presentaci n del grupo de investigaci n universidad de cantabria n.
Skip this Video
Loading SlideShow in 5 Seconds..
PRESENTACIÓN DEL GRUPO DE INVESTIGACIÓN UNIVERSIDAD DE CANTABRIA PowerPoint Presentation
Download Presentation
PRESENTACIÓN DEL GRUPO DE INVESTIGACIÓN UNIVERSIDAD DE CANTABRIA

play fullscreen
1 / 37
Download Presentation

PRESENTACIÓN DEL GRUPO DE INVESTIGACIÓN UNIVERSIDAD DE CANTABRIA - PowerPoint PPT Presentation

annick
136 Views
Download Presentation

PRESENTACIÓN DEL GRUPO DE INVESTIGACIÓN UNIVERSIDAD DE CANTABRIA

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. PRESENTACIÓN DEL GRUPO DE INVESTIGACIÓN UNIVERSIDAD DE CANTABRIA Ángel Cobo Departamento de Matemática Aplicada y Ciencias de la Computación Facultad de Ciencias Económicas y Empresariales Universidad de Cantabria

  2. La Universidad de Cantabria • Fundada en 1972 • 12 centros • 34 titulaciones de primer y segundo ciclo • 12000 alumnos y 1500 profesores e investigadores

  3. SCIENCES10% BIOLOGICAL & MEDICALSCIENCES17% SOCIAL SCIENCES5% HUMANITIES5% ENGINEERING63% Un estudio reciente sitúa a la UC entre las 6 universidades más destacadas en cuanto a producción científica y destaca su papel dinamizador de la innovación regional Actividad investigadora de la UC

  4. Proyección internacional • Más de 180 convenios Erasmus • Convenios de intercambio con 10 universidades USA/Canada/Australia • Programas de dobles titulaciones • Diplomas en inglés • Programas con Latinoamérica: • Alban • Alfa • Fundación Carolina • AECI • Unitwin • 43 convenios bilaterales • Programa UC - universidades tecnológicas México

  5. Grupo G9 de Universidades Asociación de 9 universidades españolas UC es miembro fundador

  6. Estructura del grupo investigador participante en la red Eureka • Dos departamentos implicados: • Departamento de Matemática Aplicada y Ciencias de la Computación • Área de matemática aplicada • Departamento de Administración de Empresas • Área de informática de gestión

  7. Colaboración previa entre los departamentos: • Actividades de investigación • Actividad docente en la Fac. Ciencias Económicas y Empresariales • Cursos monográficos • Programas de postgrado • Máster en Empresa y Tecnologías de la Información

  8. Líneas de investigación de los integrantes del grupo: • Inteligencia Artificial • Modelización mediante ecuaciones funcionales • Técnicas metaheurísticas • Modelos bioinspirados • Técnicas de minería de texto • Sistemas de información en la gestión empresarial • Sistemas de gestión documental • Aplicaciones y herramientas de la Web 2.0. • Desarrollo de aplicaciones Web con tecnologías open source.

  9. Posibles aportaciones a la red • Participación en las tareas del proyecto: • IC: creadores de sistemas híbridos matemáticamente fundamentados que ayuden a la creación y explotación de ontologías. • CA: Creadores de algoritmos • CS: Creadores de sistemas computacionales • Modelización mediante ecuaciones funcionales • Utilización de técnicas de Swarm Intelligence • Desarrollo de algoritmos para la resolución de problemas de minería de texto • Desarrollo de aplicaciones en entornos Web

  10. b a Área de un rectángulo: F(a,b) b1 b b2 a1 a2 a F(a,b1+b2) = F(a,b1) + F(a,b2) F(a1+a2,b) = F(a1,b) + F(a2,b) Modelización mediante ecuaciones funcionales • Poderosa herramienta para la modelización

  11. Redes funcionales: • Generalización de las redes neuronales • Deducir la topología de la red a partir de las propiedades del problema • Simplificación de la red mediante sistemas de ecuaciones funcionales • Diferentes funciones nodales

  12. Swarm Intelligence • Hace referencia a diversas técnicas utilizadas en el ámbito de la Inteligencia Artificial • Se basan en la idea de que grupos de agentes extremadamente sencillos y poco o nada organizados pueden exhibir un comportamiento complejo, incluso inteligente, utilizando reglas y mecanismos de comunicación local simples. • Un colectivo de agentes sociales pueden llevar a cabo actuaciones de nivel complejo y formar sistemas descentralizados y auto-organizativos. • Ejemplos: • ACO (Ant Colony Optimization) • PSO (Particle Swarm Optimization) • Ant clustering

  13. Optimización basada en colonias de hormigas (ACO) • Metaheurística inspirada en el comportamiento de las hormigas • Una colonia de "hormigas artificiales" coopera en la búsqueda de buenas soluciones de problemas de optimización discreta. • ACO ha sido utilizada con éxito en una amplia variedad de problemas de optimización combinatoria • Problema del viajante (TSP) (Dorigo, 1992).

