Algoritmos Genéticos y Computación Evolutiva: De la Teoría a la Práctica en Inteligencia Artificial

¿Buscas la Mejor Solución para Problemas Complejos?

DescubrelosAlgoritmosGenéticos:LaNaturalezaalServicio delaTecnología

En un mundo donde la optimización y la inteligencia artificial son esenciales para el progreso tecnológico, los algoritmos genéticos se destacan como una de las herramientas más poderosas y efectivas Inspirados en el proceso evolutivo de la naturaleza, estos algoritmos simulan la selección natural para encontrar soluciones óptimas a problemascomplejos.

¿PorquélosAlgoritmosGenéticossonRevolucionarios?

Eficiencia y Eficacia: Capaces de encontrar soluciones óptimas en menos tiempo y con menos recursos comparados con métodos tradicionales.

Adaptabilidad:Flexiblesyaplicablesaunaampliagamadeproblemas ysectores,desdelaingenieríahastalamedicina.

Innovación Continua: Constantemente mejorados y adaptados a nuevasaplicacionesytecnologíasemergentes.

AplicacionesPrácticasdelosAlgoritmosGenéticos:

OptimizacióndeRutasyLogística:Mejoralaeficienciaenladistribución yeltransporte.

DiseñodeRedesNeuronales:Optimizalasestructurasyparámetrosde redesneuronalesparaunaprendizajemásrápidoypreciso.

Soluciones en Bioinformática: Ayuda en la identificación de patrones genéticosyenlainvestigacióndeenfermedades.

OptimizaciónInspiradaenlaNaturalezaparaunFuturoInteligente

EDITORIAL

BienvenidosaunaNuevaEradeOptimizaciónyInteligencia

Artificial

Estamos emocionados de presentarles "Algoritmos Genéticos y Computación

Evolutiva: De la Teoría a la Práctica en Inteligencia Artificial"

Este eBook es una exploración profunda y práctica de cómo los principios de la evolución natural pueden aplicarse para resolver problemas complejosyoptimizarsistemasendiversoscampos.

Nuesrt

Ennue vosde alta ca s clave de la de la educa es un ejemp

QuéEncontrarásenEsteeBook

Este eBook ofrece una guía completa sobre los algoritmos genéticos y la computaciónevolutiva,incluyendo:

Conceptos Fundamentales: Desde la historia y el desarrollo de la computación evolutiva hasta los detalles técnicos de los algoritmos genéticos.

Aplicaciones Prácticas: Ejemplos concretos y casos de estudio que ilustrancómosepuedenaplicarestosalgoritmosenelmundoreal.

AportesalaInteligenciaArtificial:Cómolosalgoritmosgenéticosestán revolucionando el campo de la IA, mejorando algoritmos de aprendizajeyoptimizandoredesneuronales

Futuras Direcciones: Perspectivas y tendencias emergentes en el campodelacomputaciónevolutiva

ACERCA DEL AUTOR

BienvenidosaunaNuevaEradeOptimizaciónyInteligencia

Artificial

José De Sousa es un apasionado estudiante de Ingeniería en Sistemas que ha dedicado su joven carrera a explorar las fronteras de la inteligencia artificial y la computación evolutiva. A sus 22 años, José ya ha demostrado un profundo interésycomprensiónenelusodealgoritmosgenéticospara laoptimizaciónylaresolucióndeproblemascomplejos.

Con un enfoque en la aplicación práctica de teorías avanzadas, José ha trabajado en diversos proyectos que integran los principios de la evolución natural en soluciones tecnológicas innovadoras. Su dedicación y curiosidad lo han llevado a investigar y experimentar con métodos bioinspirados,buscandosiemprenuevasformasdemejorary optimizarsistemasatravésdelainteligenciaartificial.

A través de su eBook "Algoritmos Genéticos y Computación Evolutiva: De la Teoría a la Práctica en Inteligencia Artificial", José comparte su conocimiento y experiencia, ofreciendo a los lectoresunaguíacomprensiva y accesible sobre estos temas cruciales. Su objetivo es inspirar a otros a explorar y aplicar estas tecnologías para resolver los desafíos del mundomoderno.

PROLOGO

En la intersección entre biología y computación, los algoritmos genéticos y la computación evolutiva han revolucionado la resolución de problemas complejos.

