http://www.redcientifica.com/gaia/

http://www.redcientifica.com/gaia/defin1_c.htm


Definiciones A-E

En obras

Alelo:

Alelo: Un alelo es un valor para un gen. Utilizando la definición de gen que hace referencia a una porción de cadena genética determinada, los alelos de ese gen serían todos los posibles valores que puede tomar ese segmento de cadena genética.

Genes alelos: a veces se habla de genes alelos, aún cuando sería más apropiado decir valores de genes alelos, o simplemente, alelos. Se dice que "dos genes son alelos uno respecto del otro cuando son rivales en cuanto al mismo lugar del cromosoma, como por ejemplo, los genes que determinan los ojos castaños y los que determinan los ojos azules". Más propiamente, esto sería lo mismo que decir que dos alelos (valores de gen) lo son del mismo gen si son rivales en el mismo lugar del cromosoma. Por ejemplo, los alelos que determinan los ojos castaños y los alelos que determinan los ojos azules son alelos del mismo gen: el gen que determina el color de los ojos.

Alelos Equivalentes: dos alelos son equivalentes si se comportan de forma idéntica en cuanto a la solución que representan. Por ejemplo, en un problema de optimización de ciertos parámetros, los genotipos podrían definirse como un conjuno de 5 valores numéricos con un decimal. Por ejemplo, dos genotipos podrían ser: 

1.4; 6.3; 7.4; 4.1; 4.5
3.7; 8.4; 7.2; 2.1; 1.9

Sin embargo, es posible que el tercer parámetro represente una magnitud entera, y a la hora de evaluar la solución propuesta, sea indiferente el dígito decimal del tercer parámetro. En ese caso, 7.4 y 7.2 serían alelos equivalentes del tercer gen.

Dos alelos son equivalentes si uno de ellos puede ser sustituido por el otro obteniéndose como resultado un genotipo de exactamente el mismo peso (utilidad), y además, esto ocurre siempre, independientemente de los valores del resto de genes.

Superalelo: conjunto de alelos

Superalelos equivalentes: dos superalelos (conjuntos de alelos) son equivalentes si uno de ellos puede ser sustituido por el otro obteniéndose como resultado un genotipo válido.

Superalelos de peso equivalente: dos superalelos (conjuntos de alelos) son de peso equivalente si se comportan de forma idéntica en cuanto a la solución al problema que representan.

Dos superalelos (conjuntos de alelos) son de peso equivalente si uno de ellos puede ser sustituido por el otro obteniéndose como resultado un genotipo de exactamente el mismo peso, y esto ocurre siempre, independientemente de los valores del resto de genes.

[ Volver al Indice ]


Algoritmos Genéticos-Genetic Algorithms (AG-GA):

Los pasos que realiza un AG son:

1.- Se genera un conjunto de 1-N soluciones válidas al problema. Normalmente, esta(s) entidades se generan al azar. Valores típicos son 20-200.

2.- Se evalúan las soluciones existentes, de manera que se eliminan unas y se mantienen otras (otra posibilidad sería limitar el tiempo de ejecución)

3.- Se permite la reproducción o recombinación de genes (normalmente por parejas) de las entidades existentes. Por ejemplo, se realizan cruzamientos de patrones a partir de cierto punto elegido al azar, de forma que los nuevos patrones posean un segmento de cada uno de los progenitores.

4.- Se efectúan mutaciones (cambios al azar en los genes) de los nuevos patrones, según una tasa determinada.

5.- Se continúa en el paso 2 hasta que se encuentre una entidad que se considere con sufcientemente peso o fitness

[ Volver al Indice ]


Algoritmos Miméticos:

Son la combinación de un algoritmo genético, que se encarga de realizar la búsqueda aplicando el énfasis en la exploración (exploración más a fondo del espacio de búsqueda), con otro algoritmo especializado en la explotación (convergencia más rápida hacia una solución).

[ Volver al Indice ]


Aprendizaje:

Supone un proceso inteligente, repetitivo, eficaz y eficiente.
Es interesante porque permite:


En cuanto al tema que nos interesa, el aprendizaje se puede obtener de varias maneras:

[ Volver al Indice ]


Autómatas Celulares-Cellular Automata (AC-CA):

Los autómatas celulares son redes de autómatas simples conectados localmente que producen una salida a partir de una entrada, modificando en el proceso su estado según una función de transición.

