AGENTES INTELIGENTES Y AUTOMATAS CELULARES

SERGIO IVAN RODRIGUEZ PRIETO

Tutor JOSE LIBARDO ARAGON CASTAEDA

FUNDACION UNIVERSITARIA SAN MARTIN PROGRAMA DE INGENIERIA DE SISTEMAS HISTORIA DE LA CIENCIA BOGOTA 2011

AGENTES INTELIGENTES Y AUTOMATAS CELULARES AGENTES INTELIGENTES La Inteligencia Artificial (IA) puede considerarse como una de las disciplinas ms nuevas, siendo curiosamente considerada a la vez como una gran desconocida y una de las que ms inters profano despierta. Esto es debido a que poca gente tiene claro qu es la IA, pero sin embargo es considerada por una gran mayora de cientficos como la disciplina donde han pensado alguna vez en trabajar. Pero, qu es realmente la IA? Existen gran variedad de definiciones respecto a lo que es la IA, algunas ms vlidas que otras, pero podramos intentar resumirlas comentando que la IA trata de desarrollar sistemas que piensen y acten racionalmente. En los ltimos aos la IA ha ido evolucionando, quizs con mayor celeridad que otras disciplinas, motivado probablemente por su propia inmadurez. Todo esto ha llevado a que la IA actualmente abarque una gran cantidad de reas, desde algunas muy generales como razonamiento, bsqueda, etc. a otras ms especficas como los sistemas expertos, sistemas de diagnstico, etc. Podramos indicar, sin lugar a dudas, que la IA puede ser aplicada hoy en da a infinidad de disciplinas cientficas y es que la IA es susceptible de aparecer all donde se requiera el intelecto humano. En este aspecto cada nueva incursin de la IA en un campo diferente supone el empleo de una metodologa de aplicacin propia del investigador que lo intenta pues a diferencia de otras disciplinas, no existen ciertos estndares o criterios consensuados que unifiquen el proceso de aproximacin de la IA a otras reas y, en consecuencia, a problemas reales. La aparicin de una metodologa comn a la hora de abordar la aplicabilidad de la IA puede resultar un elemento muy positivo en la corta vida de esta disciplina. Actualmente en la IA ha surgido un nuevo paradigma conocido como paradigma de agentes, el cual est tomando un gran auge entre los investigadores. Dicho nuevo paradigma aborda el desarrollo de entidades que puedan actuar de forma autnoma y razonada. Si retomamos la definicin dada anteriormente donde se consideraba a la IA como un medio para el desarrollo de sistemas que piensen y acten racionalmente, podemos pensar que la IA, en su conjunto, trata realmente de construir precisamente dichas entidades autnomas e inteligentes. De acuerdo con esta visin, se puede considerar a la IA como una disciplina orientada a la construccin de agentes inteligentes donde se integran las diferentes reas que sta comprende. Desde hace relativamente poco tiempo esta idea est siendo ya adoptada por investigadores en la materia; el propio Stuart Russell ha remodelado su conocido libro Inteligencia Artificial, un enfoque moderno [Russell1996] para dar un enfoque de la IA orientado totalmente al desarrollo de agentes. Es importante resaltar que en el momento en que se disponga de una metodologa clara para la construccin de dichos agentes

inteligentes, la aplicabilidad de las tcnicas de IA a cualquier tipo de problema podr abordarse de una manera ms clara y unificada. De momento, se puede asegurar que, hoy en da, existe una idea generalizada dentro de la IA de que nos encontramos ante el nacimiento de una nueva tecnologa, la de agentes inteligentes, que permite abordar de una manera ms apropiada la construccin de sistemas inteligentes ms complejos aplicados a muy diversos campos. Veamos en los siguientes puntos del artculo una descripcin ms detallada de lo que es y lo que promete esta nueva tecnologa hacia la que est orientada actualmente la IA. Agente inteligente (Inteligencia Artificial) Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. En este contexto la racionalidad es la caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es ms general y por ello ms adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales. Un agente inteligente puede ser una entidad fsica o virtual. Si bien el trmino agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, tambin puede considerarse agentes racionales a los animales incluido el hombre. Ejemplos Como ejemplos de entidades fsicas pueden nombrarse: Un robot de comportamiento variable auto regulado (ya sea que su comportamiento sea determinado por software o incorporado directamente en la electrnica), una computadora que ejecuta un software de diagnstico mdico y muestra resultados en una pantalla para ayudar a decidir a un mdico, una computadora especializada que controla un helicptero en maniobras peligrosas para un hombre. Ejemplos de entidad puramente virtual seran: Un software de descubrimiento de patrones en internet que slo interacta con otro software. un software softbot que simula a una persona en un juego de computadora, tal como un jugador de ajedrez, un jugador de ftbol contrincante o un conductor de carreras de automviles, etc.