Este eBook, "Algoritmos Genéticos y Computación Evolutiva: De la Teoría a la Práctica en Inteligencia Artificial", ofrece una guía comprensiva y accesible sobre estasherramientaspoderosas.

Los algoritmos genéticos, inspirados en la selección natural, son técnicas robustas para la optimización y búsqueda de soluciones en espacios problemáticos complejos. Este eBook desmitifica estos conceptos, proporcionando una base teórica sólida y ejemplos prácticosdesuaplicación.

Espero que este eBook enriquezca tu conocimiento y te inspire nuevas ideas y enfoques en tus proyectos. La optimización inspirada en la naturaleza es una herramienta poderosa para un futuro inteligente y sostenible.

Bie la computaciónevolutiva.

ALGORITMOS GENÉTICOS COMO TÉCNICA

DE BÚSQUEDA Y OPTIMIZACIÓN

Los algoritmos genéticos (AG) son métodos de búsqueda y optimización inspirados en los procesos de selección natural y evolución biológica. Estos algoritmos imitan la manera en que las especies evolucionan en la naturaleza, utilizando mecanismos comolaselección,elcruceylamutaciónparaencontrarsoluciones óptimasaproblemascomplejos.

Podemosencontraralgunosconceptosbásicos:

Población Inicial: Los algoritmos genéticos comienzan con una población inicial de soluciones posibles al problema, representadas mediante estructuras de datos similares a cromosomas. Estos cromosomas pueden ser cadenas binarias, arreglos de números, o cualquier otra representación que encajeconelproblemaencuestión.

Función de Aptitud: Cada solución se evalúa utilizando una función de aptitud que mide qué tan buena es la solución respecto al problema que se quiere resolver. La aptitud determina la probabilidad de que una solución sea seleccionadaparareproducirseenlasiguientegeneración.

Selección: Las soluciones con mayor aptitud tienen una mayor probabilidad de ser seleccionadas para crear la próxima generación.Losmétodoscomunesdeselecciónincluyen:

Selección por Ruleta: Las soluciones se seleccionan en funcióndesuaptitudrelativa.

Selección por Torneo: Un conjunto de soluciones se selecciona al azar y la mejor de ellas se elige para reproducirse.

Selección por Rango: Las soluciones se ordenan por aptitud yseseleccionanenfuncióndesurango.

OperadoresGenéticos

Cruce (Crossover): Dos soluciones (padres) se combinan para producir una o más soluciones nuevas (hijos). Esto se hace intercambiando segmentos de sus cromosomas. Los métodosdecruceincluyen:

Cruce de un punto: Se elige un punto al azar en los cromosomas de los padres y se intercambian las partes posterioresaesepunto.

Cruce de dos puntos: Se eligen dos puntos y se intercambianlaspartesentreesospuntos.

Cruce uniforme: Se intercambian genes individuales con unaciertaprobabilidad.

Mutación: Se introducen cambios aleatorios en los cromosomas de las soluciones para mantener la diversidad genética en la población y evitar la convergencia prematura a solucionessubóptimas.Lamutaciónpuedeser:

Mutación puntual: Se altera un único gene en el cromosoma. en el

Reem

Re za por lanuevageneración.

Reemplazo Elitista: Algunas de las mejores soluciones de la generaciónactualseretienenenlapróximageneración.

Reemplazo Estacionario: Solo una parte de la población se reemplazaencadageneración.

AplicacionesPrácticas

Los algoritmos genéticos se utilizan en una amplia variedad de aplicaciones debido a su capacidad para encontrar soluciones óptimas en espacios de búsqueda grandes y complejos. Algunas aplicacionesnotablesincluyen:

OptimizacióndeRutas:Resolverelproblemadelviajante(TSP) y problemas de logística donde se requiere encontrar la ruta máscortaoeficiente.

Diseño de Circuitos: Optimización del diseño de circuitos electrónicosparamejorarelrendimientoyreducirelcosto.

Optimización de Funciones: Encontrar máximos y mínimos de funciones complejas en ingeniería, economía, y otras disciplinas.

Optimización de Parámetros en IA: Ajustar los parámetros de redes neuronales y otros modelos de aprendizaje automático paramejorarsudesempeño.

Bioinformática: Análisis de secuencias de ADN, predicción de estructuras proteicas, computacional.

