Neurobiology of expectancy effects and omission of reinforcement on behavior

The reinforcement omission effects have been traditionally interpreted in terms of: behavioral facilitation after reinforcement omission induced by primary frustration or behavioral suppression after reinforcement delivery induced by postconsummatory states. The studies reviewed here indicate that amygdala is involved in modulation of these effects. However, the fact that amygdala lesions, extensive or selective, can eliminate, reduce and enhance the omission effects makes it difficult to understand how it is the exact nature of their involvement. The amygdala is related to several functions that depend on its connections with other brain systems. Thus, it is necessary to consider the involvement of a more complex neural network in the modulation of the reinforcement omission effects. The connection of amygdala subareas to cortical and subcortical structures may be involved in this modulation since they also are linked to processes related to reward and expectancy.

Análisis de los componentes de la cadena de suministro y su relación con el desempeño superior de la organización en el sector manufacturero

En este documento se evidencia como el desempeño organizacional de una empresa, entendido como el rendimiento superior de la misma, se ve modificado por las prácticas o metodologías utilizadas, aplicadas e integradas a cada uno de los componentes de la Cadena de suministros. Es así que el propósito principal es demostrar cual es la relación entre los componentes de la Cadena de Suministros y su gestión sobre los rendimientos económicos de la empresa. De esa manera se encontraron múltiples actividades que toman lugar en los procesos característicos de cada uno de los componentes de la cadena de suministros y que al final nos presentan una variabilidad sobre los rendimientos de la empresa. Cabe recalcar que la investigación se realizó con respecto a empresas pertenecientes al sector manufacturero y abarca una buena parte de este. La importancia que tiene la investigación, es el haber entregado como resultado, el conocimiento sobre algunas de las practicas más utilizadas en el sector en cada uno de sus componentes, lo cual hace de la Cadena de suministros, un factor por excelencia para ser tratado e implementado con el fin de alcanzar mayores rendimientos económicos a nivel de empresa. En la investigación se utilizaron los casos de empresas reales tanto nacionales como internacionales y se encontraron situaciones claves que evidenciaban la hipótesis de la relación entre la cadena de suministros y el desempeño organizacional. Es por ello, que si bien es ahora cierto, que las actividades desarrolladas en los componentes de la Cadena de Suministros de las empresas influyen en el incremento de los rendimientos, es importante que las empresas conozcan de esta información para tener una idea de cómo desarrollar ventajas competitivas que los posicionen como empresa y les genere entonces mayores rendimientos, o por el contrario, les genere ahorros en costos y por ende altos beneficios y nuevas inversiones en prácticas que a la larga volverá a la empresa en un organismo eficientes y próspero.

An artificial economy based on reinforcement learning and agent based modeling

In this paper, we employ techniques from artificial intelligence such as reinforcement learning and agent based modeling as building blocks of a computational model for an economy based on conventions. First we model the interaction among firms in the private sector. These firms behave in an information environment based on conventions, meaning that a firm is likely to behave as its neighbors if it observes that their actions lead to a good pay off. On the other hand, we propose the use of reinforcement learning as a computational model for the role of the government in the economy, as the agent that determines the fiscal policy, and whose objective is to maximize the growth of the economy. We present the implementation of a simulator of the proposed model based on SWARM, that employs the SARSA(λ) algorithm combined with a multilayer perceptron as the function approximation for the action value function.