A-Life: Investigación sobre Evolución y Vida Artificial

Última actualización Sección Actualizada
13 de septiembre de 2020 Página inicial y autor actualizadas

Colección de artículos sobre evolución, vida e inteligencia artificial


Historia de esta investigación sobre vida artificial


Log de actualizaciones de este sitio Web


Sobre el Autor: Rafael Alberto Moreno Parra

Libros escritos por el autor inspirados en la Vida Artificial

Algoritmos Genéticos. 2020.

Los algoritmos genéticos son una rama de la inteligencia artificial que se inspiran en los seres vivos y más precisamente en la Teoría de la Evolución de las Especies. A grandes rasgos, consiste que dado un problema expresado como un ambiente donde habitan diversos individuos. Estos individuos comienzan a “vivir” en ese ambiente y sólo aquellos más aptos pueden prosperar. Esa prosperidad se expresa en tener mayor descendencia. Los hijos heredan los caracteres de su único progenitor (reproducción asexual) o sus progenitores(reproducción sexual) y los varían sea por la combinación de los genes de sus progenitores (en el caso de reproducción sexual) o por mutación o por ambos. Esas variaciones pueden mejorar la adaptación o empeorarla, es aleatorio, para aquellos que mejoren su adaptación el premio es dejar mayor descendencia. Con el pasar de las generaciones, la población tendrá individuos cada vez más adaptados. Esos individuos más adaptados son la solución al problema.

Descárguelo

Redes Neuronales. Segunda edición. 2020.

Este libro es un inicio en este fascinante campo de las redes neuronales, desde el “hola mundo” que es entrenar una red (de una sola neurona) para que aprenda la tabla del OR y del AND, luego el perceptrón multicapa (capas de neuronas interconectadas) para aprender cosas más difíciles como la tabla del XOR, reconocimiento básico de caracteres y encontrar el patrón en una serie de datos usando el algoritmo “backpropagation”. Se explica en detalle cómo se llegan a las fórmulas usadas por ese algoritmo.

Descárguelo

Simulación: Conceptos y Programación

La simulación es un método por el cual se puede probar o experimentar o ver qué sucede en determinado proceso, escenario u objeto sin el riesgo que haya consecuencias reales. Luego permite comparar diferentes soluciones ante un problema, probarlas y ver cuál es la mejor, posteriormente, se podría aplicar esa solución que funcionó adecuadamente en la simulación, en el mundo real y esperar que las consecuencias que el modelo de simulación mostró, sean las mismas en el mundo real.

Descárguelo

Evaluador de Expresiones Algebraicas

¿Qué es un evaluador de expresiones? Tenemos la expresión “K/(3.78 + cos(X/7.96+Y*1.554)-tan(3.7/X)+B)” almacenada en una variable de tipo Cadena (String). Necesitamos que un algoritmo resuelva esa expresión y retorne el valor cuantitativo una vez que las variables K, X, Y y B se les asignen un valor real.

Descargue Libro Versión 1 y Código fuente en 7 lenguajes de programación (C++, C#, Visual Basic .NET, Java, JavaScript, PHP y Object Pascal (Delphi))

Descargue Libro Versión 2 y Código fuente en 7 lenguajes de programación (C++, C#, Visual Basic .NET, Java, JavaScript, PHP y Object Pascal (Delphi))

Un uso de algoritmos genéticos para búsqueda de patrones

ISBN: 978-958-762-479-3

La detección de patrones de comportamiento en una serie de datos dada sirve para poder hacer: interpolación, el cual nos permite encontrar los valores intermedios entre dos puntos y usar esto para completar (por ejemplo para el trazado de una curva que una esos puntos); la extrapolación para poder predecir el comportamiento futuro de los datos (por supuesto, con reservas); para encontrar una curva menos costosa en cálculo con respecto a otra, y para compresión de datos, porque en vez de guardar una larga lista de datos, es mucho más corto guardar la expresión algebraica que genera esos datos.

Regresión Simbólica Y=F(X). Código fuente y Ejecutable

Regresión Simbólica Z=F(X,Y). Código fuente y Ejecutable

Segunda parte de uso de algoritmos genéticos para la búsqueda de patrones

ISBN: ISBN: 978-958-762-483-0

En esta segunda parte, el libro aborda como se resolvió el problema de manejar una gran cantidad de diversas funciones y operaciones matemáticas sin perder la eficiencia. Una vez resuelto ese punto, el paso siguiente es probar si es cierto que el algoritmo genético al tener acceso a todas esas nuevas funciones matemáticas logra mejores curvas de aproximación.