Lógica difusa: Aplicación salud 3

 Lógica difusa, la brillante ciencia de los grises

Detectar células cancerosas

¿Se observan células cancerosas en una muestra de tejido del útero? Hasta ahora, para responder a esta pregunta, un patólogo debía pasarse muchas horas ante el microscopio y observar detenidamente el tejido que los ginecólogos extraen del útero en las citologías. La pequeña muestra del tejido contiene millones de células y una observación continuada puede hacer que la vista se habitúe, el técnico se canse y se produzca un error.

A fin de minimizar este riesgo, un equipo de investigadores e investigadoras de la UPC y de la Universidad Rovira i Virgili, dirigidos por Pilar Sobrevilla, del Departamento de Matemática Aplicada II, y Eduard Montseny, del Departamento de ESAII, trabajan conjuntamente con el Hospital de Sant Pau de Barcelona en un proyecto de análisis de la imagen proveniente de las citologías. Pilar Sobrevilla explica que “el sistema, basado en la lógica difusa, localiza todas las células que aparecen en la imagen y evalúa el grado de normalidad”. 

Para conseguirlo, el sistema examina una imagen y localiza las regiones en que se encuentran las células anormales, es decir, cancerosas, a partir del análisis de las características de color y textura. El resultado se muestra en una imagen en la que están localizadas las células cancerosas. Este proceso se ejecuta en tiempo real, ya que el patólogo dispone de un aparato en el que introduce la imagen original y puede observar de inmediato el área que debe analizarse con más detenimiento.

El sistema se utiliza actualmente en el Hospital de Sant Pau y los investigadores e investigadoras están trabajando en una segunda fase del proyecto que reducirá el área indicada y ofrecerá más datos adaptados a la información que el médico solicita, según afirma Sobrevilla.

Referencia y fuente: http://www.agenciasinc.es/Reportajes/Logica-difusa-la-brillante-ciencia-de-los-grises

Algoritmos Genéticos: Aplicación salud 3

Algoritmo Genético y Testores Típicos en el Problema de Selección de Subconjuntos de Características

Algoritmos Genéticos: Aplicación salud 2

Aplicación de algoritmos genéticos y sistemas expertos en medicina asistencial

Lógica difusa: Aplicación salud 2

La lógica difusa para la salud global: Una nueva herramienta para la respuesta humanitaria

Con escombros todavía fresca sobre el terreno en Haití, los matemáticos españoles han presentado un enfoque único de salud pública para la planificación de desastres, preparación y predicción. Conocido como SEDD (la sigla en español para Sistema Experto para el Diagnóstico de Desastres), esta herramienta es un programa informático que combina los principios matemáticos de la lógica difusa con datos geográficos y de desarrollo de sitios específicos. Lo que se produce es una estimación de la cantidad de daño en los números pronosticados de muertes, lesiones, los números han quedado sin hogar, etc Los datos de entrada se compone de información sobre el tipo de desastre (terremoto, tsunami, huracán, etc), unidad mensurable, como Richter escala o velocidad del viento, y un índice de vulnerabilidad compuesto por cifras de la ONU del Índice de Desarrollo modificados con datos geográficos y geológicos de lugares específicos. Las pruebas del sistema después del reciente terremoto de Haití encontró que predice con fiabilidad el nivel de daño sido testigo. La motivación detrás del desarrollo del sistema es ayudar a las organizaciones no gubernamentales y personal de respuesta ante desastres otras planear sus respuestas en consecuencia, en términos de la magnitud prevista de daño a la salud o infraestructura en entornos específicos. Con la logística post-desastre y la coordinación es el desafío que lo son, los españoles dieron un paso más, y se utilizan procesos similares para crear una herramienta denominada HADS herramienta para la distribución de ayuda humanitaria. HADS crea un mapa de la logística de la zona afectada, y el trazado nodos clave (lugares) y conectores (carreteras). Los datos proporcionados incluyen las necesidades de la población y en los nodos específicos, y daños o peligros presentes en los conectores específicos. HADS está diseñado para ayudar a planear la manera más eficiente, segura y equitativa de la entrega de suministros de salud de las que el mayor número de personas que lo necesitan, un proceso que resulta ser bastante complejo para aquellos tratando de distribución en tiempo real sobre el terreno. Esto es por supuesto, no el único intento o por primera vez en la aplicación de soluciones tecnológicas en el campo de las operaciones de socorro.  Sin embargo, a pesar de la existencia de estas herramientas, la respuesta humanitaria sigue siendo algo de un asunto desorganizado . Mucho de esto tiene que ver con la naturaleza de la obra: Tratar de hacer cualquier cosa en un lugar devastado por el conflicto o desastre natural se trata. Pero parte de la confusión se debe a perpetua difícil de resolver enigmas, incluyendo la dificultad para que las organizaciones han trabajar unos con otros, y la falta de claridad en torno a las mejores prácticas, que (si alguno) debe estar a cargo, las funciones potencialmente conflictivas de militares contra vs. civiles religiosas respondieron vs gubernamentales, si su mejor momento justo para hacer cualquier cosa en lugar de detenerse a evaluar las necesidades en primer lugar, los resultados que deben dirigirse y cómo y si se debe medir para medir y cuál es el papel de la competencia debe estar en determinar qué organizaciones son las más adecuadas para responder. Entre tanto, los innovadores continuará en busca de mejores herramientas para mejorar la respuesta. Tal vez la próxima tragedia por lo menos llevar la buena noticia de que una de estas herramientas ha mejorado la eficacia de los esfuerzos humanitarios.