Clasificacin Es posible clasificar los agentes inteligentes en 5 categoras principales: 1. Agentes reactivos 2. Agentes reactivos basados en modelo 3. Agentes basados en objetivos 4. Agentes basados en utilidad 5. Agentes que aprenden 6. Agentes de consulta Caractersticas De Un Agente Un agente va a venir caracterizado por una serie de calificativos, los cuales vienen a denotar ciertas propiedades a cumplir por el agente. Esto nos lleva a plantear otra definicin bastante aceptada de agente donde se emplean tres calificativos que, segn, el autor se consideran bsicos. Esta definicin ve a un agente como un sistema de computacin, entendiendo por flexible que sea: Reactivo, el agente es capaz de responder a cambios en el entorno en que se encuentra situado. Pro-activo, a su vez el agente debe ser capaz de intentar cumplir sus propios planes u objetivos. Social, debe de poder comunicarse con otros agentes mediante algn tipo de lenguaje de comunicacin de agentes. Como vemos en este caso, hemos identificado una serie de caractersticas o apellidos que de por s debe tener un agente. Atendiendo a esta idea, para poder asociar a una herramienta el trmino agente debe ser capaz de cumplir los requerimientos anteriormente expuestos. Actualmente, un pequeo porcentaje de propsito general existente se adapta a dicha definicin. Apliquemos estas caractersticas a nuestro agente de informacin de ejemplo: sera reactivo? Podemos pensar que s a juzgar por el hecho de que el agente debera reaccionar frente a los mandatos que le indicamos, adems debe poder reaccionar frente a posible eventos que le lleguen de la red. Sera pro-activo?, evidentemente que s, nuestro agente debera auto plantearse su curso de accin para poder realizar todas sus tareas adelantndose a las peticiones de su usuario. Por ltimo debemos pensar si nuestro agente sera social. Esta caracterstica desde nuestro punto de vista no sera bsica en una definicin general de agente, no obstante, s que podemos claramente identificar una conducta social en nuestro ejemplo si observamos que debera poder comunicarse con infinidad de recursos en la red y, por qu no, con otros agentes existentes en la misma. Pero, en definitiva, cules son las caractersticas bsicas y de qu ms caractersticas disponemos para poder calificar a un agente? Revisemos a algunas de las caractersticas que en la literatura se suelen atribuir a los agentes en mayor o menor grado para resolver problemas particulares y que han sido descritos por autores tales como Franklin y Graesser Pero las verdaderas caractersticas de un agente, son:

Continuidad Temporal: se considera un agente un proceso sin fin, ejecutndose continuamente y desarrollando su funcin. Autonoma: un agente es completamente autnomo si es capaz de actuar basndose en su experiencia. El agente es capaz de adaptarse aunque el entorno cambie severamente. Sociabilidad: este atributo permite a un agente comunicar con otros agentes o incluso con otras entidades. Racionalidad: el agente siempre realiza lo correcto a partir de los datos que percibe del entorno. Reactividad: un agente acta como resultado de cambios en su entorno. En este caso, un agente percibe el entorno y esos cambios dirigen el comportamiento del agente. Pro-actividad: un agente es pro-activo cuando es capaz de controlar sus propios objetivos a pesar de cambios en el entorno. Adaptatividad: est relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basndose en ese aprendizaje. Movilidad: capacidad de un agente de trasladarse a travs de una red telemtica. Veracidad: asuncin de que un agente no comunica informacin falsa a propsito. Benevolencia: asuncin de que un agente est dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos. Como deben actuar los agentes inteligentes? Un agente racional es aquel que realiza la accin correcta: Accin correcta = accin que lleva al agente a tener xito en la realizacin de su tarea Como evaluar esto? medida de desempeo: Estndar objetivo utilizado para determinar el grado de xito de un agente en el desempeo de su tarea No existe una medida fija vlida para cualquier agente Ejemplos de medida de desempeo para un agente aspirador: cantidad de suciedad retirada en un periodo de ocho horas id. considerando adems el consumo de electricidad y el ruido Cuando evaluar el desempeo? durante periodos largos de tiempo Un agente racional ideal es aquel que, para cada secuencia de percepciones posible, acta de manera que se maximice su medida de desempeo, basndose en la secuencia de percepciones y en el conocimiento incorporado notar que puede parecer que se favorecen acciones poco inteligentes, por ejemplo: Que un agente cruce la calle porque no ha visto que se acercan coches. La autonoma es una caracterstica importante de los agentes: Un agente es autnomo en la medida en que su comportamiento esta

