Algoritmo Gen. Horario

Distribucin ptima de Horarios de Clases utilizando la
tcnica de Algoritmos Genticos
Tesis Profesional
Que para obtener el Ttulo de
Ingeniero en Computacin
Presenta
CARLA LENINCA PACHECO AGERO
Acatlima, Huajuapan de Len, Oaxaca
Agosto, 2000
Tesis Profesional presentada

el 11 de Agosto del 2000
ante los sinodales:
Dr. Juan Carlos Mendoza
Dra. Virginia Berrn Lara
Ing. Francisco Espinoza Maceda
Asesores:
Dr. Carlos A. Coello Coello
Laboratorio Nacional de Inteligencia Artificial
Xalapa, Veracruz
Dr. Manrique Mata Montero
University Memorial of Newfoundland
St. Johns, NF,Canad
M.C. Agustn Santiago Alvarado
Universidad Tecnolgica de la Mixteca
A mis queridos padres, Julio y Antonia,

por su apoyo constante, su confianza y
su inmenso cario.
A Ivn, por su amor incondicional y por

darme nimos durante la realizacin de
este trabajo.
A mis hermanos: Csar, Julio y Mayra,

para que este trabajo les sirva como
estmulo para que alcancen su meta.
A mis sobrinas Tani y Pame por ser los
seres mas puros y maravillosos sobre la
tierra.
Agradecimientos
A mis padres y a Ivn por ser parte fundamental de mi vida y porque gracias
a su apoyo incondicional he logrado mis metas.
Al Dr. Carlos Coello Coello, por su amistad, por compartir su conocimiento
conmigo y brindarme su ayuda durante el desarrollo de este trabajo.
Al Dr. Manrique Mata Montero, por tener la fortuna de contar con su amistad
y apoyo durante el desarrollo de este trabajo.
NDICE
ABSTRACT ...................................................................................................
INTRODUCCIN ...........................................................................................
CAPTULO 1
MTODOS DE OPTIMIZACIN
1.1 Introduccin ....................................................................................
1.2 Mtodo del Gradiente .......................................................................
1.3 Mtodo del hill climbing ....................................................................
1.4 Bsqueda Iterativa ...........................................................................
1.5 Algoritmo Metrpolis ........................................................................
1.6 Recocido Simulado ...........................................................................
1.7 Bsqueda Tab ...............................................................................
1.8 Bsqueda ciega o sin informacin .....................................................
11
1.8.1 Bsqueda primero en anchura .......................................................
11
1.8.2 Bsqueda primero en profundidad ..................................................
11
1.9 Bsqueda Aleatoria ..........................................................................
12
1.10 Algoritmos Genticos y los Mtodos de Optimizacin ........................
13
CAPTULO 2
ALGORITMOS GENTICOS
2.1 Introduccin ...................................................................................
14
2.2 Bases Biolgicas ..............................................................................
16
2.2.1 Reproduccin Sexual ....................................................................
17
2.2.2 Operador de Cruza ......................................................................
20
2.2.3 Operador de Mutacin ..................................................................
20
2.3 Representacin ...............................................................................
21
2.4 Componentes Bsicos ......................................................................
22
2.4.1 Elementos Fundamentales ............................................................
24
2.5 Generacin .....................................................................................
26
2.6 Cundo aplicar un Algoritmo Gentico ...............................................

CAPTULO 3
29
DISEO DEL ALGORITMO GENTICO PARA LA ASIGNACIN DE HORARIOS
3.1 Introduccin ...................................................................................
30
3.2 Planteamiento de la solucin a la asignacin de horarios ....................
31
3.3 Implementacin del Algoritmo Gentico ............................................
33
3.3.1 Entorno de Desarrollo ................................................................
34
3.3.2 Interfaz del Sistema ..................................................................
35
CONCLUSIONES ...........................................................................................
40
REFERENCIAS ..............................................................................................
42
APNDICE A
MANUAL PARA EL USUARIO DEL SISTEMA PARA LA ASIGNACIN DE HORARIOS
Componentes del Sistema ......................................................................
44
Software del AG para la asignacin de horarios .......................................
46
APNDICE B
CDIGO DOCUMENTADO DE LOS PROCEDIMIENTOS Y FUNCIONES MAS

IMPORTANTES DEL SISTEMA
Programa para la asignacin de horarios ................................................
61
ABSTRACT
Elaborar una asignacin de horarios ptimos, es un problema por el que se

atraviesa constantemente en cualquier institucin educativa, sobre todo si su
poblacin de estudiantes crece desproporcionadamente con relacin a su
infraestructura. En el presente trabajo se describe cmo este problema puede ser
resuelto utilizando un Algoritmo Gentico. Esta tcnica ha sido muy utilizada en
problemas similares. En este caso se decidi utilizarla ya que combina rapidez y
eficiencia, produciendo as buenos resultados. Actualmente, esta tcnica de
bsqueda ha alcanzado un impresionante xito debido a que su aplicacin en
problemas de optimizacin no requiere de conocimiento auxiliar sobre el problema.
INTRODUCCION
Bajo el trmino de Tcnicas Heursticas Modernas (Reeves, 1993) se

engloba a un conjunto de tcnicas de bsqueda de soluciones, cuyo
funcionamiento se inspira en procesos naturales. Entre estas tcnicas se
encuentran los Algoritmos Genticos (Holland, 1975), el recocido simulado
(Kirkpatrick, 1982) y la bsqueda tab (Glover, 1989).
Estas tcnicas se caracterizan por ser mtodos que generan soluciones que,
a partir de valores iniciales, emplean un conjunto de mecanismos de bsqueda
para mejorar stas. En los Algoritmos Genticos, estos mecanismos se basan en
los modelos biolgicos de la evolucin propuestos por Charles Darwin, en su libro
"Del origen de las especies por medio de la seleccin natural de 1859, tales como
el mantenimiento de una solucin (poblacin) o la naturaleza probabilstica de
ciertos operadores (seleccin, reproduccin, cruza,....), aunque ciertamente no son
una rplica exacta del modelo de la evolucin.
El objetivo de este trabajo es el de contribuir a optimizar los recursos, tanto

materiales como humanos con que cuenta la Universidad Tecnolgica de la Mixteca
(UTM), misma que fue creada en el ao de 1991 en la regin del mismo nombre
del estado de Oaxaca.
3
Introduccin
Para el ciclo escolar 2000-2001 la UTM cuenta en su infraestructura con 39