Referencia y fuente: http://www.justmeans.com/Fuzzy-logic-for-global-health-A-new-tool-for-humanitarian-responders/8939.html

Lógica difusa: Aplicación salud 1

La aplicación de la lógica difusa para toma de decisiones médicas en la Unidad de Cuidados Intensivos

Medicina de cuidados intensivos con frecuencia implica tomar decisiones rápidas sobre la base de una gran variedad y heterogeneidad de la información. Para tomar decisiones médicas, unidad de cuidados intensivos (UCI), los médicos a menudo confían en la sabiduría convencional y la experiencia personal para llegar a valoraciones subjetivas y juicios. Esto requiere una ponderación intuitivo, o no explícitas de varios factores para lograr un equilibrio óptimo entre los puntos finales clínicos que a menudo compiten. Recientemente se ha aumentado la preocupación sobre la carga de la variación no deseada en la práctica clínica.

Ejemplo:

Control de la reposición de líquidos por vía intravenosa

La velocidad a la que los fluidos intravenosos se administran a un paciente en la UCI está determinada por el médico. Existen múltiples factores que los médicos tratar de sopesar ya que determinan la cantidad y la tasa de administración de líquidos por vía intravenosa que se debe administrar a un paciente dado. Sin embargo, para ilustrar cómo funciona el control de lógica difusa vamos a considerar sólo dos variables: presión arterial media (PAM) y la producción de orina por hora (Huo). Con dada mediciones horarias de MAP y HUO, ¿cómo debería tasa de líquidos por vía intravenosa (IFR) se ajustará cada vez que se realicen las mediciones? Las normas generales aplicables a este problema son evidentes: si MAP y HUO son altos, entonces IFR se debe reducir, y si MAP y HUO son bajos, entonces IFR debe aumentarse. Es más difícil ser específico, sin embargo, sobre lo que exactamente la IFR debe ser para cualquier par dado de valores de MAP y HUO. El problema podría resolverse si hubiera una ecuación matemática que calcula un valor exacto de IFR para cualquier valor dado de MAP y HUO. Por desgracia, esta ecuación no existe. Derivar uno puede no ser posible. Un enfoque alternativo es buscar una ecuación puramente empírico, modelando los patrones de práctica común en la UCI. En esencia, esto es lo que hace la lógica difusa.

