PRESENTACIÓN DEL GRUPO DE INVESTIGACIÓN UNIVERSIDAD DE CANTABRIA
Ángel CoboDepartamento de Matemática Aplicada y Ciencias de la Computación
Facultad de Ciencias Económicas y Empresariales
Universidad de Cantabria
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
La Universidad de Cantabria
Fundada en 1972 12 centros
– 34 titulaciones de primer y segundo ciclo– 12000 alumnos y 1500 profesores e
investigadores
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
ENGINEERING63%
HUMANITIES5%
SOCIAL SCIENCES
5%
BIOLOGICAL & MEDICAL
SCIENCES17%
SCIENCES10%
Actividad investigadora de la UC
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Asociación de 9 universidades españolas
UC es miembro fundador
Grupo G9 de Universidades
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Modelización mediante ecuaciones funcionales Poderosa herramienta para la modelización
ab
Área de un rectángulo: F(a,b)
a1 a2
b
F(a1+a2,b) = F(a1,b) + F(a2,b)
b2
b1
F(a,b1+b2) = F(a,b1) + F(a,b2)
a
bacbaF ),(
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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).
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
1
6
3
9
5
2
10
78
4
1
6
3
9
5
2
10
78
4
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
kiNjsi
kiNjsi
kiNs
istis
ijtij
tkijp
0
)(
)(
)(
ij : concentración de feromona de la arista que une los nodos i y j
ij : información heurística (ij=1/dij, siendo dij la distancia entre los
nodos i y j),
y: parámetros que determinan la importancia relativa de la feromona con respecto a la información heurística
Ni : conjunto de nodos vecinos de i.
Nik : conjunto de nodos vecinos de i
no visitados todavía por la hormiga k.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Actualización de la concentración de feromona aplicada a todas las aristas:
donde es un coeficiente de evaporación, 0<<=1
Tk(t) : ruta realizada por la hormiga k-ésima en la iteración t
Lk(t) : longitud de la ruta
)()()1()( tijtijtij
m
ktk
ijtij1
)()(
)(),(0
)(),()(/1)(
tkTjisi
tkTjisitkLtk
ij
cantidad de feromona que la hormiga k deposita en cada
arco que ha utilizado.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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)
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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)
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
EXPERIMENTO: Agrupamiento real de 1500 cadáveres de hormigas colocados aleatoriamente en una colonia de hormigas Messor Sancta.
Estado inicial
Tras 6 horas
Tras 26 horas
Tras 2 horas
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
)(
2
),(1)(
ij dEd
jii
ddSimdf
Similitud de un objeto con los del entorno:
2
)(
)()(
i
iicolocar dfk
dfdP
2
)()(
iirecoger dfk
kdP
3 Probabilidad de recoger el objeto:
Probabilidad de colocar el objeto:
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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)
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Algoritmo PSO local básico 1. Inicialización aleatoria de posiciones P1,P2,...,PN y velocidades
V1,V2,...,VN de las partículas.
2. Identificación del conjunto de partículas vecinas Vecindarioi para cada partícula Pi
3. Evaluación del ajuste de cada partícula:
F(P1), F(P2),..., F(PN)4. Actualización de posiciones en las que cada partícula tuvo su
mejor ajuste:
P1best, P2
best,..., PNbest
5. Actualización de mejor posición en el vecindario de cada partícula:
Pilocal = Max(Pk
best | Pk en Vecindarioi)6. Actualización de velocidades:
Vi = Vi + *Rnd(0,1)*(Pibest - Pi) + *Rnd(0,1)*(Pi
local - Pi)Rnd(0,1) = generador de números aleatorios entre 0 y 1
7. Actualización de posiciones
Pi = Pi + Vi
8. Si no se cumple la condición de terminación ir al Paso 3
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Componentes de la velocidad
P(t+1)i
Mejor personal
P(t)i
Mejor del vecindario
Componente social
Componente cognitivacognitiva
Componente de inercia
Vi = Vi + *Rnd(0,1)*(Pibest - Pi) + *Rnd(0,1)*(Pi
local - Pi)
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Es recomendable la existencia de solapamientos entre los vecindarios de
las partículas
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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”
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
-100
10-10
010
0
10
20
P1616
y
P 116
Bezier Surf Fit, Degree-u= 3, Degree-v= 3
P16 1
x
P 1 1
Trabajos realizados con PSO
Parametrizaciones en problemas de ajuste de nubes de puntos
Aplicaciones a problemas de clustering (k-PSO)
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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.
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
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
TA
LLER
EU
RO
PEO
DE L
A
RED
IB
ER
OA
MER
ICA
NA
DE
DE
SC
UB
RIM
IEN
TO
DE
CO
NO
CIM
IEN
TO
Gra
nad
a,
7-9
de Ju
lio d
e 2
008
Top Related