VentajasyDesventajas

Ventajas:

Capacidadparaexplor

Flexibilidad para adaptarse a diferentes tipos de problemas.

No requiere conocimientos previos del problema para iniciarlabúsqueda.

Buenaparaproblemasconmúltiplessolucionesóptimas.

Desventajas:

Puede ser computacionalmente costoso, especialmente paraproblemasgrandes.

La elección de parámetros (como la tasa de mutación y cruce)puedesercríticaynosiempreobvia.

Puede converger prematuramente a una solución subóptimasindiversidadgenéticaadecuada.

APORTES DE LOS ALGORITMOS GENÉTICOS

A LA INTELIGENCIA ARTIFICIAL

Los algoritmos genéticos (AG) han tenido un impacto significativo en el campo de la inteligencia artificial (IA), contribuyendo a la mejora de diversas técnicas y modelos. Estos aportes han permitido desarrollar sistemas más eficientes y efectivos, optimizando procesos y resolviendo problemas que anteriormente erandifícilesdeabordar.Acontinuación,sedetallanalgunosdelos principalesaportesdelosalgoritmosgenéticosalaIA:

OptimizacióndeParámetros1.

Redes Neuronales: Los algoritmos genéticos se utilizan para optimizar los parámetros de redes neuronales artificiales, como lospesosylossesgos,asícomolaestructuradelared(número decapasyneuronas).Estosetraduceenredesmásprecisasy eficientes en tareas de clasificación, predicción y reconocimientodepatrones.

Modelos de Aprendizaje Automático: Los AG ayudan a ajustar los hiperparámetros de varios modelos de aprendizaje automático, como árboles de decisión, máquinas de soporte vectorial y modelos de regresión. La optimización de hiperparámetros es crucial para mejorar el rendimiento del modeloyreducirelerror.

2.EvolucióndeAlgoritmosdeAprendizaje

Algoritmos Genéticos Evolutivos: En lugar de aplicar directamentelosAGparaoptimizarparámetros,sepuedenusar para evolucionar nuevos algoritmos de aprendizaje. Estos algoritmos combinan características de múltiples algoritmos existentes para crear uno nuevo, adaptado específicamente a unproblemadado.

Optimización de Arquitecturas de Redes Neuronales: Los AG permiten explorar y evolucionar diferentes arquitecturas de redes neuronales. Esto incluye la búsqueda de la mejor configuración de capas, funciones de activación, y conexiones entre neuronas, lo que lleva a redes personalizadas para tareas específicas.

3.ResolucióndeProblemasComplejos

Optimización Combinatoria: Los algoritmos genéticos son efectivosenlaresolucióndeproblemascombinatorios,comola planificación y la programación, donde se busca la mejor combinación de elementos que maximice o minimice una función objetivo. Estos problemas son comunes en áreas como lalogística,lagestiónderecursosylaasignacióndetareas.

Búsqueda de Soluciones en Espacios de Alta Dimensionalidad: Los AG son capaces de buscar soluciones óptimas en espacios de búsqueda grandes y de alta dimensionalidad, donde los métodos tradicionales fallan debido a la complejidad y la naturalezanolinealdelproblema.

4.InnovaciónenSistemasAdaptativos

Sistemas Autónomos: Los AG se utilizan para desarrollar sistemas autónomos que pueden adaptarse a entornos cambiantes.Porejemplo,enrobótica,losAGayudanaoptimizar los movimientos y comportamientos de los robots para mejorar sueficienciaycapacidaddeadaptaciónanuevosescenarios.

Sistemas de Control Inteligente: En sistemas de control, los AG optimizan los parámetros de controladores adaptativos, mejorando su capacidad para mantener el rendimiento óptimo encondicionesvariables.

5.MejoradeAlgoritmosdeOptimización

Hibridación de Algoritmos: Los AG se combinan con otros métodos de optimización, como el recocido simulado, los algoritmos de enjambre de partículas y los métodos de gradiente, para mejorar la eficiencia y eficacia de la búsqueda de soluciones. Esta hibridación aprovecha las fortalezas de múltiples técnicas para abordar problemas complejos de maneramásrobusta.

Soluciones Multimodales: Los AG son capaces de identificar múltiples soluciones óptimas en un problema, proporcionando una gama de opciones viables en lugar de una única solución. Esto es especialmente útil en problemas de optimización donde sebuscandiversasalternativasdealtacalidad.