determinado por su propia experiencia y no solo por el conocimiento que le ha sido incorporado un agente autnomo es capaz de adaptarse a situaciones variadas, es ms flexible Los agentes inteligentes que nos interesan son los agentes racionales ideales con autonoma La conducta de un agente no suele ser la ptima Paradjicamente, la conducta de un agente rara vez es la optima. La razn es muy sencilla calcular el optimo de un criterio lo suficientemente bueno para ser considerado razonable teniendo en cuenta las mltiples restricciones que concurren es muy difcil. Ejemplos de ello es lo difcil que es calcular la mejor ala para un avin, el mejor perfil para un coche o la mejor hlice para un barco. Para un estudiante es fcil calcular el mximo de un polinomio de segundo grado derivando e igualando a cero. En este caso el criterio es muy sencillo -es un polinomio de segundo grado- y no concurre ninguna restriccin. Cuando el criterio es una funcin real de muchas variables y las restricciones tambin, los clculos son mucho ms complicados. Algunas veces se puede lograr una buena aproximacin; pero, si un agente inteligente debe tomar una decisin en muy poco tiempo, deber conformarse con la mejor aproximacin que pueda calcular en el escaso tiempo de que dispone. Por otra parte, no es tan fcil inducir el criterio que permite comparar las distintas estrategias: cmo se puede expresar con una ecuacin simple lo que ms le conviene a un lagarto que est cazando bajo el sol? Estructura de los agentes inteligentes Agente = programa agente + arquitectura, donde: El programa agente ser una funcin que implementara la transformacin de secuencias de percepciones en acciones la arquitectura ser un ordenador que se ocupara de que las percepciones lleguen al programa y las acciones lleguen a los efectores La IA se ocupa del diseo del programa agente Antes de disear un programa agente tenemos que conocer los distintos elementos que caracterizan al agente: percepciones posibles acciones posibles medida de desempeo u objetivos que debe lograr tipo de entorno en el que va a operar Vamos a estudiar distintos diseos de programas agente. La estructura de un programa agente simple: Primera aproximacin: agente basado en una tabla Un agente basado en una tabla almacena la transformacin de secuencias

de percepciones en acciones Inconvenientes: la tabla podra ser enorme y difcil construir, y el agente no tendra autonoma. Ejemplo: un agente taxista agente reflejo simple Un agente reflejo simple almacena asociaciones entrada/salida frecuentes en forma de reglas condicion-accion (tambin reglas situacion-accion o producciones), por ejemplo la asociacin: si el coche de delante frena y sus luces de freno se encienden, entonces el agente taxista deber advertirlo y empezar a frenar tambin se almacena de la forma: si coche-delante-frena entonces empezar-a-frenar Los humanos tenemos muchas de estas asociaciones: reflejos innatos respuestas aprendidas Estructura de un agente reflejo simple: Las reglas condicion-accion permiten establecer la conexin entre la percepcin y la accin. Los agentes reflejos simples se pueden aplicar en pocos casos agente reflejo con estado interno en ocasiones no es posible tomar una decisin a partir de una sola percepcin porque los sensores no proporcionan toda la informacin, por ejemplo: si el coche de delante es un modelo antiguo no se podra determinar si ha frenado a partir de una nica imagen Un agente reflejo con estado interno mantiene la informacin que necesita para distinguir entre estados diferentes del mundo Estructura de un agente reflejo con estado interno: La percepcin actual se interpreta a partir del estado anterior utilizando informacin sobre: cmo evoluciona el mundo independientemente del agente como influyen en el mundo las acciones del agente agente basado en objetivos a veces no es posible tomar una decisin nicamente a partir del estado actual del mundo, por ejemplo: al llegar a un cruce el taxi puede realizar distintas acciones Un agente basado en objetivos utiliza una descripcin de las metas a