aulas, 5 salas de cmputo, 2 laboratorios de electrnica, 3 laboratorio de
alimentos, 1 laboratorio de telecomunicaciones, etc., para un total aproximado de
1200 alumnos, que se encuentran divididos en grupos (de cuarenta estudiantes
como mximo) que requieren como mnimo 5 horas de clase al da. Al hacer una
asignacin de cursos de forma manual para tal cantidad de alumnos, puede
ocasionarse que los horarios sean en muchas ocasiones incompatibles con las
actividades de investigacin de los profesores de la planta docente de la UTM. Por
lo que se pretende que mediante la elaboracin de un Algoritmo Gentico, trabajo
de esta Tesis, se reduzcan los errores que se pueden presentar actualmente en la
asignacin de horarios. Para la realizacin de este algoritmo se deben tomar en
cuenta las siguientes condicionantes:
En las salas de cmputo no deben encontrarse ms de 20 alumnos, por lo que

los grupos que cuenten con ms alumnos debern ser reasignados.
Las clases comienzan a las 08:00 hrs y terminan a las 18:00 hrs, teniendo un
receso de 13:00 hrs a 16:00 hrs.
Las clases de las asignaturas de Matemticas y Fsica debern impartirse en las
primeras horas de clase.
4
Introduccin
El siguiente trabajo de Tesis, comprende un total de cuatro captulos

referentes a diversas reas temticas, dos apndices y un anexo, estructurados de
la siguiente manera:
En el primer captulo se abordan algunos de los mtodos de optimizacin
que existen, as como sus caractersticas. Posteriormente se muestra una
comparacin con los Algoritmos Genticos.
En el segundo captulo se expone la investigacin que se hizo respecto a los
fundamentos y bases biolgicas de los Algoritmos Genticos, as como sus
conceptos bsicos y sus principales componentes.
En el tercer captulo se da una introduccin al problema a resolver as como
la solucin propuesta. Posteriormente se detalla como trabaja el sistema para la
asignacin de horarios mostrando tambin algunos resultados obtenidos
En el cuarto y ltimo captulo se muestran las conclusiones a las que se
lleg despus de realizar este trabajo de Tesis.
Al final de este documento se agregan los apndices A y B, los cules
contienen el manual del usuario y el cdigo de las funciones y procedimientos ms
importantes
del
Algoritmo
Gentico
para
la
asignacin
de
horarios,
respectivamente. Tambin por ltimo se anexa un ejemplo de asignaciones

realizadas por el Algoritmo Gentico, implementado en este trabajo, para los
semestres de Octubre-Febrero y Marzo-Julio.
CAPITULO 1
MTODOS DE OPTIMIZACIN.
1.1
Introduccin.
El trmino optimizacin se refiere a un problema complejo de decisin,

que
incluye
la
seleccin
de
valores
para
cierto
nmero
de
variables
interrelacionadas, centrando la atencin en un solo objetivo diseado para

cuantificar el rendimiento y medir la calidad de la decisin. Este nico objetivo se
maximiza segn las restricciones que pueden limitar la seleccin de valores de las
variables de seleccin. [Luenberger, 1989]
A continuacin se hace una clasificacin de los mtodos de optimizacin,
mencionando brevemente cmo funcionan algunos de ellos.
1.2
Mtodo del Gradiente.
Un nmero de diferentes mtodos de optimizacin se comportan como

funciones continuas que han sido desarrolladas para utilizar informacin del
gradiente de la funcin para guiar la bsqueda del ptimo global. Estos mtodos
6
Mtodos de Optimizacin
como el del gradiente conjugado, que usa la informacin de la funcin objetivo as

como de sus derivadas parciales, tienen algunas desventajas, ya que si la derivada
de la funcin no puede ser computada por el hecho de ser discontinua, el mtodo
tiende a fallar. [Beasley, 1993]
1.3
Mtodo del hill climbing.
Otro mtodo es el denominado comnmente como hill climbing (escalado de

colinas), que no requiere de la informacin de las derivadas de la funcin y que
funciona adecuadamente slo si la funcin contiene un solo mximo (funciones
unimodales). Pero en funciones con muchos mximos (funciones multimodales)
tienden a cometer errores ya que el primer mximo local que encuentren en la
funcin lo toman como si fuera el mximo global de la funcin y por tanto no
continan la bsqueda. Un ejemplo en una sola dimensin se presenta en la figura
1. El escalado comienza en un punto aleatorio X y se mueve en forma ascendente
donde el mximo B es encontrado, por lo tanto los mximos mejores, A y C no
son encontrados. [Beasley, 1993]
Figura 1. Mtodo del escalado de colinas.
7
1.4
Bsqueda Iterativa.
La bsqueda aleatoria combinada con el mtodo del gradiente da como

resultado la bsqueda iterativa. Cada vez que se encuentra un mximo, la
bsqueda comienza de nuevo pero con otro punto escogido al azar. Esta tcnica es
de enorme simplicidad y su desempeo es bueno en funciones que no contengan
muchos mximos locales.
Cada vez que se busca otro punto aleatoriamente, ste es aislado y no se
vuelve a tomar como parte del espacio de bsqueda. Esto significa que al estar
buscando puntos stos pueden encontrarse en regiones donde existan mximos
locales y no globales. [Beasley, 1993]
1.5
Algoritmo Metrpolis.
Este mtodo esta basado en la analoga con el proceso de recocido de

slidos:
Se incrementa la temperatura a una temperatura alta.
Posteriormente se decrementa la temperatura muy lentamente hasta

alcanzar un estado base.
La idea principal de este algoritmo es la siguiente:
Dado un estado inicial i, con energa Ei,

Genera un nuevo estado j mediante un mecanismo de perturbacin (pequea
distorsin del estado i).
Calcula la energa del estado Ej.
Si ( E j Ei ) 0 entonces acepta el estado j como nuevo.
E Ej
donde T denota la
Si no, acepta el estado con probabilidad exp i
K B .T
temperatura y KB la constante de Boltzmann.
B
8
Si se baja la temperatura lentamente se puede alcanzar el equilibrio trmico

en cada temperatura. Esto se hace mediante la generacin de varias transiciones
en cada temperatura.
El equilibrio trmico est caracterizado por la distribucin de Boltzmann. La
distribucin da la probabilidad de que el slido est en el estado i con energa Ei a
temperatura T y est dada por:
PT {X = i} =
Ei
1
exp
Z (T )
K BT
Donde X es la variable estocstica que denota el estado actual del slido y
Z(T) es la funcin de particin definida como:

