Resumen en español

A medida que se avanza en el desarrollo de la ciudad, aumenta el número de vehículos, accidentes y congestión proporcionalmente. Un sistema de tráfico vehicular se comporta como un sistema a eventos discretos; y debido a las variaciones que influyen en la congestión, su modelo y control se convierten en una tarea compleja. Las Redes de Petri (Petri Nets) son una de las herramientas poderosas para el modelamiento de sistemas de eventos discretos de manera gráfica y matemática. En algunos sistemas existe poca información, datos inexactos y/o cambios permanentes en el modelo del sistema. Esto ha llevado a las técnicas de modelado a trascender a técnicas de adaptación y representación del conocimiento humano mediaste sistemas computacionales bio-inspirados, como las Redes Neuronales (Neural Networks) y la Lógica Fuzzy (Fuzzy Logic). Dichas técnicas son estructuradas en este trabajo como el modelado aproximado mediante el aprendizaje de un sistema concurrente discreto, bajo las redes de Petri Difusas para la representación del conocimiento mediante reglas de inferencia y las Adaptativas para la reacción ante un entorno caótico como un sistema de tráfico vehicular. Abstract It can be observed that the number of vehicles, accidents and congestion increase proportionally with the development of a city. A vehicular traffic system behaves like a discrete event system, and due to variations that affect the level of congestion, modeling and controlling this system becomes a complex task. Petri Nets are one of the most powerful tools for modeling graphically and mathematically. Some systems are characterized by little information, inaccurate data and / or permanent changes with regard to the model of the system, which makes modeling and control difficult. This has led to modeling techniques that apply adaptation techniques and human knowledge representation through bio-inspired computing systems such as Neural Networks and Fuzzy Logic. These techniques will be harnessed in this work in terms of an approximated model for learning in a discrete concurrent system by using Fuzzy Petri Nets to represent knowledge through the application of inference and adaptive rules in a chaotic environment, like it can be found in a traffic system.