  14. Hormigas artificiales • Una hormiga artificial es un procedimiento de construcción estocástica que construye una solución de manera incremental, añadiendo paso a paso componentes oportunamente elegidas. • La hormiga artificial usa... • información heurística que proviene de un conocimiento a priori del problema • memoria de la evolución del proceso de búsqueda desde su inicio (rastros de feromona). • En cada iteración, una nueva población de posibles soluciones es construida por un conjunto de hormigas artificiales

  15. Implementación de “hormigas artificiales” • Mientras una hormiga “real” deposita en sus viajes una sustancia química (feromona), las hormigas artificiales modifican determinados valores numéricos en función de la información acumulada hasta el momento. • La concentración de feromona depositada, (el valor numérico asociado) será proporcional a la calidad de la solución encontrada. • Se debe implementar un proceso de evaporación artificial que haga disminuir la cantidad de feromona de las peores soluciones. • Uso de reglas probabilísticas para la construcción de nuevas soluciones • Se puede contar también con un “agente externo” con una visión global de la situación, lo que le permite influir en el comportamiento de las hormigas depositando una cantidad adicional de feromona.

  16. Utilización de ACO para el problema del viajante • Un conjunto de hormigas artificiales recorren el grafo correspondiente, yendo de una ciudad a otra. • En cada iteración t del algoritmo, m hormigas establecen distintas rutas en n etapas • En cada paso, la hormiga decide a qué nodo dirigirse de entre los que no han sido visitados, según una regla probabilística

  17. La tabla de decisión del nodo i: probabilidad con la que la hormiga k-ésima decide moverse desde el nodo i al j durante la iteración t Nik : conjunto de nodos vecinos de i no visitados todavía por la hormiga k. tij : concentración de feromona de la arista que une los nodos i y j hij : información heurística (hij=1/dij, siendo dij la distancia entre los nodos i y j), ayb : parámetros que determinan la importancia relativa de la feromona con respecto a la información heurística Ni : conjunto de nodos vecinos de i.

  18. Actualización de la concentración de feromona aplicada a todas las aristas: donde r es un coeficiente de evaporación, 0<r <=1 cantidad de feromona que la hormiga k deposita en cada arco que ha utilizado. Tk(t) : ruta realizada por la hormiga k-ésima en la iteración t Lk(t) : longitud de la ruta

  19. Trabajos realizados con ACO • Resolución de problemas de distribución en planta • Distribución de áreas en plantas industriales • Diseño de un algoritmo de clustering: • Creación de grupos de objetos relacionados • Asignación de cada objeto a un grupo (cluster) buscando: • Alto grado de asociación entre sí dentro de cada cluster (minimización distancia intra-cluster) • Diferenciación con los objetos de otros clusters (maximización distancia inter-clusters)

  20. Algoritmos de Ant Clustering • Inspirados en la forma en la que las hormigas organizan sus nidos: • Agrupamiento de larvas • Organización de cadáveres • Colocación de alimentos • Las hormigas exploran el espacio recogiendo y colocando objetos. • Trabajos pioneros: • Deneubourg (1990) • Lumer y Faieta (1994)

  21. Estado inicial Tras 2 horas Tras 6 horas Tras 26 horas EXPERIMENTO: Agrupamiento real de 1500 cadáveres de hormigas colocados aleatoriamente en una colonia de hormigas Messor Sancta.

  22. Funcionamiento del algoritmo básico • El proceso se desarrolla sobre una rejilla bidimensional toroidal • Los objetos son “colocados” aleatoriamente • Proyección sobre el plano • Un máximo de un objeto por celda • Un conjunto de hormigas exploran la rejilla realizando las siguientes acciones: • Recoger objetos • Colocar objetos • Realizar desplazamientos

  23. Similitud de un objeto con los del entorno: • Probabilidad de recoger el objeto: • Probabilidad de colocar el objeto:

  24. PSO: Introducción • Heurística inspirada en los patrones de comportamiento social de organismos vivos que viven e interactúan en grupo: • Colonias de insectos • Bandadas de pájaros • Bancos de peces • Algoritmos de modelización de agrupaciones de vuelo en bandadas de pájaros • Algoritmo de F. Heppner • Comportamientos observados: • Volar a la misma velocidad que sus vecinos. • Volar cerca de sus vecinos pero sin colisionar con ellos • Volar en la misma dirección que el pájaro de la cabeza de la bandada. • Vuelo en torno a áreas de atracción y reproducción de comportamientos • Kennedy, J., y Eberhart, R. (1995). Particle Swarm Optimization. Proceedings of the 1995 International Conference on Neural Networks, New York, IEEE Press.