Un autómata celular es una máquina de estados finitos que consiste en una cuadrícula de células en la cual la evolución de cada célula depende de su estado actual y de los estados de sus vecinos inmediatos. En un autómata celular todos los autómatas simples o células pasan a la siguiente generación al mismo tiempo y según un mismo algoritmo de cambio que puede hacer variar su estado dentro de un conjunto limitado de estados.

[ Volver al Indice ]


Azar, Aleatorio: (ver Azar, Aleatorio, Pseudoaleatorio y Determinista)

Aleatorio: sin causa, y por tanto, teóricamente impredecible, excepto en forma de probabilidad

Proceso aleatorio: proceso cuyo resultado es impredecible, excepto en forma de probabilidad

Cadena aleatoria: cadena para la que no existe ninguna forma de comprimir su descripción

Se ha de notar que un proceso aleatorio no siempre genera cadenas aleatorias, y puede generar cadenas deterministas. También ocurre que un proceso pseudoaleatorio, como una función de azar de ordenador, puede generar cadenas deterministas.

No existen generadores de azar puros (perfectos), ni en software ni en la naturaleza. Es decir, no existe el azar, todo lo que hemos visto tiene una causa. Azar es la etiqueta que ponemos a aquello que aparentemente varia sin ninguna pauta o norma, es decir, su pauta es no parecer tener pauta; en realidad si hay una pauta, que es la ausencia de pauta. Se discuten dos excepciones a esta afirmación: el Big Bang y los procesos cuánticos. Podemos decir que la dirección del viento se origina al azar cuando no es asi exactamente. Por eso llamamos azar a una pauta complicada (y a veces se obliga que sea homogeneamente distribuida, o distribuida según cierta forma) que nos sirve para un proposito, como las funciones random (RND) en programación.

Los humanos poseemos un razonamiento "inconsciente" o "impulsivo" que nos obliga a establecer cierto causa-efecto aun cuando un razonamiento mas consciente o "de nivel superior" nos dicta lo contrario, esto ocurre, por ejemplo, cuando compramos un numero de loteria y nos dan el 00001. Nos parece "impulsivamente" (al menos a mi y a muchas otras personas consultadas) que ese numero tiene muchas menos probabilidades de salir que el 34.788, cuando "conscientemente" (a alto nivel) sabemos perfectamente que tienen las mismas posibilidades...

...pues bien, no tienen las mismas posibilidades, aunque esto poco tiene que ver con el aspecto de los numeros. El que salga uno u otro numero depende de la forma de las bolas y del bombo, la configuración inicial de bolas y la fuerza aplicada al bombo, etc. La capacidad de asignación de causa-efecto es muy ventajosa para la supervivencia de un individuo y por eso la naturaleza lo ha seleccionado, a ella debemos poder predecir los inviernos (despues del otoño viene el invierno) y asi evitar el frio y el hambre buscando una cueva y almacenando nueces. Probablemente la evolución hizo aparecer los razonamientos causa-efecto inconscientes antes que los conscientes.

En el ejemplo, probablemente el proceso mental que lleve a estas asociaciones sea algo parecido al que a continuación se describe. La persona observa los números que son premiados en los distintos sorteos, e inconscientemente trata de detectar regularidades en esos números. Los números por lo general no son faciles de recordar, por lo que números como el "72.719" se olvidan fácilmente. Sin embargo, hay algunos muy llamativos, pero escasos, como el "33.333" o el "12.345," difíciles de olvidar. La persona detecta entonces que la mayoría de los números premiados son del tipo de los "difíciles de recordar" y por tanto desconfía de los "fáciles de recordar".

Decidir que ciertos sucesos se producen al azar puede detener ciertas investigaciones que podrían ser fructíferas. Aunque algo parezca aleatorio, puede que no sea una pérdida de tiempo el buscar causas. Esto es lo que ha sucedido en el estudio del caos: ciertos procesos de apariencia aleatoria pueden ser producidos por un conjunto muy pequeño de reglas simples y deterministas. Por tanto, es posible el camino inverso: dado un proceso de apariencia aleatoria, tal vez haya sido producido por un conjunto muy pequeño de reglas simples y deterministas. Plantear la hipótesis de que las bolas del bombo son "inteligentes" o tienen memoria, buscar una causa (por ejemplo, una inteligencia que se dedica a forzar una distribucion homogenea de números) y otros razonamientos de este tipo, aunque no son correctos en si mismos (en el caso de las bolas), marchan en la dirección correcta hacia nuevos descubrimientos y en general son interesantes, lógicos y demuestran inteligencia.