6.AplicacionesenDiversosDominios

Bioinformática: En el campo de la bioinformática, los AG se utilizan para tareas como la alineación de secuencias, la predicción de estructuras de proteínas y la identificación de patrones genéticos. Su capacidad para manejar datos complejos y de gran volumen los hace ideales para estos problemas.

Economía y Finanzas: Los AG ayudan en la optimización de carteras de inversión, la previsión de mercados y la toma de decisiones financieras. Su capacidad para adaptarse a datos cambiantes y encontrar soluciones óptimas en entornos inciertosesinvaluable.

Medicina: En la medicina, los AG se utilizan para optimizar tratamientos, diseñar ensayos clínicos y personalizar la medicina. Ayudan a encontrar las mejores combinaciones de medicamentos y tratamientos para maximizar la eficacia y minimizarlosefectossecundarios.

7.GeneraciónAutomáticadeContenido

Diseño Creativo: Los AG se aplican en el diseño de arte, música y otros contenidos creativos, evolucionando nuevas formas y estilos basados en criterios de aptitud estética y funcional. Esta capacidad para generar automáticamente contenido creativo tiene aplicaciones en entretenimiento, publicidad y diseño ind

ORIGEN DEL CONCEPTO DE COMPUTACIÓN

EVOLUTIVA

La computación evolutiva (CE) es un campo interdisciplinario que se basa en los principios de la evolución biológica para desarrollar algoritmos que resuelvan problemas complejos de optimización y búsqueda El origen del concepto de computación evolutiva se remonta a mediados del siglo XX y ha evolucionado a través de contribuciones significativas de varias disciplinas, incluyendo la biología, la matemática y la informática A continuación, se presentaunaexploracióndetalladadelaevolucióndeestecampo 1.InspiraciónBiológica

Elconceptodecomputaciónevolutivaseinspiraenlateoríadela evolución de Charles Darwin, presentada en su obra seminal "El Origen de las Especies" (1859). Darwin propuso que las especies evolucionanatravésdelaselecciónnatural,unprocesoenelcual los individuos mejor adaptados a su entorno tienen una mayor probabilidad de sobrevivir y reproducirse, transmitiendo sus características a las generaciones siguientes. Esta idea de selección y adaptación natural es fundamental para la computaciónevolutiva.

2.PrimerasIdeasyDesarrolloInicial

John Holland y los Algoritmos Genéticos: En la década de 1960, John Holland, un pionero en el campo de la inteligencia artificial, desarrolló los primeros algoritmos genéticos (AG). Holland formalizó la idea de aplicar los principios de la evolución biológica a la resolución de problemas en su libro "AdaptationinNaturalandArtificialSystems"(1975).LosAGde Holland utilizan operadores genéticos como la selección, el cruce y la mutación para evolucionar soluciones a lo largo de generaciones,emulandoelprocesodelaselecciónnatural. Programación Evolutiva: Al mismo tiempo, Lawrence J. Fogel introdujo la programación evolutiva (EP) en la década de 1960. Fogel utilizó simulaciones de evolución para desarrollar estrategias de comportamiento y sistemas de control. A diferenciadelosAG,laEPseenfocabamásenlaevoluciónde las estrategias de adaptación en lugar de la evolución de la estructuradelassoluciones.

3.DesarrollodeEstrategiasEvolutivas

Estrategias Evolutivas (ES): En Alemania, Ingo Rechenberg y Hans-Paul Schwefel desarrollaron estrategias evolutivas (ES) durante la década de 1960 y 1970. Las ES se centraron en la optimización de parámetros en problemas de ingeniería. Rechenberg y Schwefel demostraron que los principios de la evolución podían aplicarse eficazmente para encontrar soluciones óptimas en problemas complejos de diseño e ingeniería.

4.IntroduccióndelaProgramaciónGenética

JohnKozaylaProgramaciónGenética:Enladécadade1980 y 1990, John Koza introdujo la programación genética (GP), una extensión de los algoritmos genéticos que se enfoca en la evolución de programas de computadora. La GP utiliza operadoresgenéticosparamanipularyoptimizarprogramas, permitiendo la evolución automática de algoritmos y soluciones de software. Koza demostró que los programas podían evolucionar para resolver problemas específicos, abriendonuevasposibilidadesenelcampodelainteligencia artificial.

