Evolutivo de inteligencia em la optimización de funciones

Resumo

Esta tese de doutoramento aborda diferentes áreas de investigação, nomeadamente os paradigmas, simbólico, conexionista e evolutivo. A combinação de técnicas da Inteligência Artificial, como o paradigma lógico e os sistemas evolutivos permite tirar partido das vantagens de cada uma delas na resolução de problemas complexos. Os Algoritmos Evolucionários [Ang2000] correspondem a modelos da evolução natural [Dar1859] amplamente utilizados em cenários de optimização. Estes algoritmos baseiam-se na adaptação colectiva e na capacidade de aprendizagem dos indivíduos, em que indivíduos de uma população representam uma solução possível para a resolução de um problema. No inicio do processo evolutivo, os indivíduos na população são inicializados aleatoriamente podendo ser modificados pelos operadores de selecção, mutação e cruzamento, levando estas modificações à evolução desses indivíduos. Durante o processo, melhores e melhores indivíduos irão aparecer, baseando-se a avaliação de acordo com uma métrica de avaliação. Por sua vez, os Algoritmos Genéticos e a Programação Genética [Koz1992] [Koz1994] são dois diferentes tipos de Algoritmos Evolucionários. A Programação Genética, utilizada neste trabalho, segue uma abordagem diferente dos Algoritmos Genéticos. Em vez de codificar strings que representam uma solução para um problema particular, a Programação Genética gera programas executáveis, sendo neste estudo, apresentados numa representação em árvore através de programas lógicos. Numa outra área da Inteligência Artificial, a Representação do Conhecimento, como forma de descrever o mundo real (i.e. universo do discurso) baseada na forma mecânica, lógica, ou outros meios será sempre considerada em função da capacidade de descrever o conhecimento existente, assim como estando intimamente associadas a mecanismos de raciocínio [Hal1986]. O uso do paradigma Lógico (materializado aqui através da Programação em Lógica Estendida) tem vindo a ser aplicado com sucesso em várias áreas do conhecimento [Sha2000], [RM+2002], [MA+2006a], [CN+2008], [NA+2010]. Por outro lado, o conhecimento e as crenças são geralmente incompletas, contraditórias, ou sensíveis ao erro, sendo desejável o uso de ferramentas formais para lidar com problemas que emergem do uso de informação contraditória, incompleta, ambígua, imperfeita ou mesmo omissa. Nas últimas décadas várias técnicas não clássicas orientadas para a modelação do universo do discurso (em cenários em que a informação é incompleta), assim como em disponibilizar procedimentos de raciocínio na área dos sistemas inteligentes tem vindo a ser propostos [She1991] [Sha1992] [NM+1997] [LP+1998] [Zad2001] [BK2005] [Str2006] [PL2007]. A extensão à Programação em Lógica provou ser uma ferramenta adequada para fins de representação do conhecimento e raciocínio, em particular, quando se tenciona contemplar situações em que a informação é vaga, imperfeita, ou incompleta. Historicamente, o raciocínio inserto tem vindo a ser associado 'a teoria das probabilidades [Sub2001], contudo, investigações promissoras tem sido realizadas usando outros formalismos ligando a lógica com a teoria das probabilidades. Estes formalismos incluem a teoria dos conjuntos fuzzy [Zad2001], lógicas multivalor [Loy2004], a teoria da evidência Dempster-Shafer [Sha1992], formalismos híbridos (e.g. numéricos e não numéricos) e lógicas não standards. A Abductive Logic Programming [KK1998] é um promissor paradigma computacional, sendo reconhecido como uma forma de resolver algumas limitações da programação em lógica no que respeita ao elevado nível da representação do conhecimento, assim como para tarefas de raciocínio. Por outro lado, a abduction corresponde a uma forma de raciocínio para tratar conhecimento incompleto ou contraditório através da forma de raciocínio hipotético, sendo mais apropriado para a geração de modelos e verificação da satisfabilidade. No entanto, modelos qualitativos e raciocínio qualitativo [For1996] tem vindo a ser estudados na área da Inteligência Artificial, em particular face ao crescimento da necessidade de oferecer suporte a processos de tomada à decisão. Neste sentido, a avaliação do conhecimento que emerge do resultado dos programas lógicos tornou-se um ponto de investigação [SA2000] [Hal2005] [KR2010]. No contexto da teoria qualitativa da incerteza Kuipers e Forbus [Kui1994] [For1996] apresentam com sucesso uma forma axiomática baseada na substituição do intervalo probabilístico [0,..,1] com um conjunto ordenado de valores simbólicos a partir da lógica de predicados multivalor. Neste sentido, esta teoria aborda o problema da representação, mas não a qualidade da informação associada à representação do universo do discurso. Este trabalho de doutoramento apresenta uma abordagem formal na área da Inteligência Artificial para a modelação da criatividade de sistemas evolutivos que materializam a Representação do Conhecimento numa forma de raciocínio, através do uso dos Algoritmos Evolucionários, em especial a Programação Genética. Com a modelação deste tipo de sistemas, seremos capazes de construir mundos dinâmicos virtuais de entidades complexas, interagindo umas com as outras, materializando o seu conhecimento através de programas evolucionários, permitindo-nos obter a melhor teoria lógico matemática e consequentemente, a melhor modelação do sistema em relação ao problema em observação. Nesta abordagem, a selecção das soluções candidatas são avaliadas por um único critério: a medida da qualidade da informação associada a cada teoria ou programa lógico que representa e modela o universo do discurso. De uma maneira geral, o objectivo principal deste trabalho centra-se no desenvolvimento de comunidades (ou sistemas) virtuais evolutivos que ajudem na optimização de cenários reais, ou por outras palavras, baseiam-se nos fundamentos teóricos e na formalização de ideias intuitivas através da sua aplicabilidade em casos reais. Pretende-se combinar os sistemas conexionistas e sistemas simbólicos da Inteligência Artificial a fim de optimizar o universo do discurso, representados por funções da teoria lógico matemática, ou seja, investigar até que ponto a aplicação de conjuntos de técnicas da Inteligência Artificial trazem para o poder descritivo da Programação em Lógica Estendida [NM+1997] a fim de obter a melhor quantificação do universo do discurso que pode ser representado como funções lógico matemáticas e, consequentemente, optimizar essas funções