Ej
.[Morales, 1999]
Z (T ) = exp
K
T
j
B
1.6
Recocido Simulado.
Esta tcnica fue inventada por Kirkpatrick en 1982, est basada en el

algoritmo Metrpolis propuesto en 1953 y es esencialmente una variacin del hill
climbing. Kirkpatrick introdujo los conceptos de recocido dentro del mundo de la

optimizacin combinatoria. Comienza con la bsqueda de un punto escogido
aleatoriamente y posteriormente con un movimiento aleatorio. Si el punto
encontrado es uno de los mximos, entonces es aceptado. Si el punto es un
mnimo entonces es aceptado con probabilidad p(t), donde t es el tiempo. El valor
inicial de la funcin p(t) es muy cercano a uno y gradualmente se va acercando a
cero; esto es anlogo al enfriamiento de un slido.
Inicialmente
cualquier
movimiento
es
aceptado,
pero
conforme
la
temperatura se va reduciendo, la probabilidad de aceptar un movimiento negativo

es mnima. Algunas veces los movimientos negativos son esenciales sobre todo si
no se ha encontrado el mximo global, aunque obviamente muchos movimientos
negativos
pueden
desviarnos
la
bsqueda
del
ptimo
global.
9
Al igual que la bsqueda aleatoria, el recocido simulado trata con una

solucin el mismo tiempo, esto ocasiona que no se vaya construyendo la figura a
partir del espacio de bsqueda. La informacin de movimientos previos no es
guardada para guiar los nuevos movimientos. Esta tcnica est en constante
actividad de investigacin (recocido rpido, recocido paralelo, etc.). [Beasley,
1993]
1.7
Bsqueda Tab (BT).
La BT es un procedimiento heurstico de "alto nivel" introducido y

desarrollado en su forma actual por Fred Glover (1989) y (1990).
En trminos generales el mtodo de BT puede resumirse de la siguiente
manera: Se desea moverse paso a paso desde una solucin factible inicial de un
problema de optimizacin combinatoria hacia una solucin que proporcione el valor
mnimo de la funcin objetivo C. Para esto se puede representar a cada solucin
por medio de un punto s (en algn espacio) y se define una vecindad N(s) para
cada punto s como un conjunto de soluciones adyacentes a la solucin s.
El paso bsico del procedimiento consiste en empezar desde un punto
factible s y generar un conjunto de soluciones en N(s), de estas se elige la mejor
s* y se posiciona en este nuevo punto ya sea que C(s*) tenga o no mejor valor
que C(s).
Hasta este punto se est cercano a las tcnicas de mejoramiento local a
excepcin del hecho de que se puede mover a una solucin peor s* desde s.
La caracterstica importante de la BT es precisamente la construccin de
una lista tab T de movimientos: aquellos movimientos que no son permitidos
(movimientos tab) en la presente iteracin. La razn de esta lista es la de excluir
los movimientos que nos pueden regresar a algn punto de una iteracin anterior.
Ahora bien, un movimiento permanece como tab slo durante un cierto nmero
10
de iteraciones, de forma que se tiene que T es una lista cclica donde para cada
movimiento s a s* el movimiento opuesto s* a s se adiciona al final de T donde el
movimiento ms viejo en T se elimina. Las condiciones tab tienen la meta de
prevenir ciclos e inducir la exploracin de nuevas regiones. Pero esto no
representa que las restricciones tab no sean inviolables bajo toda circunstancia.
Cuando un movimiento tab proporciona una solucin mejor que cualquier otra
previamente encontrada, su clasificacin tab puede eliminarse. La condicin que
permite dicha eliminacin se llama criterio de aspiracin.
Es as como las restricciones tab y el criterio de aspiracin de la BT, juegan
un papel dual en la restriccin y gua del proceso de bsqueda. Las restricciones
tab, permiten que un movimiento sea admisible si no est clasificado como tab,
mientras que si el criterio de aspiracin se satisface, permite que un movimiento
sea admisible aunque este clasificado como tab.
En la BT tres aspectos merecen nfasis:
1. El uso de T proporciona la "bsqueda restringida" de elementos de la
aproximacin y por lo tanto las soluciones generadas dependen crticamente de la
composicin de T y de la manera como se actualiza.
2. El mtodo no hace referencia a la condicin de optimalidad local, excepto
implcitamente cuando un ptimo local mejora sobre la mejor solucin encontrada
previamente.
3. En cada paso se elige al "mejor" movimiento.
Para problemas grandes, donde las vecindades pueden tener muchos
elementos, o para problemas donde esos elementos son muy costosos de
examinar, es de importancia aislar a un subconjunto de la vecindad, y examinar
este conjunto en vez de la vecindad completa. Esto puede realizarse en etapas,
permitiendo al subconjunto de candidatos expanderse si los niveles de aspiracin
no se encuentran. [Gutirrez, 1999]
11
1.8
Bsqueda ciega o sin informacin.
El orden en que la bsqueda se realiza no depende de la naturaleza de la

solucin buscada. La localizacin de la meta(s) no altera el orden de expansin de
los nodos. [Morales, 1999].
1.8.1 Bsqueda Primero en Anchura.

Explora progresivamente en capas del grafo de una misma profundidad. La
bsqueda primero en anchura es una bsqueda completa (encuentra una solucin
si existe) y ptima (encuentra la solucin ms corta) si el costo del camino es una
funcin que no decrece con la profundidad del nodo. Pero tiene dos desventajas:
requiere de mucha memoria, ya que bsicamente tiene que guardar la parte
completa de la red que est explorando y la segunda es que en bsquedas de
complejidad exponencial no se puede utilizar.
La bsqueda en amplitud trabaja de la siguiente forma, si se tiene un factor
de arborescencia de b y la meta est a profundidad d, entonces el mximo nmero
de nodos expandidos antes de encontrar una solucin es: 1 + b + b 2 + b3 + .... + b d .
[Morales, 1999]
1.8.2 Bsqueda primero en profundidad.