5.InfluenciasMultidisciplinarias

Matemáticas y Teoría de la Optimización: La computación evolutiva ha sido influenciada por los avances en matemáticas y teoría de la optimización. Conceptos como los espacios de búsqueda, funciones de aptitud y algoritmos estocásticos han sido fundamentales para el desarrollo y la comprensióndelastécnicasevolutivas.

Neurociencia y Psicología: Investigaciones en neurociencia y psicologíahanproporcionadoideassobrecómolossistemas biológicos procesan información y se adaptan a entornos cambiantes, influyendo en el diseño de modelos de aprendizajeyadaptaciónencomputaciónevolutiva.

Conferencias y Publicaciones: El campo de la computación evolutiva se consolidó con la creación de conferencias y publicaciones especializadas. Eventos como la Conferencia Internacional sobre Computación Evolutiva (CEC) y publicaciones en revistas académicas han facilitado el intercambiodeideasyavancesenelcampo.

Aplicaciones Prácticas: La computación evolutiva se ha aplicado con éxito en diversos dominios, incluyendo la ingeniería la economía la biología y la inteligencia artificial. Lo o la im gran es

7.AvancesRecientesyTendenciasFuturas

Computación Cuántica y Evolutiva: La combinación de computación cuántica con técnicas evolutivas es un área emergente que promete revolucionar la optimización y la resolucióndeproblemas.Loscomputadorescuánticospueden explorar múltiples soluciones simultáneamente, acelerando significativamenteelprocesodebúsqueda.

Aprendizaje Automático y Computación Evolutiva: La integración de la computación evolutiva con técnicas de aprendizaje automático ha llevado al desarrollo de modelos híbridos que combinan lo mejor de ambos mundos, mejorando la adaptabilidad y eficiencia de los sistemas de inteligenciaartificial.

Algoritmos Inspirados en la Naturaleza: Nuevos algoritmos inspirados en otros procesos naturales, como los sistemas inmunológicos, las colonias de hormigas y los enjambres de partículas, continúan expandiendo las fronteras de la computación evolutiva, proporcionando soluciones innovadorasaproblemascomplejos.

MODELOS DE COMPUTACIÓN

BIOINSPIRADOS

1.AlgoritmosGenéticos(AG)

Como se mencionó anteriormente, los algoritmos genéticos son unaclasedealgoritmosdeoptimizaciónquesimulanelprocesode evolución natural Utilizan técnicas como la selección, el cruce y la mutación para generar soluciones a problemas optimizando una funcióndeaptitud LosAGsonampliamenteutilizadoseningeniería, robótica,finanzas,ymás,debidoasuflexibilidadycapacidadpara encontrarsolucionesóptimasenespaciosdebúsquedacomplejos

2.RedesNeuronalesArtificiales(RNA)

Inspiradas en el funcionamiento del cerebro humano, las redes neuronales artificiales consisten en capas de nodos interconectados que trabajan conjuntamente para realizar tareas específicas como reconocimiento de patrones, clasificación de datos y procesamiento del lenguaje natural. Las RNA aprenden de los datos de entrada mediante un proceso de ajuste de pesos en lasconexionesentrenodos,unmecanismosimilaralaprendizajeen elcerebro.

3.ComputaciónInmunológica

Este modelo se inspira en el sistema inmunológico humano y su capacidad para identificar y combatir patógenos. Los algoritmos de computación inmunológica, como los sistemas inmunológicos artificiales, utilizan mecanismos de detección y eliminación de elementos no deseados para detectar anomalías, optimizar respuestas y mantener la seguridad en sistemas informáticos. Son especialmente útiles en áreas como la detección de virus y el mantenimientodelaintegridadenredesdecomputadoras.

4.AlgoritmosdeColoniasdeHormigas(ACO)

Basados en el comportamiento de las hormigas al buscar comida, estos algoritmos utilizan la idea de la feromona como un medio para comunicar información sobre caminos óptimos en un grafo. En problemas como la optimización de rutas y la asignación de tareas, los ACO han demostrado ser extremadamente eficaces, proporcionando soluciones óptimas al permitir que un conjunto de agentessimplesexploreyoptimicedemaneracooperativa.

