Aplicacin de ANFIS para el control de proyectos

Resumen Durante el control a sus proyectos, las organizaciones emplean dismiles herramientas computacionales para asistir a los especialistas en la toma de decisiones. Sin embargo, an no se resuelven de forma prctica todos los problemas donde hay presencia de incertidumbre y vaguedad en los conceptos. Se presenta una aplicacin de Adaptive-Network- based Fuzzy Inference System (ANFIS), utilizando MATLAB. Los beneficios potenciales de la propuesta se relacionan con la mejora del control de proyectos. Palabras clave: ANFIS; control de proyectos; MATLAB.

Abstract During control their projects, organizations employ dissimilar computational tools to assist specialists in decision-making. However, still not solved all practical problems where the presence of uncertainty and vagueness in concepts. An application of Adaptive-Network-based Fuzzy Inference System (ANFIS) is presented using MATLAB. The potential benefits of the proposal relate to the improvement of project control. Keywords: ANFIS; projects control; MATLAB.

Introduccin
El control de proyectos es de vital importancia en las organizaciones, es por ello que dichas organizaciones son cada vez ms eficientes en la planificacin, ejecucin y control de sus recursos y actividades, con el fin de lograr con calidad los objetivos trazados en el menor tiempo posible. El proceso de control de la ejecucin se encarga de medir y supervisar regularmente el avance del proyecto, a fin de identificar las variaciones respecto al plan; de tal forma que se tomen medidas correctivas cuando sea necesario. Existen numerosas herramientas de apoyo a la toma de decisiones que permiten llevar a cabo un cronograma de ejecucin y sobre el mismo mostrar el avance del proyecto. Lo anterior se logra mediante el clculo de un conjunto de indicadores claves, que reflejen el comportamiento del proyecto, destacando los problemas y sus causas para, sobre ellas, realizar la toma de decisiones a partir de una estrategia de prioridades previamente establecida. Las insuficiencias en el manejo de los datos y la mala gestin de proyectos, provocan innumerables prdidas. Entre las principales causas de fracaso en esta rea, se puede citar la falta de conocimiento de buenas prcticas, la poca experiencia en el control y seguimiento de proyectos; as como debilidades en las herramientas para la evaluacin automtica o semiautomtica de proyectos y las dificultades en el tratamiento de la ambigedad e incertidumbre de los datos. La gestin de proyectos se identifica con la presencia de datos numricos y lingsticos, la apreciacin de las personas, as como vaguedad en los conceptos para la toma de decisiones.
1

Una alternativa de solucin a los problemas antes mencionados, es la introduccin de tcnicas de soft computing, las cuales introducen en las herramientas, una aproximacin al razonamiento humano. Bajo este principio, los sistemas borrosos, las redes neuronales, la computacin evolutiva, el razonamiento probabilstico, as como las combinaciones de dichas tcnicas, como los sistemas ANFIS, son consideradas como tcnicas de soft computing. La unin de varias tcnicas de soft computing permite ganar en robustez, eficiencia, adaptabilidad y equilibrio adecuado entre prediccin y poder de interpretacin. En los ltimos aos han sugerido soluciones tericas basadas en minera de datos, inteligencia artificial y soft computing, tiles para la gestin de proyectos. Se propone entre otros resultados en este trabajo, un sistema de inferencia borroso basado en reglas declaradas por expertos para la evaluacin de la ejecucin de proyectos a partir de indicadores claves de gestin. Las insuficiencias en la adaptacin y el aprendizaje automtico en los sistemas que permiten la evaluacin de proyectos, afectan la calidad de la clasificacin en la ayuda a la toma de decisiones. En el presente trabajo se muestra una aplicacin de Adaptive-Network-based Fuzzy Inference System (ANFIS), utilizando MATLAB, con el objetivo de mejorar la calidad de la evaluacin en el control de la ejecucin de proyectos.

Definicin
Los sistemas neuroborrosos utilizan una combinacin de los paradigmas de la Lgica Difusa y las Redes Neuronales Artificiales. Por un lado, las redes neuronales persiguen simular la capacidad de razonamiento humano a travs de su estructura y organizacin, aprovechando su capacidad de aprendizaje y habilidad de generalizacin. Mientras que los sistemas de inferencia borrosos permiten expresar el conocimiento de un humano experto mediante reglas If-then simples, descritas en lenguaje natural. Los sistemas neuroborrosos surgieron de la necesidad de obtener y ajustar los parmetros de los sistemas borrosos, ya sean sus conjuntos o sus reglas, mediante un mtodo formal que no est basado nicamente en el conocimiento humano o en la prueba y error

