Sistemas de Apoyo Mediante Algoritmos Genéticos a la Gestión Alumno:

Sistemas de Apoyo Mediante Algoritmos
Genéticos a la Gestión
Alumno:
Profesor:
Fecha Entrega:
Jorge Sepúlveda Pereda
Claudia Jiménez Quintanilla
25 de Abril de 2003
SUMARIO
En un intento por obtener y presentar una visión del uso de
algoritmos genéticos como medio de ayuda a las labores de gestión, es
decir, visualizar la aplicación de algoritmos genéticos en temas de
gestión, es que se desarrolló el sigui ente informe. Este no muestra
aplicaciones directas de herramientas de apoyo a la gestión mediante
algoritmos genéticos, sino que permite entenderlos, y visualizar posibles
aplicaciones que se les pudiera dar, otorgándonos la posibilidad de
ampliar el dominio de problemas y soluciones sobre los cuales se pueda
trabajar. Para llegar a esto en primera instancia se analizó la teoría que
sustenta el desarrollo de algoritmos genéticos mediante documentos
elaborados por diferentes autores, lo que podrá verse con detalle en el
capítulo 2 desde una perspectiva científica. Posterior a esto se buscó
aplicaciones o desarrollos en los cuales su núcleo funcional sean
algoritmos genéticos, lo que centra la temática del capitulo 3. Sin dejar
de lado el ambiente desde el c ual provienen los algoritmos genéticos es
que en el capítulo 1 se aborda el tema de la inteligencia artificial. Para
cumplir
con
los
objetivos
planteados
por
capítulo
se
buscó
principalmente en internet y documentos elaborados por docentes,
siempre cuidando el hecho de unificar criterios al momento de escribir
una idea en el informe debido a que los autores presentan diferencias en
las definiciones que plantean.
2
INTRODUCCION
En las labores empresariales una de las áreas de menor antigüedad
es la Informática, esto implica que las labores de gestión que en ella se
realizan no son de completo conocimiento de los individuos que poseen
cargos directivos, a consecuencia de esto se han establecido numerosas
características nocivas para el desempeño de la inform ática, como lo es
la ubicación incorrecta de la unidad informática en la estructura de las
empresas. Para solucionar este tipo de inconvenientes y como una
manera de solventar las necesidades que la gestión informática requiere
para apoyar al negocio de fo rma adecuada, es que se impulsa el
desarrollo de herramientas que satisfagan esta necesidad, para las cuales,
dada la complejidad que involucran las labores de gestión, es necesario
emplear metodologías que permitan manejar todas las variables presentes
y
obtener
resultados
en
tiempos
prudentes,
teniendo
esto
en
consideración es que aparece el interés en la inteligencia artificial como
herramienta de apoyo al desarrollo de aplicaciones que apoyen a la
gestión, especificamente en los algoritmos genéticos, lo s cuales son una
técnica de búsqueda basada en la teoría de la evolución de Darwin, que
se pretende detallar en el presente informe, el cual, es en gran parte una
interpretación de la información que se encuentra disponible al respecto,
y que a perjuicio d e su aprendizaje aún no clarifica ni presenta una línea
de desarrollo común, debido a ser un tema relativamente nuevo, en el
que no existen estándares que dirijan el trabajo de los autores que se
dedican a esto.
3
INDICE
1
2
3
Inteligencia artificial en gest ión
1.1 Herramientas de inteligencia artificial existentes
4
1.2 Uso de IA en gestión
5
1.3 Implicancias de IA en desarrollo de sistemas
6
1.4 Futuro de IA en gestión
7
Algoritmos genéticos
2.1 Conceptos básicos
8
2.2 Aplicaciones
11
2.3 Tendencias del uso de AG’s
13
2.4 Ventajas y desventajas del uso de AG’s
16
Algoritmos genéticos en gestión
3.1 Usos de AG’s en gestión
17
3.2 Sistemas desarrollados para apoyar labores administrativas
18
4
1 Inteligencia Artificial en gestión
1.1 Herramientas de Inteligencia artificial existe ntes:
Se podría afirmar que existen dos tendencias fundamentales por
cuanto a herramientas se refiere en la inteligencia artificial, que son las
redes neuronales y los algoritmos genéticos los cuales pueden ser
empleados como base en el desarrollo de otro s temas habitualmente
escuchados, como son los sistemas expertos y la robótica. También
existen fundamentos teóricos que son empleados para desarrollos más
refinados, como lo es la lógica difusa, que permite la incorporación de la
incertidumbre y se susten ta en la teoría matemática de conjuntos difusos,
lo cual le otorga una mayor validez y robustez en los desarrollos que la
emplean.