Por supuesto, todavía mayor inteligencia demuestra el razonamiento lógico consciente que asigna la misma probabilidad a todas las combinaciones de números de la lotería, sean o no fáciles de recordar.

Se puede recurrir al azar para explicar la aparición de vida en la Tierra, en relación con las preguntas sobre la vida inteligente en otros planetas. ¿Cuál es la probabilidad de encontrarse una cajetilla de cigarrillos en el desierto? Baja, ciertamente; pero una vez que la hemos encontrado, una vez que, de la forma mas sorprendente, en el lugar más inhóspito y solitario que podriamos imaginar, tenemos un suceso extraño, hemos visto la caja de cigarrillos y la tenemos en la mano, la probabilidad de que en las proximidades encontremos un billete de metro, aumentan enormemente. De poco sirve decir que la cajetilla de cigarrillos está ahí completamente al azar, que "nos ha tocado la lotería de encontrar la cajetilla". Tal vez sea cierto, pero detiene la investigación.

Cuando sucede algo improbable, podemos, o bien seguir pensando que es improbable, o bien empezar a plantearnos si eso que creíamos improbable tiene una causa, una razón, y que puede repetirse: que realmente no es improbable. Decidir que la causa de un suceso es el azar no conduce a nada nuevo. El azar, como el infinito, es algo de lo que podemos hablar pero con lo que nadie se ha topado aún. Lo que llamamos azar es una etiqueta que colocamos a un conjunto de causas que se nos presenta demasiado complejo como para poder entenderlo o identificarlo. Cualquiera puede programar una función de "azar" que genere números aparentemente aleatorios. Pero para el programador no existirá azar, sino un algoritmo bien conocido.

[ Volver al Indice ]


Caos:

Definición vulgar: Caos es la falta de orden por la mezcla desordenada de todos sus elementos. Lo opuesto es el orden ("Colocación de las cosas en el lugar que les corresponde. Concierto, buena disposición de las cosas ente sí. Regla o modo que se observa para hacer las cosas. Serie o sucesión de las cosas.")

Definición 2: Caos es la situación de desorden en que, según ciertas teorías o creencias, se encontraba el universo antes de adquirir su ordenación actual.

Definición 3: Sistema caótico es aquel tan sensible a las condiciones iniciales que pequeños cambios al principio se traducen en grandes cambios al final

Definición 4: Caos se define contradictoriamente como aquel comportamiento estocástico que ocurre en un sistema determinista. Estocástico significa aleatorio, y determinista hace referencia a que está gobernado por leyes exactas siendo su comportamiento totalmente predecible.

Es decir, es el comportamiento aleatorio que se da en un sistema no aleatorio: o para entendernos: es el comportamiento aparentemente aleatorio que se da en un sistema que realmente no es aleatorio.

Con "Caos" se designa a aquello a lo que los humanos aún no hemos podido clasificar en un orden. El verdadero caos no existe, es un producto de la mente humana. El verdadero caos es un término filosófico que implica la ausencia de capacidad de predicción.

Por ejemplo, se dice que las siguientes ecuaciones de Lorenz 

x' = 3(y - x) 
y' = -xz + 26.5x - y 
z' = xy - z
poseen un comportamiento caótico.

[ Volver al Indice ]


Clasificadores Genéticos-Genetic Clasifiers (CG-GC) :

Los Clasificadores Genéticos son algoritmos evolutivos cuya finalidad es obtener un sistema clasificador. Normalmente los clasificadores genéticos hacen evolucionar un conjunto de reglas que serán las encargadas de realizar la clasificación, y en ese caso se pueden considerar como un tipo de Programación Evolutiva.

[ Volver al Indice ]


Computación Evolutiva (o Algoritmos Evolutivos):

Con el término de Computación Evolutiva o Algoritmos Evolutivos (a veces también llamados Algoritmos Evolucionarios) se engloba un conjunto de técnicas que basándose en la imitación de varios procesos naturales que intervienen en la evolución de las especies (selección natural, mutaciones, sobrecruzamientos) tratan de resolver complejos problemas de búsqueda, optimización, aprendizaje, predicción o clasificación.

