Prototipo de Hardware Evolutivo.
1. DEFINICIÓN Y DELIMITACIÓN
Se conoce como Hardware Evolutivo aquello que es capaz de adaptarse solo en tiempo real, reconfigurando su arquitectura dinámicamente y de manera autónoma mediante una interacción con su ambiente y que a su vez utilice técnicas evolutivas (algoritmos basados en el mismo mecanismo de selección natural) para síntesis de circuitos.
Se abarcará también Algoritmos Genéticos, Inteligencia Artificial y Vida Tecno-Orgánica.
1.2. SITUACIÓN PROBLEMÁTICA
Durante décadas, el ser humano ha intentado construir una réplica de su propio cerebro. Para ello, ha ido utilizando software cada vez más potente para crear Inteligencia Artificial sofisticada. Sin embargo, la Inteligencia Artificial más avanzada no se acerca todavía a la potencia y complejidad de nuestra mente. Tal vez, uno de los problemas es que todo el desarrollo y el esfuerzo relacionado con la Inteligencia Artificial en las últimas dé
Un equipo de la Universidad de Oslo puede cambiar esta tendencia al abrir la posibilidad de crear una nueva generación de hardware que evoluciona por sí mismo. En vez de actualizar software, el hardware es capaz de evolucionar, probar soluciones ante los problemas y adoptar la decisión más adecuada. Este mismo equipo comenzó su aproximación al hardware evolutivo en 2004 cuando crearon un robot con forma de gallina al que bautizaron como Henriette. Este robot usó hardware evolutivo sobre un software hecho para que aprendiese a caminar y a hablar solo.
1.3. FORMULACIÓN DEL PROBLEMA
Innovar un Hardware Evolutivo que aprenda a tomar decisiones desde el punto de vista de Negocios.
1.4. JUSTIFICACIÓN E IMPORTANCIA
El desarrollo del tema permitiría la reducción de tiempo para encontrar un diseño perfecto que resolvería un problema determinado.
La importancia del tema es que es la nueva tendencia, es aquello que permitiría el desarrollo más avanzado de la Inteligencia Artificial y poder llevarla a un punto denominado Inteligencia Artificial Real.
2. CAPÍTULO II: MARCO REFERENCIAL DEL PROBLEMA
2.1. BASES TEÓRICAS
2.1.1. HARDWARE EVOLUTIVO: Se conoce como Hardware Evolutivo aquello que es capaz de adaptarse solo en tiempo real, reconfigurando su arquitectura dinámicamente y de manera autónoma mediante una interacción con su ambiente y que a su vez utilice técnicas evolutivas (algoritmos basados en el mismo mecanismo de selección natural) para síntesis de circuitos.
En el Hardware Evolutivo la adaptación que lugar de acuerdo a señales que se reciben del medio, y como se realiza a nivel de hardware, puede ser realizada en tiempo real, y resulta en un sistema flexible y tolerante a fallas, ya que el sistema modifica su propia estructura en caso de cambios en el medio o errores en el hardware.
2.1.2. COMPUTACIÓN EVOLUTIVA: El enfoque sub-simbólico de la Inteligencia Artificial (IA) se caracteriza por crear sistemas con capacidad de aprendizaje. Éste se puede obtener a nivel de individuo imitando el cerebro (Redes Neuronales), o a nivel de especie, imitando la evolución, lo que se ha denominado Computación Evolutiva. Término relativamente nuevo que intenta agrupar un batiburrillo de paradigmas muy relacionados cuyas competencias no están aún muy definidas. Hasta hace poco era común hablar de Algoritmos Genéticos (AG) en general, en vez de identificar diferentes tipos de CE, ya que el resto de los algoritmos se pueden interpretar como variaciones o mejoras de los AG, más conocidos. En un AG los elementos de las cadenas (genes) son típicamente bits, y en ciertos casos, valores numéricos o strings. En la Programación Genética, los genes son instrucciones en un lenguaje de programación, y en las Estrategias Evolutivas, valores reales. Las Estrategias Evolutivas surgieron inicialmente para resolver problemas de optimización paramétrica; con el paso del tiempo fueron incorporando procedimientos propios de la computación evolutiva, con lo que han llegado a convertirse en una disciplina más. La agregación simulada (Simulated Annealing) se puede considerar una simplificación de los AG cuyo origen está en los procedimientos físicos de solidificación controlada. Los Clasificadores Genéticos solucionan problemas de reconocimiento de patrones mediante un entrenamiento basado en ejemplos, almacenando en las cadenas información que relacione los datos de entrada y la salida deseada. Finalmente, a mí me gusta considerar la Vida Artificial como un superconjunto de todas estas técnicas
2.1.3. REDES NEURONALES ARTIFICIALES: Se trata de una nueva forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc.), ofreciendo soluciones robustas y de fácil implementación.
