PROYECTO SOCIOEDUCATIVO SOBRE EL TEMA INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN

PROPUESTA DE UN PROYECTO BASADO EN LA IA SOBRE ALGORITMO GENÉTICO PARA LA ASIGNACIÓN DE AULAS EN LOS CENTROS EDUCATIVOS. 

La Inteligencia Artificial (IA), en su sentido más natural, está referida al modo de simular las capacidades de la inteligencia del cerebro humano, por lo que pensar en IA, es también pensar en aquello que nos hace posible interactuar y aprender; por ello, sus aplicaciones pueden contribuir enormemente en la educación.
Las instituciones educativas han implementado estrategias que mejoran la enseñanza en todos los niveles. La inversión en la compra de software y hardware de alta capacidad es esencial para que los maestros ofrezcan una enseñanza innovadora que promueva el desarrollo socioeconómico. 

    

Figura Nro. 01: IA en la educación.

         PLANTEAMIENTO DEL PROBLEMA

En general, la asignación de aulas a los cursos que se imparten en cualquier centro educativo puede plantearse de manera fácil como un problema de optimización. Es decir, la demanda de aulas normalmente supera la cantidad disponible de éstas. Por esta razón, al inicio de cada período lectivo se hace necesario invertir una importante cantidad de recursos de personal y de tiempo, con el fin de hacer una adecuada distribución de aulas, acorde con las necesidades existentes en cada centro. La herramienta que describimos en este proyecto ha sido desarrollada para diversos centros educativos que enfrenten el problema de asignación de aulas beneficiándose de esta.

Algoritmo Genético

Cuando hablamos de algoritmos genéticos, hay que hablar de John Holland que en 1962 asienta las bases para sus posteriores desarrollos hasta llegar a lo que se conoce hoy por algoritmos genéticos. Un algoritmo genético es un método de búsqueda que imita la teoría de la evolución biológica de Darwin para la resolución de problemas. Para ello, se parte de una población inicial de la cual se seleccionan los individuos más capacitados para luego reproducirlos y mutarlos para finalmente obtener la siguiente generación de individuos que estarán más adaptados que la anterior generación (1).

Figura Nro. 02: Algoritmos Genéticos.

Parámetros de los Algoritmos Genéticos

Para el estudio de los algoritmos genéticos hay que tener en cuenta una serie de parámetros (1): 

   Figura Nro. 03: Parámetros de los Algoritmos Genéticos.

                 Tamaño de la Población

Este parámetro nos indica el número de cromosomas que tenemos en nuestra población para una generación determinada. En caso de que esta medida sea insuficiente, el algoritmo genético tiene pocas posibilidades de realizar reproducciones con lo que se realizaría una búsqueda de soluciones escasa y poco óptima. Por otro lado, si la población es excesiva, el algoritmo genético será excesivamente lento.

           Probabilidad de Cruce

Indica la frecuencia con la que se producen cruces entre los cromosomas padre, es decir, que haya probabilidad de reproducción entre ellos. En caso de que no exista probabilidad de reproducción, los hijos serán copias exactas se los padres. En caso de haberla, los hijos tendrán partes de los cromosomas de los padres. Si la probabilidad de cruce es del 100% el hijo se crea totalmente por cruce, no por partes.

           Probabilidad de Mutación

Nos indica la frecuencia con la que los genes de un cromosoma son mutados. Si no hay mutación, los descendientes son los mismos que había tras la reproducción. En caso de que haya mutaciones, parte del cromosoma descendiente es modificado y si la probabilidad de mutación es del 100%, la totalidad del cromosoma se cambia. En este caso, no se cambian simplemente unos bits del cromosoma, sino que se cambian todos, lo que significa que se produce una inversión en el cromosoma y no una mutación por lo que la población degenera muy rápidamente.

Figura Nro. 04: Parámetros.