Por cuanto a las redes neuronales estas pueden ser usadas en
reconocimiento de patrones, interpretación de datos, optimizaci ón,
asignación
de
recursos
basados
en
datos
históricos
y
análisis
estadísticos, por nombrar algunos. Para su desarrollo están basadas en el
funcionamiento de una neurona real y la topología que utiliza en su
interacción con otras.
En lo referente a los al goritmos genéticos se basan en la teoría de
la evolución darwiniana y son la herramienta más adecuada para
desarrollar sistemas que sean capaces de reorganizarse y adaptarse a un
entorno cambiante como los organismos biológicos y las empresas. Por
cuanto a las aplicaciones que pueden tener (Austin,1990) están el control
de procesos dinámicos, la inducción de optimización de reglas, descubrir
nuevas topologías de conectividad en redes neuronales, simulación de
modelos biológicos, diseño de estructuras de ing eniería y reconocimiento
de patrones.
5
1.2 Uso de IA en gestión
La IA actualmente se puede tratar como un método alternativo para
el desarrollo de herramientas vinculadas a la gestión, ya que se aleja de
ser un fundamento riguroso y estructurado y se ac erca a lo natural, con
capacidades de evolucionar y adaptarse, que es lo que representa de
mejor manera la situación organizacional de las empresas en la
actualidad. En lo referente a gestión podemos hacer tangible esta
definición mediante el término admin istrar y lo que se espera lograr en
esto con la IA es desarrollar sistemas que la apoyen.
6
1.3 Implicancias de IA en desarrollo de sistemas
El desarrollo de sistemas que apoyen labores de gestión dada las
condiciones actuales i mplica largos periodos de tiempo de trabajo y
costos elevados que mayormente son consecuencia del tiempo excesivo
que se emplea para su desarrollo, esto impide que se adopte de manera
más generalizada el apoyarse en este tipo de sistemas. A pesar de estos
un gran número de empresas mayormente productivas han implementado
sistemas de esta índole con resultados satisfactorios, esto indica que de
reducirse los costos y tiempos de desarrollo, las herramientas y
metodologías que se logren establecer para dichos efectos podrían ser
usadas para construir más y mejores sistemas de apoyo a la gestión, con
este fin se creo un proyecto denominado GESCOPP cuyo objetivo
principal es (Gazmuri et al. 1993) diseñar e implementar herramientas y
metodologías para el desarrol lo de sistemas de apoyo a la gestión
basados en modelos analíticos.
7
1.4 Futuro de IA en gestión
A lo largo de los últimos años, la característica principal ha venido
siendo la aceptación de la Inteligencia Artificial como una actividad
informática profesional, de tal forma que desde 1981 las aplicaciones
técnicas no son sólo desarrolladas por los laboratorios especializados,
sino también por empresas que realizan aplicaciones para la industria y
el mundo empresarial en general.
En el momento actual la Inteligencia Artificial se aplica a
numerosas actividades humanas, y como líneas de investigación más
explotadas destacan el razonamiento lógico, la traducción automática y
comprensión del lenguaje natural, la robótica, la visión artificial y,
especialmente,
las
técnicas
de
aprendizaje
y
de
ingeniería
del
conocimiento. Estas dos últimas ramas son las más directamente
aplicables al campo de las finanzas pues, desde el punto de vista de los
negocios,
lo
que
interesa
es
construir
sistemas
que
incor poren
conocimiento y, de esta manera, sirvan de ayuda a los procesos de toma
de decisiones en el ámbito de la gestión empresarial.
