La luz del intelecto agente en los principios de la razón práctica según San Alberto Magno

Resumen: La Antigone de Sófocles y el Corpus Hippocraticum delinean ya los rasgos propios del derecho natural. La ética de Aristóteles, luego, ofrece una primera noción explícita del derecho natural, que San Alberto Magno comenta en Super ethica. Sin embargo, en De inventione de Cicerón el teólogo alemán encuentra su definición de derecho natural: “lo que cierta fuerza innata introdujo”. En De bono V q. 1 San Alberto determina los alcances de esta definición y completa una presentación acabada de la noción de derecho natural. También advierte San Alberto que el hombre, con respecto a la ciencia del intelecto práctico, se encuentra doblemente en potencia. Primero, está en potencia de conocer los principios primeros de esta ciencia y, segundo, una vez conocidos éstos, se encuentra en potencia de inferir a partir de ellos las conclusiones de la ciencia práctica. Poseídas estas conclusiones, finalmente, el hombre está en potencia de aplicarlas en la acción práctica. Intrigado por el modo en que los primeros principios son conocidos, San Alberto advierte que el conocimiento de las nociones correspondientes a estos principios sólo accidentalmente debe ser atribuido al descubrimiento o determinación de los nombres con los que llamamos a estos principios. En verdad, es necesaria la intervención de la luz del intelecto agente para llevar al acto el conocimiento de los principios. En este punto el discurso de San Alberto retorna a la definición ciceroniana: aquella fuerza innata que introduce el derecho natural no es otra que la luz del intelecto agente.

El intelecto agente según Capreolo y Cayetano

En este trabajo se estudia la versión del intelecto agente según dos grandes comentadores tomistas del s. XV: Capreolo y Cayetano. El primero sostuvo que el intelecto agente es la misma alma; el segundo, que su realidad es una actividad, que es acto previo a todo otro conocimiento, y que actúa siempre.

Lyprinol : is it a useful anti-inflammatory agent?

The New Zealand green lipped mussel preparation Lyprinol is available without a prescription from a supermarket, pharmacy or Web. The Food and Drug Administration have recently warned Lyprinol USA about their extravagant anti-inflammatory claims for Lyprinol appearing on the web. These claims are put to thorough review. Lyprinol does have anti-inflammatory mechanisms, and has anti-inflammatory effects in some animal models of inflammation. Lyprinol may have benefits in dogs with arthritis. There are design problems with the clinical trials of Lyprinol in humans as an anti-inflammatory agent in osteoarthritis and rheumatoid arthritis, making it difficult to give a definite answer to how effective Lyprinol is in these conditions, but any benefit is small. Lyprinol also has a small benefit in atopic allergy. As anti-inflammatory agents, there is little to choose between Lyprinol and fish oil. No adverse effects have been reported with Lyprinol. Thus, although it is difficult to conclude whether Lyprinol does much good, it can be concluded that Lyprinol probably does no major harm.

Load–frequency control : a GA-based multi-agent reinforcement learning

The load–frequency control (LFC) problem has been one of the major subjects in a power system. In practice, LFC systems use proportional–integral (PI) controllers. However since these controllers are designed using a linear model, the non-linearities of the system are not accounted for and they are incapable of gaining good dynamical performance for a wide range of operating conditions in a multi-area power system. A strategy for solving this problem because of the distributed nature of a multi-area power system is presented by using a multi-agent reinforcement learning (MARL) approach. It consists of two agents in each power area; the estimator agent provides the area control error (ACE) signal based on the frequency bias estimation and the controller agent uses reinforcement learning to control the power system in which genetic algorithm optimisation is used to tune its parameters. This method does not depend on any knowledge of the system and it admits considerable flexibility in defining the control objective. Also, by finding the ACE signal based on the frequency bias estimation the LFC performance is improved and by using the MARL parallel, computation is realised, leading to a high degree of scalability. Here, to illustrate the accuracy of the proposed approach, a three-area power system example is given with two scenarios.