Referencia y fuente: http://ajrccm.atsjournals.org/content/167/7/948.full

Algoritmos Genéticos: Aplicacion salud 1

Diagnóstico de Cardiopatías mediante Redes Neuronales y Algoritmos Genéticos

Algoritmos Genéticos: Aplicaciones

Aunque, como se ha comentado, el Algoritmo que se utilizó en el apartado anterior
es muy simple, ha servido para que los estudios realizados en torno a él, se hayan aplicado
a diversos problemas y modelos en ingeniaría, y en la ciencia en general7. Cabe destacar
entre ellos:
Optimización: Se trata de un campo especialmente abonado para el uso de los
Algoritmos Genéticos, por las características intrínsecas de estos problemas. No en
vano fueron la fuente de inspiración para los creadores estos algoritmos. Los
Algoritmos Genéticos se han utilizado en numerosas tareas de optimización,
incluyendo la optimización numérica, y los problemas de optimización
combinatoria.
Programación automática: Los Algoritmos Genéticos se han empleado para
desarrollar programas para tareas específicas, y para diseñar otras estructuras
computacionales tales como el autómata celular, y las redes de clasificación.
Aprendizaje máquina: Los algoritmos genéticos se han utilizado también en
muchas de estas aplicaciones, tales como la predicción del tiempo o la estructura de
una proteína. Han servido asimismo para desarrollar determinados aspectos de
sistemas particulares de aprendizaje, como pueda ser el de los pesos en una red neuronal, las reglas para sistemas de clasificación de aprendizaje o sistemas de
producción simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para modelizar
procesos de innovación, el desarrollo estrategias de puja, y la aparición de mercados
económicos.
Sistemas inmunes: A la hora de modelizar varios aspectos de los sistemas inmunes
naturales, incluyendo la mutación somática durante la vida de un individuo y el
descubrimiento de familias de genes múltiples en tiempo evolutivo, ha resultado útil
el empleo de esta técnica.
Ecología: En la modelización de fenómenos ecológicos tales como las carreras de
armamento biológico, la coevolución de parásito-huesped, la simbiosis, y el flujo de
recursos.
Genética de poblaciones: En el estudio de preguntas del tipo “¿Bajo qué
condiciones será viable evolutivamente un gene para la recombinación?”
Evolución y aprendizaje: Los Algoritmos Genéticos se han utilizado en el estudio
de las relaciones entre el aprendizaje individual y la evolución de la especie.
Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas sociales,
tales como la evolución del comportamiento social en colonias de insectos, y la
evolución de la cooperación y la comunicación en sistemas multi-agentes.
Aunque esta lista no es, en modo alguno, exhaustiva, sí transmite la idea de la
variedad de aplicaciones que tienen los Algoritmos Genéticos. Gracias al éxito en estas y
otras áreas, los Algoritmos Genéticos han llegado a ser un campo puntero en la
investigación actual.

Fuente: Rodríguez Piedad Tolmos; Introducción a los algoritmos genéticos y sus aplicaciones. Paginas 3-4. Disponible en: http://www.uv.es/asepuma/X/J24C.pdf

Algoritmos Genéticos: Ventajas y Desventajas

• No necesitan conocimientos específicos sobre el problema que intentan resolver.
• Operan de forma simultánea con varias soluciones, en vez de trabajar de forma secuencial como las técnicas tradicionales.
• Cuando se usan para problemas de optimización maximizar una función objetivo- resultan menos afectados por los máximos locales (falsas soluciones) que las técnicas tradicionales.
• Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivamente paralelas.
• Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de las otras técnicas.
• 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, etc.
• Pueden converger prematuramente debido a una serie de problemas de diversa índole.

Limitaciones

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.

  

Fuente: www.ecured.cu. Disponible en: http://www.ecured.cu/index.php/Algoritmos_Gen%C3%A9ticos#Ventajas_y_Desventajas

Algoritmos Genéticos: Definición

 Los objetivos que perseguían John Holland y sus colegas de la Universidad de
Michigan cuando concibieron los algoritmos genéticos, eran dos: (1) abstraer y explicar
rigurosamente el proceso adaptativo de los sistemas naturales, y (2) diseñar sistemas
artificiales que retuvieran los mecanismos más importantes de los sistemas naturales. En
este sentido, podemos decir que los algoritmos genéticos son
Algoritmos de búsqueda basados en los mecanismos de selección natural y genética
natural. Combinan la supervivencia de los más compatibles entre las estructuras de cadenas, con
una estructura de información ya aleatorizada, intercambiada para construir un algoritmo de
búsqueda con algunas de las capacidades de innovación de la búsqueda humana3.
Básicamente, el Algoritmo Genético funciona como sigue: en cada generación, se
crea un conjunto nuevo de “criaturas artificiales” (cadenas) utilizando bits y partes más
adecuadas del progenitor. Esto involucra un proceso aleatorio que no es, en absoluto,
simple. La novedad que introducen los Algoritmos Genéticos es que explotan
eficientemente la información histórica para especular sobre nuevos puntos de búsqueda,
esperando un funcionamiento mejorado.