La Computación Evolutiva trata de obtener aprendizaje imitando la evolución (Aprendizaje a nivel de especie). Son los métodos que basan su funcionamiento en una metafora de la evolución biológica.

Dentro de la Computación Evolutiva-Evolutionary Computation(CE-EC) también llamado Algoritmos Evolutivos-Evolutionary Algorithms(AE-EA) se encuentran:

Como se pude observar, los términos son muy similares, lo que sin duda da origen a confusión. (Es más, parece que se han tomado todas las posibles combinaciónes de unas cuantas palabras.) Partiendo del conocimiento del funcionamiento de los Algoritmos Genéticos (probablemente la técnica más conocida de todas ellas), el resto de los algoritmos se pueden interpretar como variaciones o mejoras de los Algoritmos Genéticos (excepto Simulated Annealing que se consideraría una simplificación), añadiendo complejidad o modificando ciertas características del algoritmo.

En cuanto a los métodos empleados, podríamos considerar la Vida Artificial como un superconjunto de estas técnicas, ya que la Vida Artificial no restringe las metáforas empleadas a la imitación de los procesos evolutivos. Sin embargo, en cuanto a los objetivos perseguidos se trata de campos bien distintos, ya que en la práctica la Computación Evolutiva se utiliza para resolver problemas, y cuando se finaliza una simulación de Computación Evolutiva se pretende confiar en los resultados. En cambio la Vida Artificial se utiliza fundamentalmente para la investigación acerca del origen de la vida, sus fundamentos, sus requisitos y sus formas de desarrollo.

Paradigmas de Computación Evolutiva (Algoritmos Evolutivos)

Identificado con

Alfabeto

Población

Tipo de Mutaciones

Tasa de mutación

Individuos inmortales

Simulated Annealing (solidificación simulada, agregación simulada):

-

Cualquiera

1

Gaussianas

Variable (varianza)

No

Algoritmos Genéticos-Genetic Algorithms (AG-GA)

John H. Holland

Binario

1-N

Inversión

Constante

No

Programas de Evolución

-

Cualquiera

1-N

Variadas

Variable

Si

Estrategias Evolutivas-Evolutionary Strategies (EE-ES)

Michalewicz

Contínuo

1 (simples) o N (múltiples)

Gaussianas

Variable (es parte de la cadena)

Si

Programación Genética-Genetic Programming (PG-GP)

Koza

Instrucciones

1-N

Variadas

Variable

Si

Programación Evolutiva-Evolutionary Programming (PE-EP)

David Fogel

Reglas, autómatas

1-N

Variadas

Variable

Si

Clasificadores Genéticos-Genetic Clasifiers (CG-GC)

-

Reglas

1-N

Variadas

Variable

Si

Algoritmos Miméticos

-

Cualquiera

1-N

Variadas

Variable

Si

[ Volver al Indice ]


Cooperación: (ver Exploración, Cooperación, Explotación)

Fuerza equilibradora, grado de penetracion óptimo, compromiso, óptimo en calidad/precio.

[ Volver al Indice ]


Continuidad:

Una función es continua en el intervalo I si:


[ Volver al Indice ]


Cromosoma:

Un cromosoma está formado por un conjunto de genes. En computación evolutiva es raro dividir la información genética en cromosomas y éstos, a su vez, en genes. Lo habitual es que cada individuo esté formado por un único cromosoma. Al existir ámbos términos (cromosoma e individuo) disponibles, la comunidad científica que aplica computación evolutiva los ha utilizado para distinguir distintos matices de un mismo concepto. Así, cuando se habla de cromosoma, se suele hacer referencia a la cadena de bits o de símbolos que forman la entidad (genotipo). En cambio, cuando se usa el término individuo, se hace referencia a la interpretación de estos símbolos, a su significado como solución al problema.

[ Volver al Indice ]


Darwinismo:

El Darwinismo tiene su origen en los trabajos de Alfred Russel Wallace sobre la tendencia de las variedades de seres vivos a apartarse del tipo originario, y por supuesto, también en los trabajos de Charles Darwin. Se dice que los escritos de Wallace fueron leídos por Darwin creando un fuerte impacto e interés en él, y se habla de la falta de decoro que supuso la lectura de los trabajos de Wallace en último lugar durante la primera sesión de la Sociedad Linneana, el 1 de julio de 1858, después de la lectura de varios resúmenes de Darwin, aún habiéndose acordado lo contrario.