Mtodos
Adaptive Network based Fuzzy Inference System (ANFIS) es uno de los primeros modelos neuroborrosos de tipo hbrido, introducido por Jyh-Shing Jang. Se basa en un sistema de inferencia borroso que aplica el conocimiento humano en forma de reglas difusas If-Then. A travs de un algoritmo de aprendizaje inspirado en la teora de las redes neuronales artificiales, establece una relacin entre los datos de entrada y salida, modificando los valores de sus parmetros, tanto de los antecedentes como de los consecuentes de las reglas de inferencia. Los sistemas neuroborrosos de tipo hbridos presentan una arquitectura unificada y son capaces de aprender tanto online como offline, pero siempre en modo supervisado. La idea de un sistema neuroborroso es interpretar la base de reglas en trminos de una red neuronal artificial, dnde las variables de entrada y salida as como las reglas pueden verse como neuronas. El Sistema de Inferencia Borroso que utiliza ANFIS es de tipo Sugeno. Este modelo se caracterizan por tener entradas lingsticas y procesar (agregar) los datos mediante un clasificador (reglas
2

borrosas) devolviendo como salida los grados de pertenencia a los trminos lingsticos utilizados para expresar un resultado final. Carece de Desborrosificador, siendo la funcin de salida una combinacin polinomial del resultado de agregacin de las variables de entrada. Las reglas difusas en ANFIS tienen la forma: Si x es A y y es B entonces z=f(x, y). Donde A y B son conjuntos borrosos en el antecedente y z usualmente f(x, y) es un polinomio cuyo grado determina el grado del modelo borroso. La salida del sistema difuso es una suma ponderada de las salidas de las reglas. Cuando f es una constante al sistema borroso correspondiente se le llama modelo borroso Sugeno de grado cero.

Arquitectura de ANFIS
ANFIS utiliza una arquitectura de red multicapa orientada a nodos en la cual todos los parmetros de las funciones de pertenencia residen dentro de los nodos. La representacin orientada a nodos de los sistemas borrosos facilita desde su implementacin la interpretabilidad del sistema de inferencia al no tener en cuenta pesos en la conexiones, cuyo significado semntico con frecuencia es difcil de explicar. En esta implementacin las capas de la red no estn completamente conectadas sino que las conexiones tienen lugar a partir de la presencia de las reglas borrosas y las relaciones que estas representen dentro del sistema borroso. La capa de los antecedentes en este modelo es donde se encuentran los conjuntos borrosos y sus funciones de pertenencia, es la capa principal donde tiene lugar las modificaciones durante el aprendizaje. Los pesos en las conexiones pueden ser utilizados como una variante para establecer las relaciones entre los antecedentes y las reglas mientras que estn conectados todos con todos. En la Figura 1 se muestra un ejemplo de arquitectura ANFIS, la cual dispone de cinco capas. Los nodos en la primera y cuarta capa estn dibujados como bloques cuadrados, lo cual significa que son modificables, es decir, que tienen parmetros que pueden variar. Los nodos en la segunda, tercera y quinta capa estn dibujados como bloques circulares, lo cual significa que son fijos y no dependen de ningn parmetro variable.

Figura 1. Arquitectura de un ANFIS con dos entradas y una salida. Los antecedentes son las funciones de activacin de los conjuntos difusos y los consecuentes son los parmetros lineales de la salida del modelo de inferencia. Diseo del modelo de las capas de neuronas En ANFIS el modelo de neurona queda definido de manera diferente para cada capa de la red. A continuacin se especifica el funcionamiento de los nodos presentes en la arquitectura (entradas, salida y clculos que realiza cada capa).
3