El tema central en las investigaciones sobre algoritmos genéticos,, ha sido la
robustez, el equilibrio necesario entre la eficiencia y la eficacia suficiente para la
supervivencia en entornos diferentes. Las implicaciones que tiene la robustez en los
sistemas artificiales son variadas. Si se puede conseguir que un sistema artificial sea más
robusto, se podrán reducir, e incluso eliminar, los costes por rediseños. Y si se es capaz de
lograr niveles altos de adaptación, los sistemas podrán desarrollar sus funciones mejor y
durante más tiempo. Sin embargo, ante la robustez, eficiencia y flexibilidad de los sistemas
biológicos, sólo podemos sentarnos a contemplar, y maravillarnos; mentiríamos si
dijéramos que somos capaces de igualarlos.
Pero, ¿por qué basarse en nuestros conocimientos sobre la evolución biológica? La
respuesta la encontramos si observamos una constante que se repite en muchos problemas:
la búsqueda de soluciones entre una cantidad ingente de candidatos. Tómese, por ejemplo,
el cálculo de un conjunto de reglas (ecuaciones) capaz de regir las subidas y bajadas de un
mercado financiero. El modo de llegar a la mejor solución en estas situaciones, pasa por ser
capaz de obtener rendimiento de un uso eficaz del paralelismo, que permita explorar
diferentes posibilidades de modo simultáneo. Para ello, se precisa, tanto paralelismo
computacional (contar con varios procesadores computando al mismo tiempo), como una
estrategia adecuada de búsqueda.

Por otro lado, muchos problemas computacionales, precisan de un programa
adaptativo, capaz de comportarse bien ante cambios en el entorno. Además, la mayoría de
estos problemas tienen soluciones complejas, muy difíciles de programar a mano. Entre las
técnicas que han surgido al tratar de resolver estas cuestiones, encontramos el
“conexionismo” (el estudio de programas computacionales inspirados en sistemas
neuronales, de los que ya se ha hablado en otras Jornadas) , y la “computación evolutiva”.
Si en la primera las reglas pasaban por umbrales neuronales, propagación de la activación,
y refuerzo o no de las conexiones., en la segunda son la selección natural, con variaciones
debidas a cruces y/o mutaciones, y su objetivo es el diseño de soluciones de alta calidad
para problemas de elevado grado de complejidad, y la habilidad de adaptar esas soluciones
de cara a cambios en el entorno.
La evolución, tal y como la conocemos, es básicamente un método de búsqueda
entre un número enorme de posibles “soluciones”. En biología las posibilidades están
formadas por un conjunto de secuencias genéticas posibles, y las soluciones deseadas, por
organismos capaces de sobrevivir y reproducirse en sus entornos. La evolución puede
verse, asimismo, como un modo de “diseñar” soluciones a problemas complejos, con la
capacidad de innovar. Estos son los motivos de que los mecanismos evolutivos sean una
fuente de inspiración para los algoritmos de búsqueda. Por supuesto, el buen
funcionamiento de un organismo biológico depende de muchos criterios, que además varían
a medida que el organismo evoluciona, de modo que la evolución está “buscando”
continuamente entre un conjunto cambiante de posibilidades. Por ello, podemos
considerarla como un método de búsqueda masivamente paralelo, ya que evalúa y cambia
millones de especies en paralelo. Para terminar, las reglas de la evolución, aunque de alto
nivel, son simples: las especies evolucionan mediante variaciones aleatorias (vía
mutaciones, recombinaciones, etc.) seguidas por la selección natural, donde el mejor tiende
a sobrevivir y reproducirse, propagando así su material genético a posteriores generaciones.

Fuente: Rodríguez Piedad Tolmos; Introducción a los algoritmos genéticos y sus aplicaciones. Paginas 3-4. Disponible en: http://www.uv.es/asepuma/X/J24C.pdf

Lógica difusa: Aplicaciones

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el problema, cuando los problemas son lineales o cuando no tienen solución.

Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón, y cada vez se está usando en gran multitud de campos. La primera vez que se usó de forma importante fue en el metro japonés, con excelentes resultados. A continuación se citan algunos ejemplos de su aplicación:

Sistemas de control de acondicionadores de aire

Sistemas de foco automático en cámaras fotográficas

Electrodomésticos familiares (frigoríficos, lavadoras...)

Optimización de sistemas de control industriales

Sistemas de escritura

Mejora en la eficiencia del uso de combustible en motores

Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)

Tecnología informática

Bases de datos difusas: Almacenar y consultar información imprecisa. Para este punto, por ejemplo, existe el lenguaje FSQL.

...y, en general, en la gran mayoría de los sistemas de control que no dependen de un Sí/No.

Fuente: El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; podrían ser aplicables cláusulas adicionales. Léanse los términos de uso para más información.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.

Lógica difusa: Ventajas e inconvenientes

   

Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema de control basado en lógica difusa: ofrece salidas de una forma veloz y precisa, disminuyendo así las transiciones de estados fundamentales en el entorno físico que controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura de 30º, y la temperatura actual oscilase entre los 29º-30º, nuestro sistema de aire acondicionado estaría encendiéndose y apagándose continuamente, con el gasto energético que ello conllevaría. Si estuviese regulado por lógica difusa, esos 30º no serían ningún umbral, y el sistema de control aprendería a mantener una temperatura estable sin continuos apagados y encendidos.

