Aprendizaje Evolutivo Multiobjetivo de Sistemas Difusos Jerárquicos y su Aplicación en Astrofísica

Esta memoria se compone de cinco capítulos, una sección de comentarios finales y cuatro apéndices. El desarrollo de los objetivos propuestos, están estructurados de la siguiente forma en esta memoria: El capítulo 1 contiene una introducción a este trabajo, de forma que orienta al lector sobre el tipo de problema que pretendemos solventar, en nuestro caso problemas de regresión, haciendo un repaso a las distintas técnicas aplicadas a este tipo de problemas para centrarse posteriormente en los sistemas basados en reglas difusas como alternativa gracias a su legibilidad y robustez. Además, describe el uso generalizado actual de los algoritmos evolutivos multiobjetivo en los sistemas basados en reglas difusas, así como las estrategias para lidiar con problemas de alta dimensionalidad. El capítulo 2 explica en detalle el modelizado de sistemas mediante Sistemas Difusos Jerárquicos. Presenta cada uno de sus componentes y las distintas topologías que podemos encontrar en la literatura. Este capítulo nos da una referencia general de la importancia de este tipo de modelizado. El capítulo 3 presenta el diseño de un método de aprendizaje de estructuras jerárquicas difusas en serie. El capítulo realiza una descripción completa de la metodología que implementa el algoritmo: codificación, operadores genéticos, mecanismo de inferencia, aprendizaje de la base de reglas, el enfoque multiobjetivo y las funciones de evaluación del mismo. También incluye un estudio experimental del método, en donde se describen los conjuntos de datos usados y un análisis detallado de su comportamiento. Por otro lado, en este capítulo incluimos un modelizado jerárquico en serie con ajuste en las funciones de pertenencia, junto a un estudio de su potencial. El capítulo 4 describe dos metodologías de aprendizaje de dos tipos de estructuras jerárquicas: paralela e híbrida. Al igual que en el capítulo 3, este capítulo está dotado con una descripción minuciosa de cada uno de los componentes de las metodologías (codificación, operador de cruce, mutación, etc.) y de una experimentación para comprobar la capacidad de cada una de ellas. El capítulo 5 aborda la aplicación del modelizado jerárquico en serie con ajuste en las funciones de pertenencia a problemas reales pertenecientes al campo de la Astrofísica, concretamente a cuatro propiedades físicas de las galaxias. En el capítulo se realiza además una comparativa de esta propuesta con otras metodologías usadas en Astrofísica. Esto nos dará una idea de si nuestra técnica es competitiva con respecto a otras técnicas de regresión que se emplean habitualmente en este campo. En la sección de comentarios finales, pondremos de manifiesto las conclusiones a las que hemos llegado con la realización del trabajo que proponemos. Esta sección incluye las líneas futuras de investigación como continuación de este trabajo. Por último, incluiremos cuatro apéndices que contienen una descripción de los métodos con los que comparamos nuestras propuestas y una descripción de un conjunto de técnicas pertenecientes al aprendizaje automático. De esta forma, se pone de manifiesto unas nociones sobre algoritmos evolutivos, en el que se indica en que consiste este tipo de algoritmo y su funcionamiento, para conocer los mecanismos de optimización, una introducción a los sistemas basados en reglas difusas, explicando su composición y su funcionamiento y, finalmente, un conocimiento elemental sobre los sistemas difusos genéticos. Además, nombraremos algunos trabajos pertenecientes a esta temática y que forman parte del estado del arte. Finalmente, esta memoria concluye con la bibliografía de referencia que ha permitido la implementación de nuestro trabajo.
Tesis Univ. Granada. Departamento de Ciencias de la Computación e Inteligencia Artificial