Esta bsqueda siempre expande uno de los nodos a su nivel ms profundo y
slo cuando llega a un camino sin salida se regresa a niveles menos profundos.
Aqu cada nodo que es explorado genera todos sus sucesores antes de que
otro nodo sea explorado. Despus de cada expansin el nuevo hijo es de nuevo
seleccionado para expansin.
12
Si no se puede continuar, se regresa al punto ms cercano de decisin con

alternativas no exploradas.
Esta bsqueda necesita almacenar un solo camino de la raz a una hoja
junto con los hermanos'' no expandidos de cada nodo en el camino.
Por lo que con un factor de arborescencia de b y profundidad mxima de m,
su necesidad de almacenamiento es a los ms bm.
Su complejidad en tiempo (cunto se tarda) es O(bm) en el peor de los
casos.
Para problemas con muchas soluciones la bsqueda en profundidad puede
ser ms rpida que de amplitud porque existe una buena posibilidad de encontrar
una solucin despus de explorar una pequea parte del espacio de bsqueda
La desventaja de la bsqueda en profundidad es que en situaciones donde
los rboles de bsqueda tienen una profundidad muy grande puede caerse en
ciclos infinitos. [Morales, 1999]
1.9
Bsqueda aleatoria.
La bsqueda aleatoria basa su trabajo en el uso de nmeros aleatorios para

encontrar puntos mnimos. Desde que las libreras de los programas de las
computadoras tienen generadores de nmeros aleatorios, esta bsqueda puede
ser utilizada convenientemente. Algunas de las ventajas de esta bsqueda
aleatoria son:
Esta bsqueda puede trabajar adecuadamente an si la funcin objetivo
es discontinua y no diferenciable en alguno de sus puntos.
La bsqueda aleatoria puede ser usada para encontrar el mnimo global
an cuando la funcin posea varios mnimos relativos.
Esta bsqueda se puede aplicar cundo otros mtodos tienden a fallar al
presentarse dificultades como: funciones con variaciones muy marcadas
y funciones con regiones planas. [Rao, 1996]
13
1.10 Algoritmos Genticos y los Mtodos de optimizacin

tradicionales.
La siguiente tabla muestra una breve comparacin a modo de resumen de
las caractersticas que poseen los Algoritmos Genticos, con respecto a otros
mtodos de optimizacin. [Goldberg, 1989]
Algoritmos Genticos
Mtodos de optimizacin
tradicionales.
Trabajan con parmetros codificados, Trabajan con los parmetros mismos.

es decir que deben codificarse como
cadenas de longitud finita sobre
algn alfabeto infinito.
Utilizan poblaciones de puntos, es Operan sobre puntos individuales, ya
decir que se usa una base de datos
que sus movimientos en el espacio de
de puntos simultneamente, de tal
bsqueda se hacen de un punto a
forma que la probabilidad de quedar
otro
usando reglas de transicin
atrapados en ptimos locales se
determinstica. Esto puede ocasionar
reduce.
que se encuentren ptimos locales en
lugar de ptimos globales.
No necesitan conocimientos auxiliares Requieren de mucha informacin
sobre el problema ya que usan
auxiliar para trabajar adecuadamente.
informacin de la funcin de
evaluacin con respecto a los
cromosomas.
Utilizan
reglas
probabilsticas.
de
transicin Usan reglas determinstica.
14
CAPITULO 2
ALGORITMOS GENTICOS.
2.1 Introduccin
Una de las caractersticas ms notables de la Naturaleza es la existencia de
organismos
adaptados
para
la
supervivencia
ecosistema, incluso en los ms inhspitos.
en
prcticamente
cualquier
La importancia de este hecho se
manifiesta cuando se considera que el medio ambiente se encuentra sometido a

continuos cambios, lo cual motiva que ciertas especies se extingan y otras
evolucionen y adquieran preponderancia gracias a su adaptacin a la nueva
situacin.
Basndose en estos principios, muchos investigadores han intentado
trasladar dichos principios al campo de la algoritmia, con el objetivo de obtener
sistemas con caractersticas anlogas. De aqu, que en los ltimos aos, la
comunidad cientfica internacional haya mostrado un creciente inters en una
nueva tcnica de bsqueda de soluciones basada en la Teora de la Evolucin y
que se conoce como Algoritmo Gentico (AG).
15
Algoritmos Genticos
Esta tcnica se basa en los mecanismos de seleccin que utiliza la

naturaleza, de acuerdo a los cuales los individuos ms aptos de una poblacin son
los que sobreviven al adaptarse ms fcilmente a los cambios que se producen en
su entorno. Estos cambios se efectan en los genes 1 de un individuo, y sus
atributos ms deseables, es decir los que le permiten adaptarse mejor a su
entorno, se transmiten a sus descendientes cuando ste se reproduce
sexualmente. [Coello, 1995]
Los AGs son procedimientos de bsqueda basados en el mecanismo de
seleccin natural, lo que permite que la exploracin de posibles soluciones en el
espacio de bsqueda sea mayor que si se utilizaran mtodos tradicionales.
[Goldberg, 1999]. Estos algoritmos fueron desarrollados por John H. Holland 2 en
1960 para resolver problemas de aprendizaje de mquina (machine learning).
En un AG se define una estructura de datos que admite todas las posibles
soluciones a un problema. Cada uno de los posibles conjuntos de datos admitidos
por esa estructura ser una solucin al problema. Unas soluciones sern mejores,
otras peores.
Solucionar el problema consiste en encontrar la solucin ptima, y por
tanto, los AGs son en realidad un mtodo de bsqueda. Pero un mtodo de
bsqueda muy especial, en el que las soluciones al problema son capaces de
reproducirse entre s, combinando sus caractersticas y generando nuevas
soluciones.
En cada ciclo se seleccionan las soluciones que ms se acercan al objetivo
buscado, eliminando el resto de las soluciones. Las soluciones seleccionadas se
reproducirn entre s, permitiendo de vez en cuando alguna mutacin o
modificacin al azar durante la reproduccin. [Gascn De la Herrn, 1999a]
Se denomina gene o gen a cualquier posicin a lo largo de una cadena que representa a un
individuo.
2
John Holland. Investigador de Universidad de Michigan, propuso los Algoritmos Genticos como
una tcnica de bsqueda. [Holland, 1975]
1
16
Algoritmos Genticos
Los AGs son programas de computadora que desarrollan diferentes patrones