En el ámbito específico del Análisis Contable(Bonsón Ponte y Sierra
Molina, 1996) la Inteligencia Artificial constituye una d e las líneas de
actuación futura más prometedoras, con posibilidades de aplicación tanto
en el ámbito de la investigación como en el diseño de sistemas de
información inteligentes, que no solamente proporcionen datos al decisor
sino que recomienden el mejo r curso de actuación a seguir. Prueba de
ello es el interés que han mostrado en el tema diversas organizaciones
relacionadas con el mundo contable, como el AICPA ( American Institute
of Certified Public Accountants ), el ICAEW (Institute of Chartered
Accountants in England and Wales ), o la AAA ( American Accounting
Association), la cual incluso tiene una sección íntegramente dedicada al
tema con más de 300 asociados.
8
2 Algoritmos genéticos
2.1 Conceptos básicos
Una definición bastante completa de un algoritmo genético es la que
propone John Koza, el cual plantea que es un algoritmo matemático
altamente paralelo que transforma un conjunto de objetos matemáticos
individuales con respecto al tiempo usando operaciones modeladas de
acuerdo al Principio Darwiniano de reproducción y supervivencia del
más apto y tras haberse presentado de forma natural una serie de
operaciones genéticas de entre las que destaca la recombinación sexual.
Cada uno de estos objetos matemáticos suele ser una cadena de
caracteres, letras o nú meros, de longitud fija que se ajusta al modelo de
las cadenas de cromosomas y se les asocia con una cierta función
matemática que refleja su aptitud.
La operación de un algoritmo genético simple puede ilustrarse con
el siguiente segmento de pseudo -código :
Primero se genera aleatoriamente la población inicial que estará
constituida por un conjunto de cromosomas o cadenas de caracteres. A
partir de una población dada se deben elegir los padres que participarán
en el proceso de reproducción. Para ello s e pueden utilizar varias
estrategias:
a)Ruleta: Es el mecanismo usado por Goldberg. Este método es bastante
sencillo y consiste en crear una especie de ruleta en la que cada
cromosoma tiene asignada una fracción proporcional a su aptitud. Sin
9
referirnos a una función de aptitud en particular; supongamos que se
tiene una población de cinco cromosomas cuyas aptitudes están dadas
por los valores mostrados a continuación:
Con los porcentajes mostrados en la cuarta columna de la tabla,
podemos construir una
ruleta, Esta ruleta gira cinco veces para
determinar qué individuos serán seleccionados. Debido a que a los
individuos más aptos se les asignó un área mayor en la ruleta, se espera
que sean seleccionados más veces que los menos aptos.
b)Torneo: La idea d e este método es la siguiente: Se baraja la población
y después se hace competir a los cromosomas que la integran en grupos
de tamaño predefinido, normalmente compiten en parejas en un torneo
del que resultarán ganadores aquellos que tengan valores de apti tud más
altos. Si se efectúa un torneo binario (i.e.. competencia por pareja)
entonces la población se debe barajar dos veces. Es importante notar que
con esta técnica se garantiza la obtención de múltiples copias del mejor
individuo entre los progenitores de la siguiente generación ya que si se
efectúa un torneo binario, el mejor individuo será seleccionado dos
veces.
Una vez realizada la selección, se procede a la reproducción sexual
o cruzamiento de los individuos seleccionados. En esta etapa los
sobrevivientes intercambiarán material cromosómico y sus descendientes
formarán la población de la siguiente generación. Las dos formas más
comunes de cruzamiento son uso de un punto único de cruzamiento y uso
de dos puntos de cruzamiento. Cuando se usa un solo p unto de
10
cruzamiento_ este se escoge de forma aleatoria sobre la longitud de la
cadena que representa el cromosoma, y a partir de él se realiza el
intercambio de material de los dos individuos.
Normalmente el cruzamiento es manejado como un parámetro, en
el contexto de la implementación del algoritmo, que indica en términos
de porcentaje la frecuencia con la que se efectúa el cruzamiento. Esto
implica que no todas las parejas de cromosomas se cruzarán, sino que
algunas de ellas pasarán sin modificación a la generación siguiente. De
hecho existe una técnica desarrollada hace algunos años en la que el
individuo más apto a lo largo de las distintas generaciones no es
sometido a cruzamiento, y se mantiene intacto hasta que surge otro
individuo mejor que él, que l o desplaza; esta técnica se denomina
elitismo y fue desarrollada en Alemania. Además de la selección y el
cruzamiento los operadores genéticos ya descritos, existe otro operador
importante llamado mutación, el que permite cambiar uno de los genes
de
un
cromosoma
elegido
aleatoriamente.
