* Lógica difusa: Se ocupa de información imprecisa y vaga. Utiliza funciones de membresía para representar el grado al que pertenece un elemento a un conjunto, en lugar de una clasificación nítida de sí/no. Esto permite modelar el razonamiento humano y las variables lingüísticas.
* redes neuronales: Inspirados en la estructura y función del cerebro humano, estos sistemas aprenden de los datos y se adaptan a entornos cambiantes. Son excelentes para el reconocimiento de patrones, la aproximación y la optimización de funciones.
* razonamiento probabilístico: Incorpora incertidumbre y aleatoriedad utilizando modelos probabilísticos. Esto permite manejar datos ruidosos y tomar decisiones bajo información incompleta. Las redes bayesianas y los modelos de Markov son ejemplos.
* Cálculo evolutivo: Utiliza principios de selección natural y algoritmos genéticos para encontrar soluciones óptimas o casi óptimas a problemas complejos. Esto incluye algoritmos genéticos, programación genética y estrategias evolutivas.
Estos cuatro componentes no son mutuamente excluyentes; A menudo trabajan juntos sinérgicamente. Por ejemplo, un sistema podría usar lógica difusa para preprocesar datos, una red neuronal para el reconocimiento de patrones y un algoritmo genético para optimizar los parámetros de la red.
En resumen, el núcleo de la computación blanda es su tolerancia para la imprecisión y la incertidumbre , y su dependencia de la aproximación y adaptación Para resolver problemas complejos del mundo real donde los métodos tradicionales, precisos pueden ser inadecuados o poco prácticos. Enfatiza la practicidad y la robustez sobre la precisión absoluta.