alcanzar que le sirve para escoger entre las distintas acciones posibles, por ejemplo: el destino del pasajero La toma de decisiones basada en objetivos _= la toma de decisiones basada en reglas condicion-accion: tiene en cuenta el estado en el futuro es ms flexible Estructura de un agente basado en objetivos: La bsqueda y la planificacin son dos subareas de la IA dedicadas a la resolucin de problemas utilizando objetivos. agente basado en la utilidad los objetivos nicamente no bastan para asegurar un comportamiento ideal, por ejemplos: diferentes secuencias de acciones pueden llevar al destino que el pasajero desea, pero algunas son ms rpidas, seguras o baratas que otras Un agente basado en la utilidad utiliza un criterio para estimar el grado de satisfaccin de un estado para el agente que le sirve para escoger entre distintas acciones validas La utilidad es una funcin que asocia a un estado un nmero real, y debe considerar situaciones problemticas, por ejemplo: compromiso adecuado a adoptar en caso de objetivos en conflicto Estructura de un agente basado en la utilidad: La bsqueda en juegos es una subarea de la IA que utiliza funciones de utilidad en la resolucin de problemas. Entornos Agentes y entornos estn ntimamente relacionados. Tipos de entorno: accesibles vs inaccesibles: en un entorno accesible los sensores proporcionan toda la informacin relevante deterministas vs no deterministas: en un entorno determinista el estado siguiente puede obtenerse a partir del actual y de las acciones del agente episdicos vs no episdicos: en un entorno episdico la experiencia del agente est dividida en episodios independientes estticos vs dinmicos: un entorno dinmico puede sufrir cambios mientras el agente esta razonando discretos vs continuos: en un entorno discreto existe un nmero

concreto de percepciones y acciones claramente definidos Las caractersticas del entorno influyen en el diseo del agente, por ejemplo: si el entorno es accesible el agente no necesita un estado interno si el entorno es episdico el agente no tiene que preocuparse del impacto de sus decisiones si el entorno es dinmico el agente tiene que seguir observando mientras razona Ejemplos de entornos y sus caractersticas: La IA ha dado un paso ms hacia delante. Existen ya prototipos que estn siendo probados tanto en el mbito acadmico como industrial y ya empiezan a aparecer los primeros productos comerciales. Cabe indicar que, como siempre ocurre cuando aparece una nueva tecnologa, no debemos pensar que todo son agentes y lo que haba antes no es vlido. Las opciones a la hora de emplear agentes, tal y como hemos descrito, son mltiples, pero no conviene creer que cualquier problema es tratable de forma sencilla con una aproximacin de sistema basado en agentes. Es posible que en ocasiones el empleo de tcnicas clsicas resulte ms adecuado en funcin de la naturaleza del problema a resolver. A esta primera serie de productos comerciales la podramos denominar como la primera generacin de sistemas basados en agentes, dando quizs un poco ms la razn a quien opina que los agentes constituyen la nueva revolucin en el Software. En concreto, el concepto de agente/ sistema multi-agente supone el siguiente paso en la evolucin de la IA y el enfoque con el que va a ser abordado en el futuro el desarrollo de sistemas inteligentes, en un cada vez ms amplio y diverso dominio de problemas como la medicina, la industria, comercio electrnico, entretenimiento, la educacin, etc. AUTOMATAS CELULARES Un autmata celular (CA) es un modelo matemtico para un sistema dinmico que evoluciona en pasos discretos. Es adecuado para modelar sistemas naturales que puedan ser descritos como una coleccin masiva de objetos simples que interacten localmente unos con otros. Son sistemas descubiertos dentro del campo de la fsica computacional por John von Neumann en la dcada de 1950. La teora de los autmatas celulares se inicia con su precursor John von Neumann a finales de los dcada de 1940 con su libro Theory of Self-reproducingAutomata. En el caso ms simple, un autmata celular consiste en un conjunto de sitios con cada sitio que lleva un valor de 0 o 1. Los valores sitio evolucionan de forma sincrnica en pasos de tiempo discretos de acuerdo a los valores de sus vecinos ms cercanos. Por ejemplo, la regla de la evolucin puede tomar el valor de un