Capa 1. (Borrosificacin): En esta capa cada nodo se conecta a exactamente una unidad de entrada y calcula el grado de pertenencia del valor recibido a los conjuntos difusos que se han considerado, como se muestra en la Ecuacin (1). Las funciones de pertenencia asociadas a estos conjuntos difusos deben ser continuas y derivables a tramos, para poder aplicarle el gradiente descendiente durante el algoritmo de aprendizaje. En la presente investigacin se utilizan las funciones de pertenencia: trapezoidal y triangular. Las entradas a esta capa son valores concretos de las variables de entrada (valores numricos calculados para cada indicador que permite evaluar el proyecto en cuanto al rendimiento de recursos humanos, costos, calidad, tiempo y logstica) y las salidas son grados de pertenencia a los conjuntos difusos considerados (Bien, Regular y Mal). (1) Donde x es la entrada al nodo i, y Ai es la etiqueta lingstica (tal como Bien o Mal) asociada con esta funcin de nodo. En otras palabras Oi es el grado de membresa a un conjunto difuso A (A = A1, A2), el cual especifica el grado en el cual una entrada (x) dada satisface el cuantificador Ai. Capa 2. (Conjuncin): Cada nodo en esta capa representa una regla, que se conecta a sus correspondientes antecedentes de la capa 1 y obtiene como entrada los grados de pertenencia de los indicadores que miden el proyecto. Cada nodo calcula el grado de activacin de la regla asociada, aplicando un operador T-norma para modelar la operacin lgica and, como se muestra en la Ecuacin 2. Los nodos de esta capa representan el grado de verosimilitud o la intensidad de disparo que tiene cada una de las reglas. (2) Capa 3. (Normalizacin): Cada nodo en esta capa calcula el grado de activacin o intensidad de disparo normalizado de la regla i-sima con respecto a la suma de las intensidades de disparo de todas las reglas, como se muestra en la Ecuacin 3. (3) Capa 4. (Desborrosificacin): Cada nodo en esta capa calcula su salida segn el producto entre el grado de activacin normalizado por la salida individual de cada regla, como se muestra en la Ecuacin 4. (4) Donde wn es la salida de la capa y {pi, qi, ri} es el conjunto de parmetros consecuentes. Capa 5. (Agregacin): El nico nodo de esta capa calcula la salida global del sistema como la suma de todas las seales individuales que entran a l, tal como se muestra en la Ecuacin 5. (5)

De esta forma queda construida una red neuronal adaptativa, la cual es funcionalmente equivalente a un sistema de inferencia difuso.

Algoritmo de aprendizaje
El tipo de Redes Neuronales Artificiales que utiliza ANFIS es feedforward. En este modelo el aprendizaje se divide en dos etapas (un proceso hacia delante y uno hacia atrs). En la primera etapa se mantienen constantes los antecedentes y el aprendizaje se basa en modificar los consecuentes siguiendo la estrategia de los mnimos cuadrados, mientras que en la segunda etapa se mantiene constantes los consecuentes y se modifican los parmetros de los antecedentes por medio de aplicar el gradiente descendente (ver Tabla 1).

Proceso hacia delante (fase 1) Proceso hacia atrs (fase 2) Parmetros de los antecedentes Fijos Parmetros de los consecuentes Mnimos cuadrados Seales Salidas de los nodos Gradiente descendiente Fijos Seales de error

Tabla1. Fases del algoritmo de aprendizaje que utiliza ANFIS y modificacin de los parmetros. El algoritmo consta de los siguientes pasos: Paso 1: Presentar una muestra de entrada, y computar la salida correspondiente. Los parmetros de las funciones de los conjuntos son inicializados y es presentado al sistema un vector de entrada-salida. Se calculan las salidas para cada capa de la red propagndolas hacia delante hasta los consecuentes. Paso 2: Computar el error entre la salida calculada y el valor objetivo esperado. Se calcula el error (E) como la diferencia entre la salida de la red (fk) y la salida deseada presentada en los pares de entrenamiento (d k). En este caso se usa una de las medidas ms empleadas para calcular el error de entrenamiento, que es la suma del error cuadrado, tal como se muestra en la Ecuacin 6.

(6) Paso 3: Ajustar los pesos de las conexiones y las funciones de pertenencia mediante el gradiente descendente. En el paso hacia atrs, se propagan las seales de error y el vector gradiente es acumulado para cada dato de entrenamiento. Los parmetros en la capa 1 son actualizados por el mtodo descendente, segn la Ecuacin 7. (7) Donde E es el error de salida y es la velocidad de aprendizaje, que puede ser expresada como: (8)

Aqu es el tamao del paso, o sea la longitud de cada transicin a lo largo de la direccin del gradiente en el espacio de parmetros.
5

Paso 4: Si el error es mayor que la tolerancia, volver al paso 2, si no es as, el entrenamiento ha sido finalizado. Para aplicar el ANFIS se necesita conocer de antemano la base de reglas; en este trabajo las principales entradas del sistema son el conjunto inicial de reglas de inferencia borrosas. El aprendizaje se realiza a partir de un conjunto de casos (proyectos terminados) dados como entrada, donde se conoce su clasificacin correcta, hay que tener en cuenta que la evaluacin final (bien, regular o mal), as como la evaluacin del conjunto de indicadores correspondientes a los antecedentes. A partir de la muestra de proyectos se induce nuevo conocimiento (ajuste de los parmetros de las funciones de pertenencia de los conjuntos borrosos). Una vez entrenada la red se podr introducir un proyecto nuevo y evaluarlo adecuadamente. Las capacidades adaptativas de las redes ANFIS las hacen directamente aplicables a una gran cantidad de reas de conocimiento, donde se conozca a priori la clasificacin de los datos y permitan la extraccin de caractersticas a partir de ejemplos.