5.OptimizaciónporEnjambredePartículas(PSO)

Inspirada en el comportamiento social de aves y peces, esta técnica optimiza una función objetivo mediante la mejora iterativa de candidatos con respecto a la calidad de la solución. PSO es efectivo para encontrar soluciones rápidas y eficientes en problemas de optimización continua y se ha aplicado en áreas comodiseñoderedes,planificaciónderecursosymás.

6.AlgoritmosdeAbejasArtificiales

Estos algoritmos están inspirados en el comportamiento forrajero de las abejas. En el modelo, las "abejas artificiales" exploran el espaciodesoluciones,compartiendoinformaciónsobrelasfuentes de alimento (soluciones) para identificar las más prometedoras. Este modelo es útil en problemas de optimización dinámica donde las condiciones cambian y las soluciones necesitan adaptarse continuamente.

7.AlgoritmosdeSimulacióndeEcosistemas

Estos algoritmos simulan las dinámicas de los ecosistemas, donde diferentes especies (soluciones) interactúan en un entorno. La competencia, la depredación, la simbiosis y la migración son algunos de los procesos modelados para optimizar un conjunto de soluciones. Son aplicables en problemas ambientales, gestión de recursosysimulacionesdesostenibilidad.

8.ModelosBasadosenProcesosEvolutivosMoleculares

Estos modelos utilizan conceptos de evolución molecular, como la replicación del ADN y las interacciones moleculares, para desarrollar algoritmos que resuelvan problemas de optimización y simulación La computación basada en ADN, por ejemplo, utiliza moléculas de ADN para realizar cálculos, ofreciendo una plataforma potencialmente revolucionaria para la computación a escalamolecular

CONCLUSIÓN

La computación evolutiva y los modelos bioinspirados representan enfoques innovadores que utilizan principios naturales para resolver problemas complejos y optimizar procesosendiversoscampos.

Los algoritmos genéticos, basados en la teoría de la evolución deDarwin,handemostradoserherramientasversátilesparala optimización y el ajuste de modelos de inteligencia artificial. Desde sus orígenes en la década de 1960, la computación evolutiva ha crecido gracias a la integración de conceptos de biología, matemáticas y ciencias de la computación. Además, otros modelos bioinspirados, como las redes neuronales artificiales y los algoritmos de colonias de hormigas, han surgidocomosolucioneseficaces.

Con la tecnologías a computación aprendizaje enfoques p revolucionand lainteligencia soluciones innovadoras futuros. En combinación tecnología e evolutiva y bioinspirados herramientas abordar prob unmundoen

REFERENCIAS

Darwin,C.(1859).ElOrigendelasEspeciesporMediodela SelecciónNatural.Londres:JohnMurray.

Fogel, L. J., Owens, A. J., & Walsh, M. J. (1966). Inteligencia Artificial a través de la Evolución Simulada. Nueva York: Wiley.

Holland, J. H. (1975). Adaptación en Sistemas Naturales y Artificiales.AnnArbor,MI:UniversityofMichiganPress.

Koza, J. R. (1992). Programación Genética: En la ProgramacióndeComputadorasporMediodelaSelección Natural.Cambridge,MA:MITPress.

Rechenberg, I. (1973). Evolutionsstrategie: Optimización de Sistemas Técnicos según los Principios de la Evolución Biológica.Stuttgart:Frommann-Holzboog. Schwefel,H.P.(1995).EvoluciónyBúsquedaÓptima.Nueva York:Wiley.

Eiben, A. E., & Smith, J. E. (2003). Introducción a la ComputaciónEvolutiva.Berlín:Springer.

Engelbrecht, A. P. (2005). Fundamentos de la Inteligencia deEnjambresComputacional.Chichester:Wiley.

Kennedy, J., & Eberhart, R. C. (1995). Optimización por Enjambre de Partículas. Actas de la Conferencia InternacionaldeRedesNeuronalesdeIEEE,1942-1948.

Mitchell, M. (1996). Una Introducción a los Algoritmos Genéticos.Cambridge,MA:MITPress.

De Jong, K. A. (2006). Computación Evolutiva: Un Enfoque Unificado.Cambridge,MA:MITPress.

Dorigo, M., & Stützle, T. (2004). Optimización por Colonia de Hormigas.Cambridge,MA:MITPress.

Floreano, D., & Mattiussi, C. (2008). Inteligencia Artificial Bioinspirada: Teorías, Métodos y Tecnologías. Cambridge, MA:MITPress..