuando se hacen relevantes para la toma de decisin a un problema. La informacin se convierte
en hecho, cuando es respaldada por los datos. Los hechos son lo que los datos revelan. Sin
embargo el conocimiento instrumental es expresado junto con un cierto grado estadstico de
confianza (gl).
Los hechos se convierten en conocimiento, cuando son utilizados en la complementacin exitosa
de un proceso de decisin. Una vez que se tenga una cantidad masiva de hechos integrados como
conocimiento, entonces su mente ser sobrehumana en el mismo sentido en que, con la escritura,
la humanidad es sobrehumana comparada a la humanidad antes de escribir. La figura siguiente
ilustra el proceso de razonamiento estadstico basado en datos para construir los modelos
estadsticos para la toma de decisin bajo incertidumbre [7].

Figura 5: Representacin de Modelo Estadstico

En donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de Decisiones
La figura anterior (figura 5) representa el hecho que a medida que la exactitud de un modelo
estadstico aumenta, el nivel de mejoramiento en la toma de decisin aumenta. Esta es la razn
del porqu necesitamos la estadstica de negocio. La estadstica se cre por la necesidad de poner
conocimiento en una base sistemtica de la evidencia. Esto requiri un estudio de las leyes de la
probabilidad, del desarrollo de las propiedades de medicin, relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser
adjunta luego que se permita una variacin aleatoria como fuente de error. Una inteligente y
crtica inferencia no puede ser hecha por aquellos que no entiendan el propsito, las condiciones,
y la aplicabilidad de las de diversas tcnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas decisiones sean
tomadas incrementa con la disponibilidad de la buena informacin. La oportunidad de la
disponibilidad de la buena informacin incrementa con el nivel de estructuracin del proceso
de Direccin de Conocimiento. La figura anterior tambin ilustra el hecho que mientras la
exactitud de un modelo estadstico aumenta, el nivel de mejora en la toma de decisiones aumenta.
El conocimiento es ms que simplemente saber algo tcnico. El conocimiento necesita la
sabidura. La sabidura es el poder de poner nuestro tiempo y nuestro conocimiento en el uso
apropiado. La sabidura viene con edad y experiencia. La sabidura es la aplicacin exacta del
conocimiento exacto.
La sabidura es sobre saber cmo algo tcnico puede ser mejor utilizado para cubrir las
necesidades de los encargados de tomar decisiones. La sabidura, por ejemplo, crea el software
estadstico que es til, ms bien que tcnicamente brillante. Por ejemplo, desde que la Web entr
en el conocimiento popular, los observadores han notado que esto pone la informacin en nuestras
manos, pero guardar la sabidura fuera de nuestro alcance.
Proceso de Toma de Decisiones Estadsticas
A diferencia de los procesos de toma de decisiones determinsticas tal como, optimizacin
lineal resuelto mediante sistema de ecuaciones, sistemas paramtricos de ecuaciones y en la
toma de decisin bajo pura incertidumbre, las variables son normalmente ms numerosas y por
lo tanto ms difciles de medir y controlar. Sin embargo, los pasos para resolverlos son los mismos
[7]. Estos son:

Simplificar

Construir un modelo de decisin

Probar el modelo

Usando el modelo para encontrar soluciones:

El modelo es una representacin simplificada de la situacin real

No necesita estar completo o exacto en todas las relaciones

10

Se concentra en las relaciones fundamentales e ignora las irrelevantes.

Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto
permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo y
prdida de tiempo.

El modelo puede ser usado repetidas veces para problemas similares, y adems puede
ser ajustado y modificado.