Cuando
se
usa
una
representación binaria un bit se substituye por su complemento un cero
cambia a uno y viceversa. Este operador permite la introducción de
nuevo material cromosómico en la población, tal y como sucede con sus
equivalentes biológicos.
Al igual que el cruzamiento, la mutación es también, desde el
punto de vista algorítmico, un parámetro que indica la frecuencia de
activación del operador. Porcentajes típicos de cruzamiento se empinan
un poco por sobre el 50% mie ntras que los porcentajes de mutación raras
veces superan el 3%.
Si supiéramos la respuesta a la que debemos llegar de antemano
entonces la detención del algoritmo genético resultará trivial. Sin
embargo, eso es raramente posible, por lo que normalmente ha y que usar
algunos criterios de detención. Entre los criterios importantes se
destacan dos, ejecutar el algoritmo genético de modo que se obtenga un
cierto número máximo de generaciones o detener el proceso cuando la
población se haya estabilizado (i.e.. c uando todos los individuos tengan
la misma aptitud)
11
2.2 Aplicaciones
Como ya es entendido los algoritmos genéticos puedes ser
empleados como base teórica para el desarrollo de herramientas más
sofisticadas y especificas, para esto en un intento por logr ar una visión
más amplia de las aplicaciones que pueden tener los AG’s es que se
desarrolló este tema basándose en una publicación de Piedad Tolmos
Rodríguez Piñero.
Optimización: Se trata de un campo especialmente abonado para el uso
de los Algoritmos Gen éticos, por las características intrínsecas de estos
problemas. No en vano fueron la fuente de inspiración para los creadores
de estos algoritmos. Los Algoritmos Genéticos se han utilizado en
numerosas tareas de optimización, incluyendo la optimización num érica,
y los problemas de optimización combinatoria.
Programación automática: Los Algoritmos Genéticos se han empleado
para desarrollar programas para tareas específicas, y para diseñar otras
estructuras computacionales tales como el autómata celular, y l as redes
de clasificación.
Aprendizaje máquina: Los algoritmos genéticos se han utilizado
también en muchas de estas aplicaciones, tales como la predicción del
tiempo o la estructura de una proteína. Han servido asimismo para
desarrollar
determinados
aspe ctos
de
sistemas
particulares
de
aprendizaje, como pueda ser el de los pesos en una red neuronal, las
reglas para sistemas de clasificación de aprendizaje o sistemas de
producción simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para
modelar procesos de innovación, el desarrollo estrategias de puja, y la
aparición de mercados económicos.
Sistemas inmunes: A la hora de modelar varios aspectos de los sistemas
inmunes naturales, incluyendo la mutación somátic a durante la vida de
12
un individuo y el descubrimiento de familias de genes múltiples en
tiempo evolutivo, ha resultado útil el empleo de esta técnica.
Ecología: En el modelamiento de fenómenos ecológicos tales como las
carreras de armamento biológico, la coevolución de parásito -huesped, la
simbiosis, y el flujo de recursos.
Genética de poblaciones: En el estudio de preguntas del tipo “¿Bajo
qué
condiciones
será
viable
evolutivamente
un
gen
para
la
recombinación?”
Evolución y aprendizaje: Los Algoritmos G enéticos se han utilizado en
el estudio de las relaciones entre el aprendizaje individual y la evolución
de la especie.
Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas
sociales, tales como la evolución del comportamiento social en colonias
de insectos, y la evolución de la cooperación y la comunicación en
sistemas multi-agentes.
Aunque esta lista no es, en modo alguno, exhaustiva, sí transmite
la idea de la variedad de aplicaciones que tienen los Algoritmos
Genéticos. Gracias al éxi to en estas áreas, los Algoritmos Genéticos han
llegado a ser un campo puntero en la investigación actual.
13
2.3 Tendencias de Ags en la computación evolutiva
Los algoritmos genéticos dentro del campo de la computación
evolutiva son un modelo de representación de la realidad que permite el
trabajo con este desde una perspectiva biológica, no obstante, dado lo
actual del tema el área restante por desarrollar en esta línea es amplia y
podrían elaborarse técnicas derivadas de los AG’s.