Las RNA están compuestas de muchos elementos sencillos que operan en paralelo, el diseño de la red está determinado mayormente por las conexiones entre sus elementos. Al igual que las conexiones de las neuronas cerebrales.
Características de las RNA:
— Tener una inclinación natural a adquirir el conocimiento a través de la experiencia, el cual es almacenado, al igual que en el cerebro en el peso relativo de las conexiones interneuronales.
— Tienen una altísima plasticidad y gran adaptabilidad, son capaces de cambiar dinámicamente junto con el medio.
— Poseen un alto nivel de tolerancia a fallas, es decir pueden sufrir un daño considerable y continuar teniendo un buen comportamiento, al igual como ocurre en los sistemas biológicos.
— Tener un comportamiento altamente no-lineal, lo que les permite procesar información procedente de otros fenómenos no-lineales.
2.1.4. ALGORITMO EVOLUTIVO: Consiste en técnicas de optimización y búsqueda de soluciones para problemas no lineales en espacios de búsqueda que pueden ser extremadamente grandes.
Dada una población de potenciales soluciones a un problema, la computación evolutiva expande esta población con nuevas y mejores soluciones. El nombre se debe a que siguen los patrones de la evolución biológica. Los cromosomas proporcionan la representación o codificación de un individuo. Parte de los cromosomas, los genes, se usan para definir diferentes rasgos del individuo. Durante la reproducción (cruce) los genes de los padres se combinan para producir los genes de los hijos. La población va mejorando de generación en generación, porque los individuos que representan las soluciones más adecuadas al problema tienen más posibilidades de sobrevivir.
Suele hablarse de tres paradigmas principales de algoritmos evolutivos:
· Programación evolutiva.
· Estrategias evolutivas.
· Algoritmos genéticos.
Por lo general, estos programas comienzan con una fase de inicialización de las entidades y su entorno, y seguidamente ejecutan repetidamente ciclos dentro de los cuales podemos distinguir tres etapas:
· Evaluación: Se trata de asignar un valor de peso o fitness a cada individuo, en función de lo bien que resuelve el problema.
· Selección: Ahora debemos clasificar a los agentes en cuatro tipos, según sobrevivan o no, y según se reproduzcan o no, en función de los pesos.
· Reproducción: Se generan los nuevos individuos, produciéndose algunas mutaciones en los nacimientos.