En cualquier caso, Darwin se puso a trabajar de inmediato en su famoso libro "El origen de las Especies", que apareció en 1859. Anteriormente a esto, otras importantes contribuciones fueron la teoría de Jean-Baptiste de Lamarck y los estudios de Geología de Charles Lyell (basados en los de James Hutton), donde se ofrece una explicación de cómo la selección natural puede imprimir variaciones dañinas en una especie, y en los cuales se cree que se basó el trabajo posterior de Edward Blyth sobre la existencia de una estructura genética característica en toda forma viviente.

La teoría de la selección de las especies sostiene que aquellos individuos de una población que posean los caracteres más ventajosos dejarán proporcionalmente más descendencia en la siguiente generación; y si tales caracteres se deben a diferencias genéticas, que pueden transmitirse a los descendientes, tenderá a cambiar la composición genética de la población, aumentando el número de individuos con dichas características. De esta forma, la población completa de seres vivos se adapta a las circunstancias variables de su entorno. El resultado final es que los seres vivos tienden a perfeccionarse en relación con las circunstancias que los envuelven. En conclusión: la población cambia (evoluciona) hacia la figura del mejor adaptado al contexto.

[ Volver al Indice ]


Darwinismo Universal:

Argumenta (Dawkins) que toda vida, en cualquier lugar del Universo, habría evoluciónado por medios darwinianos. Supone que la simple aparición de entidades autorreplicadoras ligeramente inexactas de cualquier tipo (genes, memes u otros) tiene el poder suficiente para que que se produzca la evolución, y bajo condiciones adecuadas, se produce la unión de los replicadores para la creación de sistemas grandes (máquinas de superviviencia) que los dispersen favoreciendo su continua replicación.

[ Volver al Indice ]


Data Mining:

Los algoritmos geneticos y otras técnicas de Computación Evolutiva se pueden utilizar para reconocimiento de patrones en grandes bases de datos (Problema de clasificación). La típica aplicación es la de los bancos que desean prever la morosidad o no de un nuevo cliente a la hora de darle o no el credito: el algoritmo se usa no solo para clasificar los clientes en probables morosos o no, sino en casos "dificiles" y "faciles" de forma que la maquina sea capaz de tomar la decisión de conceder o no el préstamo en un caso sencillo siendo el hombre quien toma la decisión en los casos difíciles. Para ello, se crean reglas al azar que relacionan las variables y se les hace evolucionar en función de su habilidad para predecir con exactitud los casos que tenemos del pasado. Es el mismo metodo que se usa para predecir en bolsa o el tiempo atmosférico con computación evolutiva

[ Volver al Indice ]


Demostración:

El concepto de demostración es sumamente resbaladizo. Alguien puede definir que criterios son necesarios para "demostrar" algo, pero ¿cómo "demostrará" ese alguien que esos criterios son ciertos?

Existen varios significados de la parabra "demostrar":

Demostrar algo según la primera definición del término no es posible, aunque esta afirmación tampoco es demostrable, según esta misma definición. Es decir, tampoco podemos tener la seguridad absoluta de que nunca podremos tener la seguridad absoluta en la certeza de una afirmación.

La segunda definición del término es la que habitualmente se emplea en las ciencias en general, y es subjetiva.

La tercera es propia de la lógica y de las matemáticas. En matemáticas, se concidera "demostración" a la utilización coherente (correcta, sin errores) de unos axiomas (leyes que se consideran ciertas), sobre unas premisas (datos del problema actual). La conclusión obtenida no tiene por qué ser cierta, simplemente es coherente con los axiomas y las premisas. Si las premisas no fueran ciertas o si los axiomas no fueran ciertos, no solucionaremos el problema, pero la demostración será correcta. Si el problema real es otro, y no el representado por las premisas, no solucionaremos el problema real, sino otro. En cuanto a la certeza de los axiomas, las apariencias indican que los axiomas utilizados en la lógica común y en las matemáticas son ciertos, pero no hay forma de estar seguros.

Desde este punto de vista, demostrar es como traducir, o reescribir. Es como computar, como ejecutar un programa de ordenador, como obtener unas salidas ante unas entradas. Hago hincapié en esto porque bajo este punto de vista, las entradas y salidas están formalizadas, son discretas. En cambio, en las dos primeras definiciones, o bien los conceptos que se manejan no están formalizados, son subjetivos; o bien no son discretos: son infinitos.