sitio en un paso de tiempo en particular que se suma el mdulo dos de los valores de sus dos vecinos ms cercanos en el paso de tiempo anterior. TRABAJOS RELACIONADOS Los autmatas celulares tienes un gran campo de aplicacin, a continuacin se mencionaran algunos de ellos: * Autmatas Celulares para el reconocimiento de patrones. * Modelado del flujo de trfico y de peatones. * Modelado de fluidos (gases o lquidos). * Modelado de la evolucin de clulas o virus como el VIH. * Modelado de procesos de percolacin. MARCO TEORICO AUTOMATAS CELULARES PARA RECONOCIMIENTO DE PATRONES Un autmata celular puede ser aplicado con xito en el procesamiento de imgenes. En este trabajo tratamos la aplicacin de autmatas celulares bidimensionales a los problemas de eliminacin de ruido y deteccin de bordes en imgenes digitales. Los mtodos propuestos son en comparacin con algunos mtodos clsicos o recientes. Una caracterstica muy importante de los mtodos que se plantea es su paralelismo intrnseco, ya que se aplican en las famosas mquinas para trabajar en paralelo, como autmatas celulares. El objetivo de mejora de la imagen (por ejemplo la mejora de la calidad de imagen, la inteligibilidad, depende del contexto de la aplicacin. Un algoritmo de realce de la imagen qu funciona bien para una clase de imgenes no pueden funcionar tan bien para otras clases. Clsicamente, la mejora de la imagen se formula en cualquier espacio de transformacin de dominios (bsicamente la Transformada de Fourier). Una de las tcnicas espaciales de dominio ms utilizado es el de mscaras de convolucin. La deteccin de bordes es otra tarea esencial en el procesamiento de imgenes. En particular, en el procesamiento de imgenes mdicas o biolgicas, el estudio de los bordes se convirti en un muy importante componente. Hay muchos mtodos de deteccin de bordes en forma de algoritmos de diversos. La mayora de ellos estn basados en la localizacin de las regiones donde la intensidad de los pixeles cambia. Es importante que la metodologa de deteccin de los bordes de ser independiente de la imagen. Estos procedimientos se basan generalmente en los clculos de los derivados de direccin en tareas de cmputo intensivo o conocimiento previo de la naturaleza de la imagen. Sin embargo, estos ltimos requisitos limitan la aplicabilidad del proceso. En este trabajo proponemos una alternativa a los procedimientos anteriores para el procesamiento de imagen con autmatas celulares.

La historia de los autmatas celulares puede ser clasificada en tres etapas asociadas a los nombres de los cientficos que en cada momento marcaron un punto de inflexin en el desarrollo de la teora: Era de Von Neumann La primera etapa la inicia von Neumann, quien una vez terminada su participacin en el desarrollo y terminacin de la primera computadora "ENIAC" tena en mente desarrollar una mquina con la capacidad de construir a partir de s misma otras mquinas (auto-reproduccin) y soportar comportamiento complejo. Era de Martin Gardner En 1970, John HortonConway dio a conocer el autmata celular que probablemente sea el ms conocido: el Juego de la vida (Life), publicado por Martin Gardner en su columna MathematicalGames en la revista Scientific American. Life ocupa una cuadrcula (lattice bidimensional) donde se coloca al inicio un patrn de clulas "vivas" o "muertas". La vecindad para cada clula son los ocho vecinos formados por la vecindad de Von Neumann y las cuatro clulas de las dos diagonales (esta vecindad se conoce como vecindad de Moore). De manera repetida, se aplican simultneamente sobre todas las clulas de la cuadrcula las siguientes 3 reglas: * Nacimiento: se reemplaza una clula muerta por una viva si dicha clula tiene exactamente 3 vecinos vivos. * Muerte: se reemplaza una clula viva por una muerta si dicha clula no tiene ms de 1 vecino vivo (muerte por aislamiento) o si tiene ms de 3 vecinos vivos (muerte por sobrepoblacin). * Supervivencia: una clula viva permanecer en ese estado si tiene 2 o 3 vecinos vivos. Una de las caractersticas ms importantes de Life es su capacidad de realizar cmputo universal, es decir, que con una distribucin inicial apropiada de clulas vivas y muertas, Life se puede convertir en una computadora de propsito general (mquina de Turing). Era de Stephen Wolfram Stephen Wolfram ha realizado numerosas investigaciones sobre el comportamiento cualitativo de los A.C. Con base en su trabajo sobre AC unidimensionales, con dos o tres estados, sobre configuraciones peridicas que se presentan en el A.C., observ sus evoluciones para configuraciones iniciales aleatorias. As, dada una regla, el A.C. exhibe diferentes comportamientos para diferentes condiciones iniciales. De esta manera, Wolfram clasific el comportamiento cualitativo de los A.C. unidimensionales. De acuerdo con esto, un AC pertenece a una de las siguientes clases: * Clase I. La evolucin lleva a una configuracin estable y homognea, es decir, todas las clulas terminan por llegar al mismo valor. * Clase II. La evolucin lleva a un conjunto de estructuras simples que son estables o peridicas. * Clase III. La evolucin lleva a un patrn catico.