En realidad las dos primeras fases se pueden fundir en una, ya que no es estrictamente necesario asignar a cada entidad un peso, sino simplemente saber cuáles son mejores que otras, pero asignar pesos suele ser lo más cómodo. También podemos combinar la segunda y la tercera generando las nuevas entidades únicamente en la zona de memoria donde se encuentran los agentes a eliminar, y mantener así la población constante. En cualquier caso, siempre existirá alguna forma de evaluación, selección y reproducción. Cada uno de estos procesos se puede realizar de muchas formas distintas, independientemente del problema que se esté resolviendo
Las opciones de un algoritmo evolutivo. En general se trata de distintas formas de producir, o bien una convergencia más rápida hacia una solución, o bien una exploración más a fondo del espacio de búsqueda. Ambas cosas son deseables y contradictorias, por lo que se ha de llegar a un compromiso. Este compromiso es lo que antes he llamado cooperación. Por supuesto que todo esto no son más que metáforas. Se requiere de una fuerza conservadora (explotación-egoísmo), que beneficie a los mejores agentes, es decir, a los que mejor resuelvan nuestro problema. Esto es evidente, pero no basta. También es necesaria una fuerza innovadora (exploración-altruismo), que permita la existencia de agentes muy distintos, aún cuando su peso sea menor. Así se puede obtener la variedad suficiente para evitar una población estancada en un máximo local, y permitir la resolución de problemas cambiantes o con varios máximos. Esto ocurre de forma espontánea en la naturaleza por ser algo inherente a cada entidad, que puede ser seleccionado, pero resulta más cómodo programarlo de forma externa, es decir, haremos que nuestro programa seleccione para la reproducción "los agentes buenos", pero también "unos cuantos de los malos" para mantener la variedad.
· Opciones Generales
Número de entidades.
Número de elementos (genes, reglas) por cada agente.
· Método de Evaluación: Asignar un peso
Desordenar las entidades antes de evaluarlas.
Diferentes formas de modificación de los pesos después de la evaluación. Por ejemplo, el peso de una entidad se puede calcular independientemente de las demás entidades, o se puede modificar posteriormente este valor, disminuyendo el peso si existe otra entidad muy parecida, analizando para ello un cierto subconjunto de la población vecina.
· Método de Selección: ¿Quién muere? ¿Quién se reproduce?
Con o sin reemplazamiento.
Método de la ruleta.
Método de los torneos.
Seleccionar el n% mejor y el m% peor.
· Método de Reproducción: Generar y mutar nuevos hijos:
Los padres pueden tomarse por parejas o en grupos más numerosos, elegidos al azar o en orden de pesos.
En el caso de detectar que los progenitores son muy parecidos, se puede realizar una acción especial, como incrementar la probabilidad de mutación.
Las entidades pueden comunicar a otras su conocimiento, ya sea a toda o a una parte de la población, directamente o a través de una pizarra, (una especie de tablón de anuncios).
Método de recombinación de genes: se puede tomar genes de uno u otro progenitor al azar, en un cierto orden, con uno, dos o más puntos de corte, etc.
Tasa de mutación variable.
Fijar una tasa de mutación diferente para cada individuo o incluso para cada gen.
Hacer que sea más probable que se produzca una mutación en un gen si en su vecino ya se ha producido.
Sustituir por mutaciones genes sin utilidad, como reglas incorrectas o repetidas.
Tipos de mutaciones.
2.1.5. ALGORITMOS GENÉTICOS: Son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin (1859).
Por imitación de este proceso, los Algoritmos Genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas.
Los principios básicos de los Algoritmos Genéticos fueron establecidos por Holland (1975), y se encuentran bien descritos en varios textos.
En la naturaleza los individuos de una población compiten entre sí en la búsqueda de recursos tales como comida, agua y refugio. Incluso los miembros de una misma especie compiten a menudo en la búsqueda de un compañero. Aquellos individuos que tienen más éxito en sobrevivir y en atraer compañeros tienen mayor probabilidad de generar un gran número de descendientes. Por el contrario individuos poco dotados producirán un menor número de descendientes. Esto significa que los genes de los individuos mejor adaptados se propagarán en sucesivas generaciones hacia un número de individuos creciente. La combinación de buenas características provenientes de diferentes ancestros, puede a veces producir descendientes “superindividuos", cuya adaptación es mucho mayor que la de cualquiera de sus ancestros. De esta manera, las especies evolucionan logrando unas características cada vez mejor adaptadas al entorno en el que viven.