Aplicacin de ANFIS
Se ha implantado como solucin integral para la gestin de los proyectos de software que se desarrollan. El sistema est alineado con varios estndares propuestos, brindando las interfaces adecuadas a los usuarios para que stos introduzcan al sistema las medidas sugeridas por estos modelos y segn las necesidades especficas de informacin en cada organizacin. Para el desarrollo de la investigacin se utiliza el entorno de base matemtica MATLAB ( Matrix Laboratoly) el cual es uno de los entornos de desarrollo matemtico ms extendido en aplicaciones de ingeniera para analizar y desarrollar prototipos de algoritmos. Este facilita la evaluacin de diversas tcnicas, sin obligar al desarrollo de programas especficos, haciendo uso de diversos toolbox. El software MATLAB es uno de los ms utilizados para entrenamientos con ANFIS, debido a que este se encuentra implementado como parte del toolbox de Lgica Difusa. Este paquete contiene funcionalidades que permiten efectuar el entrenamiento de la red para obtener los valores optimizados de todos sus parmetros modificables. La funcin ANFIS se puede acceder mediante el comando anfis, pasando los parmetros necesarios para el entrenamiento, o por la interfaz grfica anfisedit, disponible para crear, entrenar y probar sistemas borrosos de tipo Sugeno. Adems el toolbox brinda las opciones de crear automticamente el sistema borroso tipo Sugeno a partir de datos de entrenamiento mediante las funciones genfis1 y genfis2, para posteriormente aplicar la funcin ANFIS. La principal ventaja de utilizar el editor ANFIS de MATLAB, es que se puede obtener un sistema difuso ajustado a partir de un conjunto de datos de entrenamiento (pares entrada-salida) y no necesita de un experto humano para su generacin, adems de que permite realizar la validacin de dicho aprendizaje. Se recrea en el entorno MATLAB, mediante la interfaz grfica FIS Editor (ver Figura 2), el sistema borroso Sugeno Grado Cero implementado para evaluar la ejecucin de proyectos. Se toman como entradas indicadores relacionados con reas de conocimiento claves de la gestin de proyectos como podemos observar en la Tabla 2.

Indicador
Evaluacin de la ejecucin del proyecto IRE (ndice de rendimiento de la ejecucin) IRP (ndice de rendimiento de la planificacin) IRC (ndice de rendimiento de los costos) IREF (ndice de rendimiento de la eficacia)

rea de conocimiento de la gestin de proyectos

Gestin de integracin Gestin del cliente y los compromisos Gestin de tiempo Gestin de costos Gestin de alcance y calidad

IRRH (ndice de rendimiento de los recursos Gestin de Recursos Humanos humanos) IRL (ndice de rendimiento de la logstica) Gestin de logstica ICD (ndice de calidad del dato) Consistencia de la informacin Tabla 2. Indicadores claves para la gestin de proyectos.

Para cada uno de los indicadores se establecen tres funciones de pertenencia (para los conjuntos borrosos: bajo, medio, alto), que son de tipo trapecio para las funciones de los extremos y tringulo para la del medio.

Figura 2. Diseo del sistema borroso en MATLAB para los indicadores.

Mediante la interfaz grfica FIS Editor se introducen las reglas declaradas inicialmente por expertos para la evaluacin de la ejecucin de proyectos (ver Figura 3).
7

Figura 3. Edicin de reglas del sistema borroso en MATLAB.

Una vez diseado el sistema borroso, se puede mostrar grficamente el comportamiento de los indicadores con respecto a la evaluacin de la ejecucin del proyecto, mediante el Surface Viewer (ver Figura 4).

Figura 4. Comportamiento de los indicadores IRE e IRP respecto a la Evaluacin de la ejecucin del proyecto.

Finalmente, mediante el entrenamiento y validacin del sistema borroso diseado, se ajustan los parmetros de los conjuntos borrosos de las reglas utilizando los pares entrada-salida esperada (ver Figura 5), pudiendo ver de forma grfica (Figura 6) el diseo del ANFIS empleado en MATLAB.
8

Figura 5. Entrenamiento y validacin del sistema borroso mediante datos de entrada-salida.

Figura 6. ANFIS utilizado para optimizar la evaluacin de la ejecucin de proyectos.

Conclusiones
El presente artculo nos muestra una de diferentes aplicaciones de ANFIS, utilizando MATLAB, en la optimizacin de los parmetros de los conjuntos borrosos para las reglas que evalan la ejecucin y control de Proyectos.
9