Procesos de decisión de Markov en ambiente difuso

Resumen:

 En el ámbito de la toma de decisiones y la modelación de la incertidumbre, la teoría de conjuntos difusos, introducida por L. Zadeh en la década de los 60's, ha surgido como una herramienta poderosa para manejar información imprecisa y ambigua. Esta teoría proporciona un marco para representar y manipular la incertidumbre a través del concepto de número difuso. La incertidumbre modelada a través de los números difusos y combinada con la teoría de probabilidad clásica, constituye la base de la teoría de las variables aleatorias difusas. Una aplicación notable de esta teoría está en los procesos de decisión de Markov (MDP), que son procesos estocásticos que modelan sistemas dinámicos cuyo comportamiento puede ser regulado por una elección adecuada de ciertas variables del sistema que se denominan variables de acción o de decisión. Estos modelos son útiles para optimizar estrategias en la toma de decisiones en entornos inciertos. El objetivo principal es encontrar las variables de decisión que llevan a una evolución óptima del sistema estocástico con respecto a algún criterio de funcionamiento o desempeño, cuantificado por una función llamada función objetivo o criterio de optimización. En esta charla se abordará un tipo de MDP en el que se optimiza una función de costo C, representada por una variable aleatoria difusa. 

Compartir este seminario