Los Algoritmos Genéticos usan una analogía directa con el comportamiento natural. Trabajan con una población de individuos, cada uno de los cuales representa una solución factible a un problema dado. A cada individuo se le asigna un valor ó puntuación, relacionado con la bondad de dicha solución. En la naturaleza esto equivaldría al grado de efectividad de un organismo para competir por unos determinados recursos. Cuanto mayor sea la adaptación de un individuo al problema, mayor será la probabilidad de que el mismo sea seleccionado para reproducirse, cruzando su material genético con otro individuo seleccionado de igual forma. Este cruce producirá nuevos individuos - descendientes de los anteriores - los cuales comparten algunas de las características de sus padres.
Cuanto menor sea la adaptación de un individuo, menor será la probabilidad de que dicho individuo sea seleccionado para la reproducción, y por tanto de que su material genético se propague en sucesivas generaciones.
De esta manera se produce una nueva población de posibles soluciones, la cual reemplaza a la anterior y verifica la interesante propiedad de que contiene una mayor proporción de buenas características en comparación con la población anterior. Así a lo largo de las generaciones las buenas características se propagan a través de la población. Favoreciendo el cruce de los individuos mejor adaptados, van siendo exploradas las áreas más prometedoras del espacio de búsqueda. Si el Algoritmo Genético ha sido bien diseñado, la población convergerá hacia una solución óptima del problema.
El poder de los Algoritmos Genéticos proviene del hecho de que se trata de una técnica robusta, y pueden tratar con éxito una gran variedad de problemas provenientes de diferentes áreas, incluyendo aquellos en los que otros métodos encuentran dificultades. Si bien no se garantiza que el Algoritmo Genético encuentre la solución óptima del problema, existe evidencia empírica de que se encuentran soluciones de un nivel aceptable, en un tiempo competitivo con el resto de algoritmos de optimización combinatoria. En el caso de que existan técnicas especializadas para resolver un determinado problema, lo más probable es que superen al Algoritmo Genético, tanto en rapidez como en eficacia. El gran campo de aplicación de los Algoritmos Genéticos se relaciona con aquellos problemas para los cuales no existen técnicas especializadas. Incluso en el caso en que dichas técnicas existan, y funcionen bien, pueden efectuarse mejoras de las mismas hibridándolas con los Algoritmos Genéticos.
2.1.5.1. ALGORITMO GENÉTICO SIMPLE:
BEGIN /* Algoritmo Genético Simple */
Generar una población inicial.
Computar la función de evaluación de cada individuo.
WHILE NOT Terminado DO
BEGIN /* Producir nueva generación */
FOR Tamaño población/2 DO
BEGIN /*Ciclo Reproductivo */
Seleccionar dos individuos de la anterior generación,
para el cruce (probabilidad de selección proporcional
a la función de evaluación del individuo).
Cruzar con cierta probabilidad los dos
individuos obteniendo dos descendientes.
Mutar los dos descendientes con cierta probabilidad.
Computar la función de evaluación de los dos
Descendientes mutados .
Insertar los dos descendientes mutados en la nueva generación.
END
IF la población ha convergido THEN
Terminado:=TRUE
END
END
El Algoritmo Genético Simple, también denominado Canónico, se representa en el código anterior. Como se verá a continuación, se necesita una codificación o representación del problema, que resulte adecuada al mismo. Además se requiere una función de ajuste ó adaptación al problema, la cual asigna un número real a cada posible solución codificada. Durante la ejecución del algoritmo, los padres deben ser seleccionados para la reproducción, a continuación dichos padres seleccionados se cruzaran generando dos hijos, sobre cada uno de los cuales actuara un operador de mutación. El resultado de la combinación de las anteriores funciones será un conjunto de individuos (posibles soluciones al problema), los cuales en la evolución del Algoritmo Genético formaran parte de la siguiente población.