         Ventajas de los Algoritmos Genéticos (2)

 

-   Una clara ventaja es que los algoritmos genéticos son intrínsecamente paralelos, es decir, operan de forma simultánea con varias soluciones, en vez de trabajar de forma secuencial como las técnicas tradicionales. Esto significa que mientras técnicas tradicionales sólo pueden explorar el espacio de soluciones hacia una solución en una dirección al mismo tiempo, y si la solución que descubren resulta subóptima, no se puede hacer otra cosa que abandonar todo el trabajo hecho y empezar de nuevo. Sin embargo, los algoritmos genéticos simplemente desechan esta solución subóptima y siguen por otros caminos.

 

-   Cuando se usan para problemas de optimización resultan menos afectados por los máximos locales (falsas soluciones) que las técnicas tradicionales. Muchos algoritmos de búsqueda pueden quedar atrapados en los óptimos locales: si llegan a lo alto de una colina del paisaje adaptativo, descubrirán que no existen soluciones mejores en las cercanías y concluirán que han alcanzado la mejor de todas, aunque existan picos más altos en algún otro lugar del mapa, situación que no sucede para algoritmos genéticos.

-   Otra ventaja es su habilidad para manipular muchos parámetros simultáneamente. Resulta interesante en caso de tener varios objetivos a resolver.

-     No necesitan conocimientos específicos sobre el problema que intentan resolver. Realizan cambios aleatorios en sus soluciones candidatas y luego utilizan la función de aptitud para determinar si esos cambios producen una mejora o no.

-     Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivas en paralelo.

-     Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de las otras técnicas.

 

          Desventajas de los Algoritmos Genéticos (2)

 

-   Definir una representación del problema. El lenguaje utilizado para especificar soluciones candidatas debe ser robusto, debe ser capaz de tolerar cambios aleatorios que no produzcan constantemente errores fatales o resultados sin sentido. Se puede solucionar mediante la definición de los individuos como listas de números donde cada número representa algún aspecto de la solución candidata.

-  Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta medida de los parámetros que se utilicen -tamaño de la población, número de generaciones.

-   Pueden converger prematuramente debido a una serie de problemas. Si un individuo que es más apto que la mayoría de sus competidores emerge muy pronto en el curso de la ejecución, se puede reproducir tan abundantemente que merme la diversidad de la población demasiado pronto, provocando que el algoritmo converja hacia el óptimo local que representa ese individuo, en lugar de rastrear el paisaje adaptativo lo bastante a fondo para encontrar el óptimo global. Esto es un problema especialmente común en las poblaciones pequeñas, donde incluso una variación aleatoria en el ritmo de reproducción puede provocar que un genotipo se haga dominante sobre los otros.

       Aplicaciones de los Algoritmos Genéticos (3):

La aplicación más común de los algoritmos genéticos ha sido la solución de problemas de optimización, en donde han mostrado ser muy eficientes. Sin embargo, no todos los problemas pudieran ser apropiados para esta técnica. Se recomienda en general tomar en cuenta las siguientes características del mismo antes de intentar usarla:

 

- Su espacio de búsqueda debe estar delimitado dentro de un cierto rango.

- Definir una función de aptitud que indique qué tan buena o mala es una cierta respuesta.

- Las soluciones deben codificarse de manera que resulte relativamente fácil de implementar en la computadora.

Dentro de los distintos problemas de optimización podemos encontrar unas áreas de aplicación:

 

- Diseño por computadora de nuevos materiales que cumplan múltiples objetivos.

- Optimización de la carga de conteiner.

- Asignación de procesos en topologías de redes con procesamiento distribuido.

- Ubicación de archivos en sistemas de almacenamiento distribuido.

- Diseño de circuitos integrados.

- Optimización de la infraestructura de telefonía celular.

- Ingeniería Aeroespacial.

- Juegos.

- Robótica.

 REFERENCIAS BIBLIOGRÁFICAS

 1.  Arranz J, Parra A. Algoritmos Genéticos. Universidad Carlos III. 2014. p. 8.

 

 2. Martínez M, Mondragón I. Ventajas y desventajas de la aplicación de los algoritmos genéticos. Revista Boletín Redipe. marzo de 2021;10:16.

 3.  Hernández J. Algoritmos genéticos y su aplicación en optimización de redes. Universidad Nacional de la Plata; 2015.

INTEGRANTES:

- Farias Ordoñez Nestor Jhanpierre.

- Villegas Rufino Angelita del Pilar.