Aunque desde los 1930 se especuló acerca del potencial de la
selección natural para resolver problemas de optimización y aprendizaje,
formalmente fue hasta los 1960 que se fincaron las bases de los tres
paradigmas que conforman la denominada "computación evolutiva": la s
estrategias evolutivas, la programación evolutiva y los algoritmos
genéticos.
La computación evolutiva ha atraído la atención de un gran número
de investigadores en años recientes, y al igual que otras disciplinas de la
Inteligencia Artificial, ha dado p ie a paradigmas emergentes que surgen
con ciertos intervalos como técnicas híbridas que incrementan el poder
de los algoritmos evolutivos o representan alternativas viables para
resolver problemas de optimización o aprendizaje en ciertos dominios.
Los tres paradigmas emergentes más recientes que suelen asociarse
con la computación evolutiva son los siguientes:
Algoritmos Culturales : Los sociólogos han sugerido que la cultura
podría ser codificada simbólicamente y transmitida dentro y entre
poblaciones de individuos. Usando esta idea, se desarrolló, a principios
de los 1990, un modelo computacional en el que la evolución de la
cultura es vista como un proceso de herencia que opera a dos niveles: el
nivel
microevolutivo
y
el
nivel
macroevolutivo.
En
el
nivel
microevolutivo, los individuos pueden describirse en términos de
"características de comportamiento" (las cuales podrían ser aceptables o
inaceptables
socialmente).
Estas
características
se
transmiten
de
generación en generación usando varios operadores in spirados en
modelos sociológicos. Al nivel macroevolutivo, los individuos pueden
generar "mapas" o descripciones generalizadas de sus experiencias. Los
mapas individuales pueden mezclarse y modificarse para formar "mapas
14
de grupo", usando una serie de oper adores especializados. Ambos niveles
comparten un enlace de comunicación.
La idea principal de los algoritmos culturales es preservar las
creencias que son aceptables socialmente y desechar las que no lo son.
Un científico de la Universidad Estatal de Wayn e (en Michigan, Estados
Unidos) propuso, hace algunos años, el uso de algoritmos genéticos para
modelar el proceso microevolutivo y los espacios de versión (una técnica
de representación de conocimiento propuesta en los 1970 por Tom
Mitchell, de la Univers idad Carnegie-Mellon) para modelar el proceso
macro-evolutivo de un algoritmo cultural. Esta técnica ha tomado cierta
notoriedad recientemente en lo concerniente a optimización no lineal y
en aprendizaje de máquina, aunque su uso ha sido relativamente
limitado.
Colonia de Hormigas : Propuesta desde fines de los 1980, esta técnica es
una meta-heurística (o sea, una técnica que sirve como apoyo a otra)
destinada originalmente a problemas de optimización combinatoria. El
algoritmo principal es realmente un sis tema multiagentes en el que las
interacciones de bajo nivel entre agentes simples (llamados "hormigas")
producen, en su conjunto, un comportamiento mucho más complejo,
correspondiente a toda la colonia de hormigas. La idea se inspiró en
colonias reales de hormigas, las cuales depositan una sustancia química
en
la
tierra,
llamada
"feromona".
Esta
sustancia
influye
en
el
comportamiento de las hormigas, ya que éstas tenderán a tomar las rutas
donde haya una mayor cantidad de feromona. Desde la perspectiva de l a
Inteligencia Artificial, las colonias de hormigas son realmente técnicas
de búsqueda local con registro histórico (como la búsqueda tabú) de las
rutas recorridas más y/o menos promisorias. Combinada con algoritmos
evolutivos y con aprendizaje mediante re forzamiento, esta técnica ha
sido aplicada recientemente con gran éxito a problemas de diseño en
ingeniería, a optimización combinatoria y a optimización no lineal en
general.