2.1.5.1.1. CODIFICACIÓN
Se supone que los individuos (posibles soluciones del problema), pueden representarse como un conjunto de parámetros (que denominaremos genes), los cuales agrupados forman una ristra de valores (a menudo referida como cromosoma). Si bien el alfabeto utilizado para representar los individuos no debe necesariamente estar constituido por el {0; 1}, buena parte de la teoría en la que se fundamentan los Algoritmos Genéticos utiliza dicho alfabeto.
En términos biológicos, el conjunto de parámetros representando un cromosoma particular se denomina fenotipo. El fenotipo contiene la información requerida para construir un organismo, el cual se refiere como genotipo. Los mismos términos se utilizan en el campo de los Algoritmos Genéticos.
La adaptación al problema de un individuo depende de la evaluación del genotipo. Esta _ultima puede inferirse a partir del fenotipo, es decir puede ser computada a partir del cromosoma, usando la función de evaluación.
La función de adaptación debe ser diseñada para cada problema de manera específica. Dado un cromosoma particular, la función de adaptación le asigna un número real, que se supone refería el nivel de adaptación al problema del individuo representado por el cromosoma.
Durante la fase reproductiva se seleccionan los individuos de la población para cruzarse y producir descendientes, que constituirían, una vez mutados, la siguiente generación de individuos. La selección de padres se efectúa al azar usando un procedimiento que favorezca a los individuos mejor adaptados, ya que a cada individuo se le asigna una probabilidad de ser seleccionado que es proporcional a su función de adaptación. Este procedimiento se dice que está basado en la ruleta sesgada.
Según dicho esquema, los individuos bien adaptados se escogerán probablemente varias veces por generación, mientras que los pobremente adaptados al problema, no se escogerán más que de vez en cuando.
Una vez seleccionados dos padres, sus cromosomas se combinan, utilizando habitualmente los operadores de cruce y mutación. Las formas básicas de dichos operadores se describen a continuación.
El operador de cruce, coge dos padres seleccionados y corta sus ristras de cromosomas en una posición escogida al azar, para producir dos subristras iniciales y dos subristras finales. Después se intercambian las subristras finales, produciéndose dos nuevos cromosomas completos.
Ambos descendientes heredan genes de cada uno de los padres. Este operador se conoce como operador de cruce basado en un punto.
Operador de cruce basado en un punto
Habitualmente el operador de cruce no se aplica a todos los pares de individuos que han sido seleccionados para emparejarse, sino que se aplica de manera aleatoria, normalmente con una probabilidad comprendida entre 0.5 y 1.0. En el caso en que el operador de cruce no se aplique, la descendencia se obtiene simplemente duplicando los padres.
El operador de mutación se aplica a cada hijo de manera individual, y consiste en la alteración aleatoria (normalmente con probabilidad pequeña) de cada gen componente del cromosoma. La siguiente figura muestra la mutación del quinto gen del cromosoma.
Operador de Mutación
Si bien puede en principio pensarse que el operador de cruce es más importante que el operador de mutación, ya que proporciona una exploración rápida del espacio de búsqueda, éste último asegura que ningún punto del espacio de búsqueda tenga probabilidad cero de ser examinado, y es de capital importancia para asegurar la convergencia de los Algoritmos Genéticos.
Para criterios prácticos, es muy útil la definición de convergencia introducida en este campo por De Jong (1975) en su tesis doctoral. Si el Algoritmo Genético ha sido correctamente implementado, la población evolucionará a lo largo de las generaciones sucesivas de tal manera que la adaptación media extendida a todos los individuos de la población, así como la adaptación del mejor individuo se irán incrementando hacia el _optimo global. El concepto de convergencia está relacionado con la progresión hacia la uniformidad: un gen ha convergido cuando al menos el 95 % de los individuos de la población comparten el mismo valor para dicho gen. Se dice que la población converge cuando todos los genes han convergido. Se puede generalizar dicha definición al caso en que al menos un ß% de los individuos de la población hayan convergido.
