Código fuente en C++, Flex y Bison de un proyecto de compiladores (Compilador de Pascal)

Acabo de subir a Github un front-end de un proyecto de compilador de Pascal, basado en la gramática del apéndice del libro de Aho, Sethi y Ullman (el libro del dragón), para fines educacionales.

El proyecto de compiladores tiene el front end implementado con un analizador léxico hecho en Flex, el analizador sintáctico en Bison, y hasta la generación de código intermedio (no está completo) en C++.

Este código lo migré de forma muy rápida de fuentes creados en MS-DOS en 1994, con Borland C++, hacia Linux con g++.

Se incluye un directorio con ejemplos para probar el compilador.  La licencia de uso es la GNU.

El repositorio está en Github, y pueden sacarse forks, clones, etc. del mismo!

Introducción a la Vida Artificial

Hace muchos años, (en 1992) comenzé a escribir una investigación grande sobre el tema de Vida Artificial. Logré contactar por Internet a los principales investigadores sobre el tema, y conseguí bastante información que estaba publicándose en ese momento.  Comenzaba a tener auge, y se consideraba como un tema que iba a resultar en grandes avances.

Casi 20 años después, no se escucha mucho al respecto.  ¿Será un tema que no encontró mayor expansión o aplicabilidad?  ¿Fue víctima de una conspiración?  Tal vez sólo fue un tema que fue "moda"...o tal vez ahora se llama de diferente manera (¿machine learning?).

Voy a comenzar a poner los capítulos que aún tengo, quizás le pueden servir a alguien.

¿Qué es Vida Artificial?

¿Por qué no podemos construir una computadora que piense? ¿Por qué no podemos esperar que máquinas que son capaces de realizar 100 millones de operaciones por segundo puedan comprender el significado de formas geométricas en imágenes, o incluso distinguir entre diferentes tipos de objetos similares? ¿Por qué no podemos esperar que las computadoras aprendan de la experiencia, en vez de repetir ciegamente instrucciones codificadas por un programador humano?

Estas son algunas de las interrogantes que se hacen los ingenieros de sistemas, programadores y diseñadores de computadoras, quienes tratan de crear sistemas cada vez más inteligentes.  Sin embargo, se topan con la limitación del modelo secuencial establecido por John Von Neumann, quien además formuló los primeros conceptos de la Vida Artificial.  A pesar de que las computadoras actuales son extremadamente capaces de llevar a cabo procesos matemáticos complejos y manejar grandes cantidades de datos, existen problemas que no tienen una solución secuencial.  Por esto, la nueva frontera de la computación se está extendiendo, hasta llegar a la tecnología de la Vida Artificial.

La Vida Artificial consiste en la aplicación de métodos y soluciones inspiradas en procesos biológicos encontrados en la naturaleza.  Estas técnicas se han hecho populares en los últimos años; algunas han sido probadas y ya se encuentran trabajando actualmente en el mercado, mientras que otras aún se están desarrollando en los laboratorios de investigación.  Existe un futuro promisorio para estas técnicas en el desarrollo de software nuevo, ya que permitirán atacar problemas de mayor tamaño y complejidad, y lograr soluciones viables para problemas difíciles de computación, como el reconocimiento de imágenes y el procesamiento de entornos virtuales.

Las tecnologías de la Vida Artificial están basadas en los resultados de muchos y diversos campos de investigación y están aplicando ya teorías no comprobadas acerca de algunos fenómenos naturales.  El objetivo común de todos estos métodos es el de resolver problemas que no tienen una solución analítica comprobable, como los resultantes de explosiones combinatorias.  En muchos de los casos, estos problemas tienen solución, pero es difícil de encontrar utilizando computadores secuenciales.

Tecnologías existentes

El reconocimiento por computador de escritura, lenguaje hablado u objetos necesitan del procesamiento en tiempo real de muchas entradas relacionadas entre sí.  Solamente el proceso de rastrear objetos de un cuadro de video al otro necesita de miles de cálculos realizados simultáneamente sobre miles de elementos de imagen (pixels).  Los problemas de control automático también necesitan del manejo de muchas reglas simultáneas.  Los controladores robóticos presentan un problema especial, ya que deben resolver cientos de funciones trascendentales sólo para levantar un dedo de manera precisa.

La predicción y otros métodos estadísticos también requieren del manejo de muchas variables simultáneamente.  Por ejemplo, usar una búsqueda exhaustiva para encontrar el camino óptimo para un vendedor rutero visitando una docena de ciudades lleva más tiempo de computador de lo que vale el ahorro en combustible.  Eso nos lleva a la siguiente pregunta: ¿cómo es posible que seres naturalmente inteligentes resuelvan este problema sin realizar un esfuerzo descomunal?   Hasta una abeja puede generar rutas complejas para visitar flores en el menor tiempo posible, comparables a las generadas por un supercomputador.  Copiando la forma en que la naturaleza resuelve estos problemas se puede lograr la creación de software inteligente, más pequeño, rápido y con menos errores.