de la seleccin natural para poder resolver problemas muy complejos, en los
cuales se desconoce la solucin ptima global. Estos algoritmos hacen posible que
se puedan explorar grandes espacios de posibles soluciones para un problema.
Su funcionamiento est regido por dos procesos bsicos: la seleccin natural
y la reproduccin sexual. El primero es la conexin entre los cromosomas 3 y la
capacidad de sobrevivencia de sus estructuras decodificadas. Esto contribuye a
que los cromosomas que codifican estructuras aptas se reproduzcan con ms
frecuencia que los que codifican estructuras poco aptas, as se determina que
miembros de la poblacin sobreviven para poder reproducirse, y el segundo,
asegura la recombinacin de genes de los progenitores. [Holland, 1992]
2.2
Bases Biolgicas.
La evolucin de los seres vivos es un proceso extremadamente complejo y

fascinante. A lo largo de la historia se ha tratado de explicar el funcionamiento del
mismo mediante diversas teoras. Una de ellas es el Maltusianismo que menciona
que dada la elevada tasa geomtrica de reproduccin de todos los seres orgnicos,
su nmero tiende a crecer de manera exponencial. Dado que los alimentos,
espacio fsico, etc. no lo hacen en la misma proporcin, nacern muchos ms
individuos de los que es posible que sobrevivan, y en consecuencia, generalmente
se recurre a la lucha por la sobrevivencia, ya sea con individuos de la misma
especie o de especies distintas, o simplemente con el entorno, intentando
modificar sus caractersticas adversas. De aqu que un individuo, si acta de un
modo provechoso para l, tendr una mayor probabilidad de sobrevivir, y ser
seleccionado naturalmente. [Malthus, 1860]
En biologa son elementos orgnicos para codificar la estructura de los seres vivos, en el contexto
de los AGs es una estructura de datos que contiene una cadena de genes.
17
Algoritmos Genticos
La teora de la seleccin de las especies sostiene que aquellos individuos de

una
poblacin
que
posean
las
caractersticas
ms
ventajosas
dejarn
proporcionalmente ms descendencia en la siguiente generacin; y si tales

caractersticas se deben a diferencias genticas, que pueden transmitirse a los
descendientes, tender a cambiar la composicin gentica de la poblacin,
aumentando el nmero de individuos con dichas caractersticas. De esta forma, la
poblacin completa de seres vivos se adapta a las circunstancias variables de su
entorno. El resultado final es que los seres vivos tienden a perfeccionarse en
relacin con las circunstancias que los envuelven. [Darwin, 1859]
Las bases de un AG son: la gentica, la reproduccin sexual y las
mutaciones. Aunque los AGs estn inspirados en las ideas biolgicas de la teora de
la evolucin, esto no quiere decir que sean una rplica del modelo exacto de la
evolucin.
En un algoritmo gentico se establece una relacin entre cada una de las
posibles soluciones a un problema, y un cdigo gentico, patrn o cadena de
informacin, que de alguna forma las representa. Este cdigo gentico podr sufrir
mutaciones, transmitirse a la descendencia y combinarse con otros mediante
reproduccin sexual. El cdigo es seleccionado naturalmente decidiendo si se
mantiene o no en el sistema. Tambin puede ser evaluado cuantitativamente,
asignndole un peso.
2.2.1 Reproduccin Sexual.

En la reproduccin sexual, la informacin gentica de ambos progenitores
se combina generndose el cdigo gentico de un nuevo individuo. Adems, existe
una cierta probabilidad de que en este proceso se produzca alguna mutacin
(variacin al azar) del material gentico resultante.
18
Algoritmos Genticos
La reproduccin sexual tiene la ventaja de que combina dos (o ms)

bloques de genes que ya han probado su efectividad, de manera que es posible
que el patrn resultante herede las caractersticas deseables en ambos
progenitores, en cuyo caso ser seleccionado, aumentando la existencia de dichas
caractersticas en la poblacin. Lo ms sencillo es que el patrn represente
directamente una solucin. Sin embargo, muchas veces esto no es posible.
En los seres vivos, los genes, ms que determinar directamente las
caractersticas que definen un nuevo individuo, definen un conjunto de reglas de
desarrollo que, aplicadas y combinadas, provocarn dichas caractersticas. Para
ello, la dotacin gentica, que existe en todas las clulas de cada ser vivo, controla
la realizacin de ciertas reacciones qumicas, de manera que los genes son los que
determinan, pero no directamente, la constitucin y comportamiento de dicho
individuo. [LBS, 1999]
El operador de reproduccin sexual puede ser implementado en un
algoritmo de diferentes formas. Sin embargo la forma ms fcil es la tcnica
conocida como la rueda de la ruleta. En esta tcnica cada cadena de la poblacin
est representada como una porcin de la rueda, de acuerdo con su evaluacin.
Posteriormente se gira la rueda y se escogen nmeros al azar. La cadena
seleccionada ser aquella cuya evaluacin sea mayor o igual al nmero aleatorio.
Posteriormente cada cadena seleccionada para ser reproducida, es replicada
exactamente. Esto se puede ver claramente con el siguiente ejemplo:
Consideremos una poblacin inicial de cuatro cadenas:
01101
11000
01000
10001
19
Algoritmos Genticos
Al aplicarles la funcin de aptitud (que puede verse como una caja negra),
arroja los siguientes valores:
No.
Cadena
Aptitud
% del Total
01101
169
14.4
11000
576
49.2
01000
64
5.5
10011
361
30.9
1170
100.0
Sumando las aptitudes de todas las cadenas obtenemos un total de 1170

puntos. Los porcentajes correspondientes de las cadenas pueden verse de la
siguiente forma en la rueda de la ruleta:
Figura 1. Reproduccin simple utilizando la rueda de la ruleta, donde cada cadena es representada
segn el valor del % de la aptitud.
Para la reproduccin, en este ejemplo la cadena nmero 1 tiene una aptitud

de 169, la cual representa el 14.4% del total del mismo. Como resultado, la
cadena 1 est representada en la rueda como el 14.4% de ella, es decir la
probabilidad de que esta cadena sea seleccionada para la reproduccin es de
0.144. Durante esta fase a las cadenas seleccionadas se les hace una copia
idntica.
20
Algoritmos Genticos
Estas nuevas cadenas sern una poblacin de padres a la cul se le aplicar

el operador de cruza.
2.2.2 Operador de Cruza.