15
Optimización de Enjambre de Partículas : Esta técnica está inspirada
también
en
los
comportamientos
sociales,
y
fue
desarrollada
recientemente (1995). Es similar al algoritmo genético, ya que utiliza
una población inicial de soluciones aleatorias. Sin embargo, a diferencia
de éste, se le asigna una velocidad aleatoria a cada solución, y la
población de soluciones posibles, a las que se denomina "partículas", se
hace "fluir" a través del espacio de búsqueda. En vez de usar los
operadores genéticos tradicionales (selección, cruza sexual y mutación),
cada partícula ajusta su vuelo, de acu erdo a su propia experiencia y a la
de sus compañeros. Los dos modelos de comportamiento más comunes
son: mejor global y mejor local. En el primero, todos los vecinos de una
partícula son atraídos hacia la mejor solución que exista entre ellos. En
el segundo, cada individuo es afectado por el mejor desempeño de un
cierto número de vecinos en la población (normalmente, cada partícula
se compara sólo contra sus dos vecinos adyacentes). Esta técnica se ha
utilizado con bastante éxito en problemas de optimizaci ón no lineal y
para el balanceo de pesos de redes neuronales.
16
2.4Ventajas y desventajas del uso de AG’s
-
No requieren tener un conocimiento específico sobre el problema que
se intenta resolver.
-
Operan de forma simultánea con varias soluciones, en vez de tr abajar
en forma secuencial como ocurre con las técnicas tradicionales.
-
Cuando se usan para problemas de optimización, maximizando una
función objetivo, resultan menos afectados por los máximos locales
(falsas soluciones)que las técnicas tradicionales.
-
Usan operadores probabilísticos, en vez de los típicos operadores
determinísticos de las otras técnicas.
-
Pueden tardar mucho en converger, o no converger en absoluto,
dependiendo en cierta medida de los parámetros utilizados: tamaño de
la población, número de generaciones, etc.
-
Pueden converger prematuramente debido a una serie de problemas de
diversa índole, entre ellos, una vez más, una mala elección de los
parámetros a utilizar.
17
3
Algoritmos genéticos en gestión
3.1 Usos de Ags en gestión
Dado el corto tiempo de desarrollo que tiene el tema de algoritmos
genéticos existe una carencia en métodos que permitan análisis de
factibilidad adecuados para llevar adelante desarrollo de sistemas con
seguridad. Además dado que los algoritmos genéticos son un medio
probabilístico en la búsqueda de soluciones hasta el momento los
sistemas desarrollados no son vistos más allá que un mecanismo de
apoyo a las labores de gestión. Sin embargo las inversiones en esta área
muchas veces son justificadas dado el agotamiento que tienen las
herramientas convencionales empleadas en labores de gestión, por cuanto
colapsan o bien pierden efectividad y eficiencia.
18
3.2 Sistemas desarrollados
Aplicación de algoritmos genéticos al problema de planifi cación de
sistemas eléctricos de distribución.
Raúl Sanhueza, Ildefonso Harnisch, Horacio Díaz, Ramón Guirriman
En este proyecto se presentó un modelo combinatorial para la
solución del problema de planificación óptima de sistemas eléctricos de
distribución, el cual, explotando la operación comúnmente radial de la
red, define un espacio de búsqueda de soluciones conformado sólo por
configuraciones de este tipo. La búsqueda de la red óptima, que
minimiza tanto los costos de operación como inversión, se re aliza
mediante un algoritmo genético. Se presentan resultados experimentales
para demostrar la eficiencia del algoritmo propuesto.
Planeamiento para Mantenimiento de Máquinas de Impresión por
Algoritmos Genéticos
Juan Guillermo Lazo Lazo, Marco Aurélio C. Pacheco
El planeamiento y la distribución de tareas para mantenimiento de
máquinas es un problema económico, pues el desgaste de estas máquinas
puede comprometer la productividad de la empresa. La elección de la
secuencia
de
mantenimiento
deberá
ser
hech a
cuidadosamente
considerando las exigencias de cada máquina y optimizando el tiempo
del personal destinado para el mantenimiento. Por considerar todos estos
factores, se percibe que éste es un problema de difícil solución.
Algoritmos Genéticos son una al ternativa para la solución de
problemas de optimización
combinatorial. En
estos algoritmos se
escogen las mejores soluciones de un conjunto de posibles soluciones, en
seguida se les aplica operadores genéticos, dentro de un proceso de
evolución, generando a partir de éstas, un nuevo conjunto soluciones
potencialmente mejores. Después de repetir este proceso por varias
generaciones [1] se obtienen las soluciones óptimas.