  25. Características de los algoritmos PSO • Métodos basados en poblaciones en los que “individuos” (partículas) interactúan localmente con sus vecinos conduciendo a un comportamiento dinámico global de búsqueda. • Las partículas “vuelan” sobre el espacio de soluciones y “aterrizan” sobre la mejor solución. • Incorpora ciertas características probabilísticas en el movimiento de las partículas. • Balance entre: • Exploración: búsqueda de una buena solución. • Explotación: aprovechamiento del éxito de búsqueda de otra partícula.

  26. Cada partícula pasa sus coordenadas a una función de mide su ajuste. • Ninguna necesidad de regularidad de la función objetivo • Aceptan funciones discontinuas • No hay necesidad de gradientes • Cada partícula tiene asociadas en cada momento: • Una posición • Una velocidad (dirección y magnitud de desplazamiento) • Memoria: • Su mejor posición previa • La mejor posición encontrada por la población hasta el momento • Las partículas ajustan sus posiciones y velocidades en función de las buenas posiciones encontradas. Pi (t+1) = Pi(t) + Vi (t+1)

  27. Algoritmo PSO local básico • Inicialización aleatoria de posiciones P1,P2,...,PN y velocidades V1,V2,...,VN de las partículas. • Identificación del conjunto de partículas vecinas Vecindarioi para cada partícula Pi • Evaluación del ajuste de cada partícula: F(P1), F(P2),..., F(PN) • Actualización de posiciones en las que cada partícula tuvo su mejor ajuste: P1best, P2best,..., PNbest • Actualización de mejor posición en el vecindario de cada partícula: Pilocal = Max(Pkbest | Pken Vecindarioi) • Actualización de velocidades: Vi = Vi + a*Rnd(0,1)*(Pibest - Pi) + b *Rnd(0,1)*(Pilocal - Pi) Rnd(0,1) = generador de números aleatorios entre 0 y 1 • Actualización de posiciones Pi = Pi + Vi • Si no se cumple la condición de terminación ir al Paso 3

  28. Componentes de la velocidad Vi = Vi + a*Rnd(0,1)*(Pibest - Pi) + b *Rnd(0,1)*(Pilocal - Pi) Mejor del vecindario P(t+1) i Componente social Componente de inercia P(t) Componente cognitiva i cognitiva Mejor personal

  29. Es recomendable la existencia de solapamientos entre los vecindarios de las partículas

  30. Componente de inercia: • Memoriza dirección previa • Previene de cambios de dirección drásticos • Componente cognitiva: • Orienta a la partícula hacia su mejor solución en el pasado • También conocida como “nostalgia” de la partícula (Kennedy & Eberhart) • Componente social: • Orienta la partícula hacia la mejor posición encontrada en su vecindario • “Envidia”

  31. Trabajos realizados con PSO • Parametrizaciones en problemas de ajuste de nubes de puntos • Aplicaciones a problemas de clustering (k-PSO)

  32. Minería de Texto • Descubrimiento y extracción de información nueva de forma automática a partir de colecciones de documentos textuales. • Tareas de la minería de Texto • Recuperación de la Información • Búsqueda de documentos relevantes • Clasificación • Decidir y asignar cada documento a una de entre varias categorías predefinidas. • Clustering o agrupamiento • Encontrar grupos de documentos relacionados con un alto grado de similitud entre ellos y a su vez con un alto grado de disimilitud con los documentos de otros grupos. • Enfoque multilingüe

  33. Recursos Lingüísticos • Tesauro Eurovoc • Tesauro Multilingüe de la Comunidad Europea. • Eurovoc 4.2: 21 idiomas oficiales de la Unión Europea. • 6.645 descriptores, 127 microtesauros, 21 campos temáticos. • Política, relaciones internaciones, economía, comercio, finanzas, negocios y competencia, empleo y trabajo, producción, tecnología e investigación, energía e industria. • Glosario Económico Multilingüe del FMI • Más de 11,500 registros de términos, palabras, frases y organizaciones que comúnmente se encuentran en documentos del FMI. • Completado con 7.112 términos de un diccionario español-inglés de negocios.

  34. Trabajos realizados • Representación vectorial de documentos económicos • Estudios sobre medidas de similitud • Implementación de algoritmos bio-inspirados • Desarrollo de una aplicación Web de gestión documental

  35. Manos a la obra !!!