Este operador es fundamental en la evolucin, ya que efecta el intercambio
de material gentico entre los individuos de una poblacin. Este operador es lo que
diferencia a los AGs de otros algoritmos. En un AG la cruza simple recombina el
material gentico de dos cromosomas para crear descendientes. Esta operacin
involucra dos pasos: 1) las cadenas de la nueva poblacin son apareadas
aleatoriamente, 2) cada par de cadenas experimentan un corte aleatorio e
intercambian ese material gentico entre ellas. La figura 2 muestra un ejemplo del
operador de cruza. [Goldberg, 1989]
Figura 2. Operador de cruza, usando un punto de cruza escogido al azar.
2.2.3 Mutacin.
Permite que las poblaciones se vuelvan heterogneas, conservando as una
diversidad que mantiene constante el proceso de evolucin. Una mutacin consiste
en seleccionar aleatoriamente un cromosoma, posteriormente se escoge un gen al
azar y se cambia el valor de este gen.
21
Algoritmos Genticos
2.3
Representacin.
En un AG tradicional una solucin al problema puede considerarse como un

cromosoma. La representacin tradicional usada es el esquema binario en el cual
un cromosoma es una cadena de la forma (a1, a2,..., ak), donde a1, a2,..., ak se
denominan alelos y stos pueden tomar el valor de cero o uno.
Existen muchas razones por las cuales la codificacin binaria es la ms
utilizada. La mayora de ellas se refieren al trabajo desarrollado por Holland, ya
que compar dos representaciones diferentes que tuvieran aproximadamente la
misma capacidad de acarreo de informacin, pero de ellas, una tena pocos alelos
y cadenas largas y la otra tena un nmero grande de alelos y cadenas cortas.
Holland argument que la primera opcin permita un grado ms elevado de
paralelismo implcito porque permite la creacin de ms esquemas. Un esquema es

una plantilla que describe un subconjunto de cadenas que comparten ciertas
similitudes en algunas posiciones a lo largo de su longitud. [Holland, 1992]
El hecho de tener ms esquemas favorece la diversidad e incrementa la
posibilidad de que se formen buenos bloques constructores (porcin de un
cromosoma que le produce una aptitud elevada a la cadena en la cual est
presente) en cada generacin, lo que en consecuencia mejora el desempeo del
AG.
El paralelismo implcito, se refiere al hecho de que mientras el AG calcula las
aptitudes de los individuos en una poblacin, calcula de forma implcita las
aptitudes promedio de un nmero mucho ms alto de cadenas cromsomicas a
travs del clculo de las aptitudes promedio observadas en los bloques
constructores que se detectan en la poblacin.
22
Algoritmos Genticos
Por lo tanto, es preferible contar con muchos genes que tengan pocos alelos
posibles que contar con pocos genes con muchos alelos posibles. Esto tiene una
justificacin biolgica, ya que en gentica es ms usual tener cromosomas con
muchas posiciones y pocos alelos por posicin que pocas posiciones y muchos
alelos por posicin. [Coello, 1999]
2.4
Componentes Bsicos.
Un AG, como se ha dicho antes, es un proceso probabilstico e iterativo que

opera sobre un conjunto P de individuos (poblacin), cada uno de los cuales
contiene uno o ms cromosomas. Dichos cromosomas permiten que cada individuo
represente una posible solucin al problema que se est considerando. Un proceso
de codificacin-decodificacin () permite obtener la solucin que los cromosomas
de
cada
individuo
contienen.
Inicialmente,
esta
poblacin
es
generada
aleatoriamente.
Cada uno de los individuos de la poblacin recibe, a travs de una funcin
de evaluacin de la aptitud (fitness (F)), una medida de su comportamiento con
respecto al problema a resolver. Este valor es utilizado por el algoritmo para guiar
la bsqueda.
23
Algoritmos Genticos
El proceso completo de un AG se muestra en la figura 3.
Figura 3. Proceso que efecta un Algoritmo Gentico
Como puede apreciarse, el algoritmo est estructurado en tres fases

principales que se ejecutan de manera circular: seleccin (), reproduccin (x ,
m) y el reemplazo(), las cuales se llevan a cabo de manera repetitiva. Cada una

de las iteraciones del algoritmo se denomina ciclo reproductivo bsico o
generacin. Este proceso se realiza hasta que se alcanza un determinado criterio
de terminacin.
Durante la fase de seleccin se crea una poblacin temporal P, en la que
aquellos individuos ms aptos (los correspondientes a las mejores soluciones
contenidas en la poblacin) estarn representados un mayor nmero de veces que
los pocos aptos (principio de seleccin natural). A los individuos contenidos en esta
poblacin temporal se les aplican los llamados operadores reproductivos. El
objetivo de esta fase es producir individuos con nuevas caractersticas, idealmente
mejores (principio de adaptacin).
24
Algoritmos Genticos
Finalmente, durante la fase de reemplazo, se substituyen individuos de la

poblacin inicial por los nuevos individuos creados. Este reemplazo afecta a los
peores individuos y tiende a conservar a los mejores (supervivencia de los mejor
adaptados). Todo este proceso se sigue hasta alcanzar el objetivo deseado.
2.4.1 Elementos Fundamentales.

Un AG puede ser definido como una tupla AG (, , f, I, S, R, X, Kx, M,
Km,), donde cada componente tiene el significado que a continuacin se indica:
y son los elementos del alfabeto empleado para construir cromosomas y la
longitud de los mismos. Dichos cromosomas forman el espacio de genotipos 4 .
En su forma ms convencional, el alfabeto es binario (={0,1}).
f es la funcin de evaluacin que relaciona los cromosomas con el
comportamiento de las soluciones que representan.
I es el operador de inicializacin, responsable de generar los individuos que
formarn parte de la poblacin inicial. Usualmente estos individuos se generan
en forma aleatoria.
S es el denominado operador de seleccin. Su misin es determinar cules de
los cromosomas presentes en la poblacin pasan a la fase reproductiva. Dicha
seleccin est guiada por los valores de la evaluacin de estos cromosomas, de
manera que aquellos que tengan una evaluacin mayor tendrn una mayor
probabilidad de ser seleccionados.
El genotipo es la cadena cromosmica utilizada para almacenar la informacin contenida en un