2.1.6. ESTRATEGIAS EVOLUTIVAS: Las Estrategias Evolutivas fueron desarrolladas en 1964 en Alemania para resolver problemas hidrodinámicos de alto grado de complejidad por un grupo de estudiantes de ingeniería encabezado por Ingo Rechenberg.
La versión original (1+1)-EE usaba un solo padre y con él se generaba un solo hijo. Este hijo se mantenía si era mejor que el padre, o de lo contrario se eliminaba (a este tipo de selección se le llama extintiva, porque los peores individuos tienen una probabilidad cero de ser seleccionados).
En la (1+1)-EE, un individuo nuevo es generado usando:
x t+1 = x t + N(0,σ )
Donde t se refiere a la generación (o iteración) en la que nos encontramos, y N(0,σ) es un vector de números Gaussianos independientes con una media cero y desviación estándar σ.
2.1.7. PROGRAMACIÓN EVOLUTIVA: Lawrence J. Fogel propuso en los 60s una técnica denominada “Programación Evolutiva”, en la cual la inteligencia se ve como un comportamiento adaptativo. La Programación Evolutiva enfatiza los nexos de comportamiento entre padres e hijos, en vez de buscar emular operadores genéticos específicos (como en el caso de los Algoritmos Genéticos).
El algoritmo básico de la Programación Evolutiva es el siguiente:
— Generar aleatoriamente una población inicial.
— Se aplica mutación.
— Se calcula la aptitud de cada hijo y se usa un proceso de selección mediante torneo (normalmente estocástico) para determinar cuáles serán las soluciones que se retendrán.
La Programación Evolutiva es una abstracción de la evolución al nivel de las especies, por lo que no se requiere el uso de un operador de recombinación (diferentes especies no se pueden cruzar entre sí). Asimismo, usa selección probabilística. Resulta un tanto más fácil entender la Programación Evolutiva
Algunas aplicaciones de la Programación Evolutiva son:
— Predicción
— Generalización
— Juegos
— Control automático
— Problema del viajero
— Planeación de rutas
— Diseño y entrenamiento de redes neuronales
— Reconocimiento de patrones
2.1.8. PROGRAMACIÓN GENÉTICA:
— Según Miguel Martín Hernández, la meta de la PG es lograr que las computadoras aprendan a resolver problemas sin ser explícitamente programadas, generando soluciones a problemas a partir de la inducción de programas. El programador no especifica el tamaño, forma y complejidad estructural de los programas-solución, sino que los programas evolucionan hasta generar soluciones satisfactorias.
Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin).
No sólo se ha utilizado para generar programas, sino que cualquier otro tipo de soluciones cuya estructura sea similar a la de un programa. Por ejemplo, fórmulas matemáticas, circuitos electrónicos.
En programación genética se busca que poblaciones de programas evolucionen, transmitiendo su herencia de manera que se adapten mejor al medio.
Los mejores individuos tienen mayores probabilidades de reproducirse. La medida de calidad del individuo dependerá del tipo de problema.
2.1.9. TOMA DE DECISIONES
Es el proceso durante el cual la persona debe escoger entre dos o más alternativas. Todos y cada uno de nosotros pasamos los días y las horas de nuestra vida teniendo que tomar decisiones. Algunas decisiones tienen una importancia relativa en el desarrollo de nuestra vida, mientras otras son gravitantes en ella. Para los administradores, el proceso de toma de decisión es sin duda una de las mayores responsabilidades.La toma de decisiones en una organización se circunscribe a una serie de personas que están apoyando el mismo proyecto. Debemos empezar por hacer una selección de decisiones, y esta selección es una de las tareas de gran trascendencia. Con frecuencia se dice que las decisiones son algo así como el motor de los negocios y en efecto, de la adecuada selección de alternativas depende en gran parte el éxito de cualquier organización.Una decisión puede variar en trascendencia y connotación.Los administradores consideran a veces la toma de decisiones como su trabajo principal, porque constantemente tienen que decidir lo que debe hacerse, quién ha de hacerlo, cuándo y dónde, y en ocasiones hasta cómo se hará. Sin embargo, la toma de decisiones sólo es un paso de la planeación, incluso cuando se hace con rapidez y dedicándole poca atención o cuando influye sobre la acción sólo durante unos minutos.