[ Volver al Indice ]


Determinista: (ver Azar, Aleatorio, Pseudoaleatorio y Determinista)

con una causa, y por tanto, teóricamente predecible, si se conociera la causa

Proceso determinista: proceso cuyo resultado es predecible

Cadena determinista: cadena para la que si existe una forma de comprimir su descripción

[ Volver al Indice ]


EEE (Estrategia Evolutivamente Estable):

[ Volver al Indice ]


Elemento:

Parte mínima descomponible de un sistema y con capacidad de interacción con otras partes del mismo.

[ Volver al Indice ]


Emergente:

Comportamiento emergente: comportamiento complejo producido a partir de una serie de comportamientos simples (por ejemplo, reglas simples). El comportamiento emergente se da como consecuencia de usar construcción "de abajo a arriba".

Propiedades emergentes: se trata de propiedades del sistema global que surgen de la interacción no sencilla de sus partes. En muchas ocasiones se obtienen resultados totalmente insospechados, difícilmente deducibles del conocimiento de las partes componentes y sus interacciones locales.

[ Volver al Indice ]


Epístasis:

El fenómeno de la epístasis consiste en la existencia de fuertes vinculaciones (también llamadas "interacciones") entre los genes, de forma que el efecto de unos genes inhibe o potencia otros, o incluso el resultado es tan complejo que no tiene sentido considerar los efectos de los genes de forma individual sino conjuntamente.

"El problema de la epístasis" o "el problema de la ausencia de bloques constructores" consiste en la existencia de estas interacciones entre los genes. Los problemas con poca epístasis son triviales, y se pueden solucionar con un simple método de escalada. Los problemas con mucha epístasis son difíciles de resolver, inlcuso para los Algoritmos Genéticos. Un problema donde todos los genes tuvieran fuerte vinculación entre sí, es decir, cuyos efectos dependan del valor de todos los demás genes, no sería un problema irresoluble, pero sí el peor que nos podríamos encontrar, no sólo para las técnicas evolutivas, sino para cualquier otro método. Sería algo así como buscar un objeto con los ojos cerrados, y la mejor forma de tratarlo sería, lógicamente, una búsqueda secuencial.

[ Volver al Indice ]


Estrategias Evolutivas-Evolutionary Strategies (EE-ES) :

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.

Las Estrategias Evolutivas Simples son el modelo más sencillo de su paradigma, y aunque no son métodos evolutivos propiamente dichos contienen en su forma más pura gran parte de las ideas que incorporan gran parte de las Estrategias Evolutivas Múltiples.

En las estrategias evolutivas simples, la población esta compuesta por un solo individuo y sólo se usa el operador de mutación. Así se procede a la mutación del individuo y sustituirá al anterior si es más apto que su progenitor, en caso contrario permanece el individuo anterior.

Aunque los orígenes de ambas disciplinas partieron de enfoques distintos, los sucesivos desarrollos de ambos se han ido acercando hasta el punto de que, actualmente, una estrategia evolutiva se puede considerar como un tipo de algoritmo genético y viceversa.

Un aspecto característico de las estrategias evolutivas es que las tasas de mutación de cada gen se codifican como parte del genoma, por lo que también se encuentran sujetas a evolución.

Para describir estrategias evolutivas se usa la siguiente nomenclatura

(a+b): Reemplazo determinista por inclusión

(a,b): Reemplazo por inserción

a: tamaño de la población

a: tamaño de la descendencia

[ Volver al Indice ]


Exploración: (ver Exploración, Cooperación, Explotación)

Fuerza innovadora, altruismo, exploración más a fondo del espacio de búsqueda.

[ Volver al Indice ]


Explotación: (ver Exploración, Cooperación, Explotación)

Fuerza conservadora, egoísmo, explotación, convergencia más rápida hacia una solución

[ Volver al Indice ]


Exponencial:

Un proceso de crecimiento es exponencial si su tasa de crecimiento es proporcional al tamaño ya alcanzado. Un proceso exponencial típico es una epidemia: cada individuo transmite un virus a varios, cada uno de los cuales lo transmite a su vez, por lo que el número de individuos afectados aumenta a un ritmo cada vez mayor.

[ Volver al Indice ]





















Traduccion