individuo.
25
Algoritmos Genticos
Un mecanismo utilizado para realizar esta seleccin es el que est en

funcin de la proporcin de la contribucin de cada individuo a la aptitud total de
la poblacin. Para esto se realiza una seleccin aleatoria en la que el individuo i-
simo cuya evaluacin es fi y tiene una probabilidad pi de ser seleccionado

calculada como
pi =
fi
N
para toda i =1,...., N

R es el operador de reemplazo. Su misin es formar una nueva poblacin a
partir de la ya existente y de los individuos creados durante la fase reproductiva.
X es el operador de cruza y Kx sus parmetros. La misin de este operador es
producir soluciones a partir de las ya existentes. Este operador es una funcin
de la forma
X : G k1 K x
G k 2
Dnde G es el espacio de cromosomas y Gk1, Gk2 son los cromosomas que

se cruzaran entre s.
M es el operador de mutacin y KM su parmetro. La misin de este operador es
producir nuevas soluciones a partir de la modificacin de un cierto nmero de
posiciones de una solucin ya existente. La mutacin se representa como
M : G KM
G
En las versiones clsicas del operador, KM indica la proporcin de posiciones
de la cadena que sufrirn modificacin. Esta modificacin es necesaria para
introducir nuevo material gentico a la poblacin.
26
Algoritmos Genticos
es el criterio de terminacin que determina cundo se debe
concluir la
ejecucin del algoritmo. Este puede ser:
Finalizar la ejecucin tras realizar un nmero mximo de evaluaciones de

la funcin objetivo.
Finalizar la ejecucin cuando tras de un determinado nmero de

iteraciones no se ha obtenido ninguna mejora global de la solucin.
Finalizar la ejecucin cuando se obtiene una solucin cuya calidad se

estima suficiente.
2.5
Generacin.
Los mecanismos que ligan a un AG con el problema a resolver son: la
codificacin del problema en un cromosoma y la funcin de evaluacin 5 . Esta

ltima es esencial en procesos de optimizacin. La operacin bsica de un AG es
muy simple: (a) Mantener una poblacin de soluciones para un problema, (b)
Seleccionar las mejores soluciones y recombinarlas entre s, y (c) Usar a los
progenitores para reemplazar aquellas soluciones menos convenientes.
El proceso de seleccin y combinacin se lleva a cabo a travs de
reproduccin sexual y mutacin. Generalmente esto nos conduce a soluciones
mejores que las originales, y frecuentemente a soluciones mejores que las
propuestas por otros mtodos. [Goldberg, 1999]
En general una funcin de evaluacin tiene como entrada un cromosoma y como salida un
nmero o una lista de nmeros que representan el funcionamiento del cromosoma del problema a
ser resuelto. [Goldberg, 1989]
5
27
Algoritmos Genticos
Los pasos que realiza un algoritmo gentico son:

1. Se genera un conjunto de soluciones vlidas al problema. Cada
una de estas entidades representa una solucin distinta a un
mismo problema. Estas entidades se pueden generar al azar.
Tambin se pueden generar a partir de soluciones ya conocidas
del problema, que se pretendan mejorar, o mediante posibles
"pedazos
de
soluciones"
(ms
conocidos
como
bloques
constructores). Es decir, con lo que creemos que pueden ser

elementos componentes de la solucin final aunque no sepamos
cmo combinarlos.
2. Se evalan las soluciones existentes, y se decide, en funcin de
esta evaluacin, dos cosas. Por una parte, cules soluciones van a
sobrevivir y cules no; y por otra, cules se van a reproducir y
cules no. En el caso de reproducirse, se especifica la capacidad
reproductora de la solucin, de forma que es posible decidir que
unas soluciones se reproduzcan ms que otras.
3. Tal como se ha establecido en el paso anterior, se eliminan ciertas
soluciones y se mantienen otras, y se efecta la reproduccin o
recombinacin de genes (normalmente por parejas) de las
entidades existentes. Por ejemplo, se realizan cruzas de patrones
a partir de cierto punto elegido al azar, de forma que los nuevos
patrones posean un segmento de cada uno de los progenitores.
4. Se efectan mutaciones (cambios al azar en los genes) de los
nuevos patrones, segn una tasa determinada.
28
Algoritmos Genticos
5. Regresa al paso 2 hasta que se cumpla el criterio de parada, que

puede ser por ejemplo, que el peso o propiedad de la mejor
entidad supere cierto valor. [Gascn, 1999]
Esto puede ejemplificarse mejor con el pseudocdigo fundamental de un
AG:
BEGIN /*Comienzo del algoritmo gentico */
Generacin de la poblacin inicial
Cmputo de la aptitud de cada individuo
WHILE NOT finalice DO
BEGIN /*Produce una nueva generacin */
FOR (Tamao de la poblacin)/2 DO
BEGIN /*Ciclo reproductivo */
Selecciona dos individuos de la poblacin anterior para realizar la
cruza.
/* Preferencia para los individuos de mayor aptitud */
Se recombinan los dos individuos para generar dos descendientes.
Cmputo de la aptitud de los descendientes.
Se insertan los descendientes en la nueva poblacin.
END
IF poblacin converge THEN
Finalice := TRUE
END
END
29
Algoritmos Genticos
2.6
Cundo Aplicar Un Algoritmo Gentico.
La aplicacin ms comn de los AGs ha sido la solucin de problemas de

optimizacin, en donde han mostrado ser muy eficientes y confiables. Sin embargo
no todos los problemas pueden ser apropiados para esta tcnica, por lo que se
deben tomar en cuenta las siguientes caractersticas antes de usar este mtodo de
solucin:
El espacio de bsqueda (posibles soluciones) del problema a
resolver debe estar delimitado dentro de un cierto rango.
Debe poder definirse una funcin de aptitud que indique que tan
buena o mala es una respuesta dada.
Las soluciones deben codificarse de una forma que resulte
relativamente fcil de implementar en una computadora.
No debe existir un algoritmo determinstico o heurstico eficiente y
confiable para resolver el problema.