2.1.9.1. PROCESO DE LA TOMA DE DECISIONES
Se presentan a continuación algunas definiciones clásicas de los procesos que se dan el la toma de decisiones y que pueden aclarar de forma importante Dentro de este proceso se dan una serie de conductas que necesitan definición:
Hastie, (2001) plantea una serie de definiciones que sirven perfectamente para aclarar el proceso de toma de decisiones, que es una parte de la resolución de problemas:
Ø Decisiones. Son combinaciones de situaciones y conductas que pueden ser descritas en términos de tres componentes esenciales: acciones alternativas, consecuencias y sucesos inciertos.
Ø Resultado. Son situaciones describibles públicamente que ocurrirían cuando se llevan a cabo las conductas alternativas que se han generado. Como todas las situaciones son dinámicas y suponen que si se continúa la toma la acción el resultado puede variar.
Ø Consecuencias: Son las reacciones evaluativas subjetivas, medidas en términos de bueno o malo, ganancias o pérdidas, asociadas con cada resultado.
Ø Incertidumbre: Se refiere a los juicios de quien toma la decisión de la propensión de cada suceso de ocurrir. Se describe con medidas que incluyen probabilidad, confianza, y posibilidad?
Ø Preferencias: Son conductas expresivas de elegir, o intenciones de elegir, un curso de acción sobre otros.
Ø Tomar una decisión se refiere al proceso entero de elegir un curso de acción.
Ø Juicio: Son los componentes del proceso de decisión que se refieren a valorar, estimar, inferir que sucesos ocurrirán y cuales serán las reacciones evaluativas del que toma la decisión en los resultados que obtenga.
Según estas definiciones el proceso de toma de decisiones sería encontrar una conducta adecuada para una situación en la que hay una serie de sucesos inciertos. La elección de la situación ya es un elemento que puede entrar en el proceso. Hay que elegir los elementos que son relevantes y obviar los que no lo son y analizar las relaciones entre ellos. Una vez determinada cual es la situación, para tomar decisiones es necesario elaborar acciones alternativas, extrapolarlas para imaginar la situación final y evaluar los resultados teniendo en cuenta las la incertidumbre de cada resultado y su valor. Así se obtiene una imagen de las consecuencias que tendría cada una de las acciones alternativas que se han definido. De acuerdo con las consecuencias se asocia a la situación la conducta más idónea eligiéndola como curso de acción.
2.1.9.2. IMPORTANCIA DE LA TOMA DE DECISIONES
Es importante por que mediante el empleo de un buen juicio, la Toma de Decisiones nos indica que un problema o situación es valorado y considerado profundamente para elegir el mejor camino a seguir según las diferentes alternativas y operaciones.También es de vital importancia para la administración ya que contribuye a mantener la armonía y coherencia del grupo, y por ende su eficiencia.En la Toma de Decisiones, considerar un problema y llegar a una conclusión válida, significa que se han examinado todas las alternativas y que la elección ha sido correcta. Dicho pensamiento lógico aumentará la confianza en la capacidad para juzgar y controlar situaciones.Uno de los enfoques más competitivos de investigación y análisis para la toma de las decisiones es la investigación de operaciones. Puesto que esta es una herramienta importante para la administración de la producción y las operaciones.
2.2. FORMULACIÓN DE OBJETIVOS
2.2.1. OBJETIVO GENERAL
— Identificar las metodologías que intervendrían para innovar el HWE que ayude a la toma de decisiones.
2.2.2. OBJETIVO SECUNDARIO
— Identificar las programaciones que utiliza el Hardware Evolutivo en su desarrollo.
— Identificar las clases de Algoritmos que son utilizados en el desarrollo del Hardware Evolutivo.