También está la indecisión de decantarse bien por los expertos o bien por la tecnología (principalmente mediante redes neuronales) para reforzar las reglas heurísticas iniciales de cualquier sistema de control basado en este tipo de lógica. 

Fuente: El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; podrían ser aplicables cláusulas adicionales. Léanse los términos de uso para más información.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.

       

Lógica difusa: Inteligencia artificial

                                                                                                      

     En inteligencia artificial, la lógica difusa, o lógica borrosa se utiliza para la resolución de una variedad de problemas, principalmente los relacionados con control de procesos industriales complejos y sistemas de decisión en general, la resolución y la compresión de datos. Los sistemas de lógica difusa están también muy extendidos en la tecnología cotidiana, por ejemplo en cámaras digitales, sistemas de aire acondicionado, lavarropas, etc. Los sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser mucho más rápidos. Estos sistemas son generalmente robustos y tolerantes a imprecisiones y ruidos en los datos de entrada. Algunos lenguajes de programación lógica que han incorporado la lógica difusa serían por ejemplo las diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.

Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento humano en la programación de computadoras. Con la lógica convencional, las computadoras pueden manipular valores estrictamente duales, como verdadero/falso, sí/no o ligado/desligado. En la lógica difusa, se usan modelos matemáticos para representar nociones subjetivas, como caliente/tibio/frío, para valores concretos que puedan ser manipuladas por los ordenadores.

En este paradigma, también tiene un especial valor la variable del tiempo, ya que los sistemas de control pueden necesitar retroalimentarse en un espacio concreto de tiempo, pueden necesitarse datos anteriores para hacer una evaluación media de la situación en un período anterior.

Fuente: El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; podrían ser aplicables cláusulas adicionales. Léanse los términos de uso para más información.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.

Lógica difusa: Definición

La lógica difusa o lógica heurística se basa en lo relativo de lo observado como posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí. Así, por ejemplo, una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores están contextualizados a personas y referidos a una medida métrica lineal.

La lógica difusa ("fuzzy logic" en inglés) se adapta mejor al mundo real en el que vivimos, e incluso puede comprender y funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es muy alto", "el ritmo del corazón está un poco acelerado", etc.

La clave de esta adaptación al lenguaje, se basa en comprender los cuantificadores de nuestro lenguaje (en los ejemplos de arriba "mucho", "muy" y "un poco").

En la teoría de conjuntos difusos se definen también las operaciones de unión, intersección, diferencia, negación o complemento, y otras operaciones sobre conjuntos (ver también subconjunto difuso), en los que se basa esta lógica.

Para cada conjunto difuso, existe asociada una función de pertenencia para sus elementos, que indican en qué medida el elemento forma parte de ese conjunto difuso. Las formas de las funciones de pertenencia más típicas son trapezoidal, lineal y curva.

Se basa en reglas heurísticas de la forma SI (antecedente) ENTONCES (consecuente), donde el antecedente y el consecuente son también conjuntos difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de regla heurística para esta lógica (nótese la importancia de las palabras "muchísimo", "drásticamente", "un poco" y "levemente" para la lógica difusa):

SI hace muchísimo calor ENTONCES aumentó drásticamente la temperatura.

SI voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.

Los métodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces. Los resultados de dichos métodos son un área final, fruto de un conjunto de áreas solapadas entre sí (cada área es resultado de una regla de inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el método más usado es el del centroide, en el que la salida final será el centro de gravedad del área total resultante.

Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este caso de redes neuronales para fortalecer las futuras tomas de decisiones.

Los datos de entrada suelen ser recogidos por sensores, que miden las variables de entrada de un sistema. El motor de inferencias se basa en chips difusos, que están aumentando exponencialmente su capacidad de procesamiento de reglas año a año.

Un esquema de funcionamiento típico para un sistema difuso podría ser de la siguiente manera:

En la figura, el sistema de control hace los cálculos con base en sus reglas heurísticas, comentadas anteriormente. La salida final actuaría sobre el entorno físico, y los valores sobre el entorno físico de las nuevas entradas (modificado por la salida del sistema de control) serían tomadas por sensores del sistema.

Fuente: El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; podrían ser aplicables cláusulas adicionales. Léanse los términos de uso para más información.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.