1.5 Aprendizaje Automtico

El objetivo es desarrollar tcnicas que permitan a las computadoras aprender. De forma ms
concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una
informacin no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de
induccin del conocimiento. En muchas ocasiones el campo de actuacin del aprendizaje
automtico se solapa con el de la estadstica, ya que las dos disciplinas se basan en el anlisis de
datos. Sin embargo, el aprendizaje automtico se centra ms en el estudio de la complejidad
computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte
de la investigacin realizada en aprendizaje automtico est enfocada al diseo de soluciones
factibles a esos problemas. El aprendizaje automtico puede ser visto como un intento de
automatizar algunas partes del mtodo cientfico mediante mtodos matemticos.
El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo motores de
bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de tarjetas de crdito, anlisis del
mercado de valores, clasificacin de secuencias de ADN, reconocimiento del habla y del lenguaje
escrito, juegos y robtica.
El aprendizaje automtico tiene como resultado un modelo para resolver una tarea dada. Entre
los modelos se distinguen
Los modelos geomtricos, construidos en el espacio de instancias y que pueden tener una, dos o
mltiples dimensiones. Si hay un borde de decisin linear entre las clases, se dice que los datos
son linealmente separables. Un lmite de decisin linear se define como w * x = t, donde w es un
vector perpendicular al lmite de decisin, x es un punto arbitrario en el lmite de decisin y t es
el umbral de la decisin
Los modelos probabilsticos, que intentan determinar la distribucin de probabilidades
descriptora de la funcin que enlaza a los valores de las caractersticas con valores determinados.
Uno de los conceptos claves para desarrollar modelos probabilsticos es la estadstica bayesiana.
Los modelos lgicos, que transforman expresan las probabilidades en reglas organizadas en
forma de rboles de decisin.
Los modelos pueden tambin clasificarse como modelos de agrupamiento y modelos de gradiente.
Los primeros tratan de dividir el espacio de instancias en grupos. Los segundos, como su nombre
lo indican, representan un gradiente en el que se puede diferenciar entre cada instancia.
Clasificadores geomtricos como las mquinas de vectores de apoyo son modelos de gradientes
[8].
Los diferentes algoritmos de Aprendizaje Automtico se agrupan en una taxonoma en funcin
de la salida de los mismos. Algunos tipos de algoritmos son:

Aprendizaje supervisado

Aprendizaje no supervisado
11

Aprendizaje semi-supervisado

Aprendizaje por refuerzo

Transduccin

Aprendizaje multi-tarea

Ejemplo de un mtodo:
Mquinas de Soporte vectorial
Las MVS son una serie de mtodos de aprendizaje supervisado usados para clasificacin y
regresin. Los algoritmos de MVS usan un conjunto de ejemplos de entrenamiento clasificado en
dos categoras para construir un modelo que prediga si un nuevo ejemplo pertenece a una u otra
de dichas categoras (figura 6).

Figura 6: Grafica de representacin de una Maquina de Soporte Vectorial

12

1.6 Lgica Difusa

Fue formulada en 1965 por el ingeniero y matemtico Lofti Zadeh. La lgica difusa (tambin
llamada lgica borrosa) se basa en lo relativo de lo observado como posicin diferencial. Este
tipo de lgica toma dos valores aleatorios, pero contextualizados y referidos entre s. As, por
ejemplo, una persona que mida dos metros es claramente una persona alta, si previamente se ha
tomado el valor de persona baja y se ha establecido en un metro. Ambos valores estn
contextualizados a personas y referidos a una medida mtrica lineal [9] [10].
Un conjunto difuso, es un conjunto que puede contener elementos de forma parcial. Es decir que
la propiedad puede ser cierta con un grado de verdad [11].
Conjuntos clsicos vs Conjuntos difusos
Ejemplo: clasifique las personas de acuerdo con su estatura en dos conjuntos (figura 7).

Figura 7. Universo de personas

Conjuntos clsicos
Se escoge un criterio en base a un promedio, para tener 2 clases: altos y bajos (figura 8).

Figura 8. Dos clases: altos y bajos

Conjuntos difusos
En los conjuntos difusos todos los elementos pueden estar en ambas clases (figura 9).

13

Figura 9. Conjuntos difusos

Pertenencia de los elementos

Se pone una pertenencia a cada elemento, esta va de 0 a 1 (figura 10).