* Clase IV. La evolucin lleva a estructuras aisladas que muestran un comportamiento complejo (es decir, ni completamente catico, ni completamente ordenado, sino en la lnea entre uno y otro, este suele ser el tipo de comportamiento ms interesante que un sistema dinmico puede presentar). Un autmata celular es bsicamente un algoritmo de la computadora que es discreto en el espacio y el tiempo y opera en una red de sitios (en nuestro caso, los pxeles). Una autmata celular bidimensional determinista es un triplete A=(S,N, ), donde S es un conjunto no vacio, llamado conjunto de estados, N Z2 es la vecindad y :SN S Es la funcin de transmisin local (regla); el argumento de indica el estado de las clulas en la vecindad en un determinado tiempo. Con el fin de definir un barrio de una manera estndar podemos utilizar algunas normas en R dado que N= Bh(0,r) Z2, (donde Bh(0,r) es la esfera de radio r1). La ms comn de las vecindades es: Vecindad de Von Neumann usando la norma: R2 x hx |x|1=x1+ x2 R+, x=x1,x2. Vecindad de Moore adjunta a la norma: R2 x hx |x|=max {x1,x2} R+, x=x1,x2. Un autmata celular A=(S,N, ) se dice que es simtrico si el valor de la norma local es constante en las entradas simtricas, es decir: S|N|(grupo S1,S2, ,SN= S (1),S (2), ,S (N), para cada S1,S2, ,SN S y de permutacin de grado |N|).

La metodologa de programacin convencional no es til para desarrollar sistemas basados en Autmatas Celulares, esto se soluciona en la mayora de los caso utilizando la simulacin, que es la manera en que se resuelven muchos de los problemas de computacin hoy en da. Algunos autores argumentan que el desarrollo de autmatas celulares debe estar orientado a la resolucin de problemas particulares (concretos), y no a la bsqueda de un autmata celular universal. Uno de estos problemas especficos a los que se orienta el desarrollo de autmatas celulares es a la deteccin de contornos en imgenes digitales. Este mtodo es aplicable imgenes monocromticas y a color, lo cual tiene un futuro prometedor, aplicando el paralelismo intrnseco.

CONCLUSIONES

La inteligencia artificial ha dado un paso ms hacia delante. Existen ya prototipos que estn siendo probados tanto en el mbito acadmico como industrial y ya empiezan a aparecer los primeros productos comerciales. Cabe indicar que, como siempre ocurre cuando aparece una nueva tecnologa, no debemos pensar que todo son agentes y lo que las tecnologas antiguas no son autmatas Las opciones a la hora de emplear agentes, tal y como hemos descrito, son mltiples, pero no conviene creer que cualquier problema es tratable de forma sencilla con una aproximacin de sistema basado en agentes. Los autmatas celulares son herramientas utilizadas en Inteligencia Artificial para la representacin de comportamientos complejos de algunos sistemas fsicos, mecnicos, biolgicos o qumicos. Mediante modelos y funciones matemticas los autmatas celulares permiten similar el comportamiento futuro de un fenmeno. Uno de los usos mas destacados de los autmatas celulares es en el campo de imgenes digitales, esto , para la mejora de la calidad de imagen de las mismas

BIBLIOGRAFIA

http://es.wikipedia.org/wiki/Aut%C3%B3mata_celular http://delta.cs.cinvestav.mx/~mcintosh/comun/tesismaestria/rene/tesisReneHtml/no de14.html http://www.innovatecno.com/Automata.php http://cesimo.ing.ula.ve/INVESTIGACION/PROYECTOS/BIOCOMPLEXITY/autom atas.htm http://es.wikipedia.org/wiki/Modelo_basado_en_agente http://www.depeco.econo.unlp.edu.ar/doctrab/doc13.pdf http://www.adingor.es/Documentacion/CIO/cio2006/docs/000022_final.pdf http://www.mastesis.com/tesis/caracterizaci-C3-B3n+y+modelizaci-C3-B3n+te-C3B3rica+de+nue:96831