El éxito más visible de estas técnicas consiste en la aplicación de redes de neuronas, también conocida como neurocomputación, neoconexionismo y procesamiento paralelo distribuido.  Otras técnicas de la Vida Artificial incluyen algoritmos genéticos, autómata celulares, dinámica caótica, y lógica multivaluada (fuzzy logic).

Muchos de estos métodos copian soluciones encontradas en la naturaleza por medio de una simulación en software del proceso e insertando en la simulación los parámetros de un problema real.  Las redes de neuronas se basan en principios obtenidos de la investigación de la forma en que trabaja el cerebro para modelar procesos de reconocimiento, aprendizaje y planeación.  La lógica multivaluada (fuzzy logic) se asemeja bastante a la forma en que los humanos razonamos, con reglas aproximadas y decisiones de forma si/no/tal vez.  Los algoritmos genéticos toman directamente de la investigación genética, modelando los principios de Darwin sobre la selección natural y la supervivencia del más fuerte.

El regreso de los discos RAM (RAM disks)

Un artículo reciente menciona que es posible mejorar el rendimiento de los Chromebooks con un simple cambio que no toma más de 30 segundos (link).

Al aplicar este cambio, se activa un feature llamado zram dentro de ChromeOS (ChromeOS y Android son Linux, no sé por qué Google trata de ocultar esto), que activa una partición de swap creada en un block device en memoria, que además comprime los bloques para que ofrezca mayor capacidad.

Me pareció un concepto interesante, principalmente por el tema de la compresión de los datos, y veo que puede ser aplicado dentro de Linux y de Android también, resolviendo el problema de las computadoras o handsets que tienen poca memoria RAM.

Esta es una solución que muestra dos conceptos unidos: el RAM disk (que en este artículo mencionan que es para cuando uno tiene más de 6GB de RAM) y la compresión de datos, que resulta entonces en un buen feature para equipos con limitaciones de memoria.

En el caso de Android, el manejador de memoria no puede activar pagineo por demanda, al no contar con almacenamiento secundario de forma permanente.  Esto es principalmente porque las memorias externas pueden ser extraídas en cualquier momento, y además sufren de desgaste por constantes ciclos de lectura y escritura.  Una solución de pagineo hacia la RAM con compresión viene a mejorar el rendimiento de un sistema operativo que su diseño fue orientado hacia el uso de memoria virtual.

Para el caso de iOS, el documento de Memory Usage Performance Guidelines de Apple menciona que no utiliza ningún tipo de swap o pagineo.

Música: The Police Live!
Libro: Ready Player One

Forma simple de transferir contactos de un dispositivo iOS a un Android usando iCloud y Google Contacts

Después de vivir en el mundo iOS, entré a la tierra de Android con una tableta Nexus 7.   Esto más que todo por curiosidad, y para comenzar a desarrollar el tema de sistemas operativos móviles en el curso que doy.

 Voy a documentar una forma rápida de transferir los contactos de un iPhone o iPad hacia cualquier Android:

1) Para comenzar, se necesita que el dispositivo iOS esté sincronizado con iCloud, y que los contactos estén sincronizados hacia iCloud.  Esto se puede hacer desde el iOS 5.

2) Cuando ya los contactos están sincronizados entre el dispositivo iOS e iCloud, entonces se ingresa al web site www.icloud.com y se ingresa con la clave de su Apple ID.

3) En la parte de Contactos de la página web de iCloud, se ingresa y se seleccionan todos los contactos que se quieren transferir (forma rápida para todos: ir al grupo de Todos los Contactos y luego marcarlos todos con shift-click).

4) Luego de marcar los contactos, darle click al ícono de engranaje y luego seleccionar la opción de Exportar a vCard.  Esto creará un archivo que puede descargar en donde desee.  Con esto terminamos la parte de iCloud.

5) Ingresar ahora a su cuenta de Google (Gmail, Plus, etc.).  Al estar dentro, puede abrir otro tab para entrar a http://www.google.com/contacts ya con la información de su cuenta.

6) En la pantalla de Google Contacts, darle click al botón de Más u Opciones y luego seleccionar la opción Importar.   Ingresar el archivo que guardó en el paso 4, y con eso se importarán los contactos a su cuenta de Google.

7) En unos minutos, el dispositivo Android recibirá los contactos en su aplicación interna.

Esta técnica funciona en general para cualquier libreta de contactos/organizador que soporte importar vCards.

La principal desventaja de esta forma es que no sincroniza los contactos.  Es decir que si se agrega un contacto en cualquiera de los dos dispositivos, esto no se copia al otro, sin tener una aplicación adicional.  Hay muchas en los respectivos App Stores, las que generalmente son de pago.