Aprendizaje de bases de conocimiento borrosas mediante computación bio-inspirada

En la actualidad, numerosas tareas que rodean a los seres humanos se llevan a cabo automáticamente a cargo de la inteligencia artificial. Dentro de la inteligencia artificial, se encuentra la lógica borrosa, que proporciona un formalismo de representación del conocimiento que permite modelar computacionalmente la imprecisión propia de los procesos cognitivos del ser humano. Si se diseñan adecuadamente, los sistemas basados en reglas borrosas son capaces de resolver una gran variedad de problemas como, por ejemplo, los problemas de clasificación, que están presentes en un amplio rango de aplicaciones. Sin embargo, para diseñar un sistema basado en reglas borrosas, es necesario contar con la participación de expertos del dominio específico, proceso que resulta muy costoso. En este trabajo fin de máster, se propone un algoritmo híbrido, genético y basado en optimización con enjambres de partículas, denominado FKBEL, para la construcción automática de bases de conocimiento de sistemas de clasificación basados en reglas borrosas, a partir del aprendizaje de conjuntos de datos de dominios variados. Los algoritmos genéticos y la optimización basada en enjambres de partículas son técnicas de computación bio-inspirada, que se basan en la evolución de las especies y la inteligencia colectiva observada en los comportamientos sociales de algunos seres vivos, respectivamente. En la literatura estudiada, estas técnicas presentan un buen rendimiento aplicados en conjunción con la lógica borrosa. El proceso de aprendizaje del algoritmo híbrido también favorece la compactibilidad de las bases de reglas generadas. En este trabajo se recogen los resultados obtenidos por el algoritmo implementado, y se comparan con otros algoritmos relacionados. Tanto la precisión de clasificación como la compactibilidad de las reglas, han resultado satisfactorias.---ABSTRACT---Nowadays, many tasks that surround human beings are carried out automatically with artificial intelligence. Within artificial intelligence, we can find fuzzy logic, which provides a formalism of knowledge representation that allows the computational modeling of imprecision, typical of humans’ cognitive processes. When adequately designed, fuzzy rule-based systems are capable of solving a great variety of problems, such as classification problems, which have presence in a wide range of applications. However, in order to design a fuzzy rule-based system, the collaboration of experts in the specific domain is needed, involving an expensive process. In this master’s final project, a hybrid, both genetic and particle swarm based, algorithm, called FKBEL, is proposed for the automatic building of knowledge bases of fuzzy rule-based classification systems, through the learning of datasets from varied domains. Genetic algorithms and oparticle swarm optimization are bio-inspired computation techniques, which are based on the species evolution and the collective intelligence observed in some living beings’ social behavior, respectively. In the studied literature, genetic algorithms and particle swarm optimization show a good performance when applied in conjunction with fuzzy logic. The hybrid algorithm’s learning process also favors the compactness of the generated rule base. In this work, the results obtained by the implemented algorithm are collected and compared with other related state-of-the-art algorithms. Both classification accuracy and rule base compactness have been found to be satisfactory enough, within the context of a master’s final project