Figura 10. Pertenencia de los elementos

Conceptos bsicos (figura 11)

Figura 11. Conceptos bsicos

14

Notacin Conjuntos difusos (figura 12)

Figura 12. Notaciones para conjuntos continuos y discretos

Variables Lingsticas
Se usan variables lingsticas para analizar y modelar sistemas (figura 13):
Ej: Supongamos que X = edad, se pueden definir conjuntos difusos: joven, adulto, anciano

Figura 13. Conjuntos difusos

Aplicaciones

Sistemas de control de acondicionadores de aire

Sistemas de foco automtico en cmaras fotogrficas

15

Electrodomsticos familiares (frigorficos, lavadoras...)

Optimizacin de sistemas de control industriales

Sistemas de escritura

Mejora en la eficiencia del uso de combustible en motores

Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)

Tecnologa informtica

Bases de datos difusas: Almacenar y consultar informacin imprecisa. Para este punto,
por ejemplo, existe el lenguaje FSQL (Fuzzy Structured Query Language) [12].

16

2. La tcnica escogida para la tesis.

2.1 Tcnica escogida para la tesis.
A travs de ver las diversas caractersticas de las tcnicas se escogi la siguiente: La lgica difusa.

2.2 Justificacin de la tcnica escogida para la tesis

Nos basamos en la lgica difusa por los siguientes puntos:

Nos permite trabajar con incertidumbre, las emociones no son de valores fijos. Adems
que es un mtodo predictivo efectivo.

La extraccin de caractersticas es compatible con el mtodo de la lgica difusa.

Tenemos varios valores de entrada que se obtiene de las emociones, la lgica difusa no
permite varios valores de entrada.

La salidas pueden ser N salidas para las emociones (nivel bajo, medio, alto), la lgica
difusa nos permite tener varios valores de salida.

Se pueden dar diversas combinaciones de entrada de las emociones, la lgica difusa a

travs de reglas nos permite trabajar con las variantes que se pueden dar.

NOTA: No se descartar que si queremos un mtodo de aprendizaje automtico se debe tomar en

cuenta las tcnicas de APRENDIZAJE AUTOMATICO o REDES NEURONALES.

17

3. Referencias
[1] Inteligencia Computacional,
fuente de la
https://es.wikipedia.org/wiki/Inteligencia_computacional.

definicin:

Wikipedia,

URL:

[2] Amit Konar, Computational Intelligence: Principles, Techniques and Applications, Ed.
Springer, 2005.
[3] Redes neuronales, url https://es.wikipedia.org/wiki/Red_neuronal_artificial
[4] Gabriela Ochoa, Introduccin a la Computacin Evolutiva y la Morfognesis Artificial,
Automated Scheduling, Optimisation and Planning Group, School of Computer Science,
University of Nottingham, Nottingham, UK.
[5] Swarm Intelligence Inteligencia de Enjambre Colonias Inteligentes Inteligencia
Colectiva, URL: https://nopiedra.wordpress.com/2007/08/09/swarm-intelligence-tres-claves-quedebemos-aprender-de-los-enjambres/
[6] Jos Manuel Garca, Enrique Alba Torres, Universidad de Mlaga, Septiembre de 2007,
Algoritmos Basados en Inteligencia Colectiva para la Resolucin de Problemas de Bioinformtica
y Telecomunicaciones, Trabajo de Investigacin.
[7] Hossein Arsham, Probabilistic Modeling Process: Decision
http://home.ubalt.edu/ntsbarsh/opre640s/spanishp.htm#rFromDaKno

Analysis,

URL:

[8] Aprendizaje automtico, url: https://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico

[9] Introduccin a la Lgica Difusa, Tomas Arredondo Vidal.
[10] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control, Wiley Interscience, NY, 1994
[11] Kartalopoulos, S., Understanding Neural Networks and Fuzzy, Logic, IEEE PRESS, NY,
1994
[12] George J., Fuzzy sets and fuzzy logic: theory and Applications, Ed. Upper Saddle River:
Prentice Hall, 1995.

18