En este proyecto se presentó el uso de Algoritmos Genéticos como
método para optimizar e l planeamiento y distribución de tareas para el
19
mantenimiento de máquinas de impresión en una empresa de extracción
de minerales, se considera factores propios de cada máquina, tales como
la ubicación, desgaste de piezas y el tiempo transcurrido desde el ú ltimo
mantenimiento. Los resultados obtenidos fueron satisfactorios.
20
CONCLUSIONES
En gestión es importante tener claridad y conciencia
de la
complejidad que involucra debido a la gran cantidad de variables y las
relaciones
que
existen
entre
ellas,
las
cuales
no
siempre
son
parametrizables ni posibles de tratar mediante la lógica convencional,
debido a esto es que la tratabilidad, basada en métodos informáticos
tradicionales, de problemas que involucren estas características, se ve
afecta a una incap acidad y/o restricción de los dominios de aplicación
posibles para el desarrollo de herramientas que apoyen a la gestión, en
áreas más allá de la contable y de comunicación, como lo son la toma de
decisiones y análisis de datos, por nombrar algunas.
Una de las limitaciones existentes en que las empresas muestren
interés por desarrollar basándose en algoritmos genéticos es que en los
planes informáticos solo se destinan a desarrollo entre un 40% y 20% de
los recursos, lo cual pospone o bien hace descartable inversiones de este
tipo; esto además es influído por lo probabilístico de estos métodos que
no siempre aseguran un 100 % de efectividad.
La inteligencia artificial permite el diseño de herramientas que
representen de una manera más real los problemas a tratar ya que permite
incorporar elementos tales como los atributos cualitativos a los modelos,
con elementos teóricos entre los que destacan la lógica difusa. Además la
IA implícitamente otorga una perspectiva diferente para el estudio de
soluciones que p ermite extraer y visualizar detalles que pueden escapar
de la observación de los diseñadores, por esto no necesariamente la IA
puede ser utilizada directamente en el desarrollo de herramientas, sino
que también puede ser empleada como un mecanismo de análi sis de
soluciones.
Una labor que podrían desempeñar los algoritmos genéticos
actualmente de acuerdo a lo que se puede concluir de este trabajo es en
el análisis de procesos industriales que involucren optimización de
operaciones, para ello es posible desarrollar aplicaciones que permitan
efectuar asesoría a las empresas. Esto es posible llevar a cabo teniendo
21
muy presente la ingeniería de software de manera de crear sistemas
costeables por las organizaciones y que logren cierta generalidad de
aplicación.
En el desarrollo del trabajo uno de los impedimentos fue el escaso
material específico referente al tema, esto hizo que en lugar de orientar
su elaboración a mostrar herramientas desarrolladas, se intentará inducir
una visión de lo que se puede llegar a construir en gestión con los
algoritmos genéticos.
22
BIBLIOGRAFIA
Papers:
TÉCNICAS DE INTELIGENCIA ARTIFICIAL APLICADAS AL ANÁLISIS DE LA SOLVENCIA
EMPRESARIAL, Javier De Andrés Suárez ,Universidad de Oviedo.
INTRODUCCION A LOS ALGORITMOS GENETICOS Y SUS APLICACIONES, Piedad Tolmos
Rodríguez Piñero, tolmos@poseidon.fcjs.urjc.es.
ALGORITMOS GENÉTICOS: PRINCÍPIOS E APLICACIONES, Marco Aurélio Cavalcanti Pacheco,
marco@ele.puc-rio.br.
SISTEMAS DE APOYO A LA GESTION, Sergio Maturana.
INTRODUCCION A LOS ALGORITMOS GENETICOS, Ricardo Contreras, rcontrer@inf.udec.cl.
UNICENTER PERFORMANCE MANAGEMENT PREDICTOR, Computer Associates.
GPR: A Data Mining Tool Using Genetic Programming, Balasubramaniam Ramesh, bramesh@gsu.edu .
URL:
www.fortunecity.com/skyscraper/chaos/279/
www.aimovie.warnerbros.com/
www.delicias.dia.fi.upm.es/
www.ai.mit.edu/
www.aic.nrl.navy.mil/galist/
www.cs.cmu.edu/Groups/AI/html/faqs/ai/genetic/top.html
cs.felk.cvut.cz/~xobitko/ga/
www.inf.udec.cl
23