El AG nicamente maximiza, pero la minimizacin puede realizarse
utilizando el recproco de la funcin de maximizacin. [Goldberg, 1999]
30
CAPITULO III
DISEO DEL ALGORITMO GENTICO PARA LA ASIGNACIN DE

HORARIOS.
3.1 Introduccin.
a elaboracin de horarios consiste en asignar ptimamente tiempos y

lugares a los diferentes cursos que son impartidos en una Institucin
Educativa,
con
el
objetivo
de
satisfacer
algunas
restricciones
importantes que se presenten, como son el nmero limitado de aulas, de

laboratorios, de salas de cmputo, de espacios entre un curso y otro, etc. La
principal restriccin (central en toda asignacin de horarios), es que no existan
choques, es decir que dos o ms cursos que esperan recibir los estudiantes o
impartir los profesores no sean asignados simultneamente.
31
Diseo del Algoritmo Gentico para la Asignacin de Horarios
3.2
Planteamiento de la solucin a la asignacin de horarios.
El elemento bsico de cualquier asignacin de horarios es un conjunto de

cursos o materias C={C1, C2, C3, C4,......., Cm}, donde cada elemento de C requiere
que se le asigne un lugar y un tiempo.
Las aulas con que cuenta la Universidad pueden ser vistas como un
conjunto de casillas que estn disponibles las 7 horas al da (de las 08:00 a las
13:00 hrs y de las 16:00 a las 18:00 hrs) de Lunes a Viernes, esto da como
resultado un total de 7n_aulas (donde n_aulas representa el nmero total de
aulas)
espacios
disponibles
para
asignarles
los
cursos
correspondientes.
Suponiendo que cada curso tiene una leccin diaria por cada da de la semana,
tendramos 1 7 n _ aulas
espacios disponibles, en el caso particular de la
Universidad Tecnolgica de la Mixteca esto se debe a que la leccin del curso que
se imparte el da Lunes a una determinada hora ser el mismo que en los dems
das de la semana.
De esta manera la calendarizacin de los m cursos es una funcin que
mapea a cada curso con un espacio disponible.
Inicialmente se crea al azar cierto nmero de funciones. Cada una de estas

funciones asigna al conjunto {C1, C2, C3,.., Cm} al codominio de espacios
disponibles denominado {E0,, ..., E7n_aulas}. A estas funciones las llamaremos F1,...,
Fk , donde k es un nmero entero positivo.
33
Esto puede verse mejor en la siguiente figura:
Figura 4. Correspondencia entre los cursos a impartir y los espacios disponibles,

determinada por la funcin
Fi0 para algn io {1,..., k}.
Despus de que se han creado las funciones se determina la aptitud de

cada funcin, es decir, qu tan buena es la calendarizacin que cada funcin
representa. Esto se hace de la siguiente forma: para cada funcin debemos de
determinar cuantos choques les causa la calendarizacin a los estudiantes. Puesto
que sabemos cules son los cursos que cada estudiante debe recibir, entonces
tomamos los cursos que debe llevar cada estudiante y (digamos que estamos
buscando la aptitud de la funcin F1) determinamos si ese estudiante tiene algn
conflicto de horario en relacin con la calendarizacion especificada por F1. Por cada
choque le restamos cierta cantidad a la aptitud de F1.
El cmputo de la aptitud de una funcin adems incorpora restricciones
como: que los cursos del rea de Matemticas y Fsica deben asignarse en las
primeras horas, que dos o ms cursos asignados a un estudiante no sean
calendarizados a la misma hora, etc.
33
As, que
cada vez de que se encuentra que algn estudiante tiene
asignadas materias de Matemticas o Fsica en su horario en las primeras horas o

que tiene muy pocos huecos entre cursos, entonces se da un bono a la funcin,
por lo tanto la funcin que tenga la mayor aptitud ser la que represente la mejor
calendarizacin.
Cuando se ha calculado la aptitud de todas las funciones que se crearon al
azar, entonces tenemos la primera poblacin. (Los elementos de esta poblacin, o
entidades, son las funciones, y "estarn mas adaptadas al ambiente" cuanto ms
alta sea su aptitud). De esta poblacin se hace el mating pool 6 y posteriormente se
realiza la reproduccin sexual, esto se lleva a cabo tomando pares de funciones del
mating pool y recombinndolas. Esto con el objetivo de crear dos nuevas funciones
que se agregarn "en la prxima generacin" de la poblacin. Cuando ya se han
creado suficientes funciones para la nueva generacin, se les calcula sus aptitudes
y se desecha la generacin anterior. La nueva generacin se convierte en la
generacin actual la cul se usa para crear un mating pool y la historia se repite. El
proceso termina hasta que por medio de reproduccin sexual se obtiene alguna
funcin con una aptitud suficientemente alta para satisfacer nuestras necesidades.
3.3 Implementacin del Algoritmo Gentico.

Se decidi utilizar un Algoritmo Gentico para solucionar los problemas de
asignacin de horarios en la UTM, debido a que este mtodo de optimizacin
conjuga rapidez y eficiencia en su trabajo produciendo resultados aceptables, por
eso es que esta tcnica ha sido muy utilizada en problemas similares.
6
Se refiere a la seleccin de las funciones que sern los padres para la primer generacin.
[Holland,1992]
34
Actualmente, esta tcnica de bsqueda ha alcanzado un impresionante xito

debido a que su aplicacin en problemas de optimizacin no requiere de mucho
conocimiento sobre el problema 7 .
3.3.1 Entorno de desarrollo.

Con los sistemas operativos actuales de ambiente visual, un programa debe
tener la capacidad de interactuar grficamente con la pantalla, el teclado, el ratn
y la impresora, es por eso que el Sistema para la asignacin de horarios, fue
desarrollado en Visual Basic 6.0 ya que en la actualidad es uno de los lenguajes
ms accesibles a los usuarios por su entorno visual. Otra ventaja de Visual Basic es
que sus aplicaciones corren sobre plataforma Windows, por lo que ofrece un alto
grado de interaccin con el usuario ya que utiliza elementos grficos que forman
los objetos que el usuario ve en su ventana de aplicacin.
Otro punto importante a tomar en cuenta en la eleccin del entorno es que
Visual Basic permite que los programas con l desarrollados sean de fcil
mantenimiento.
Necesitamos conocer el problema para definir la funcin de evaluacin, pero despus, durante la bsqueda,
slo nos concentramos en los cromosomas.
35
3.2.2 Interfaz del Sistema.

El Sistema para la Asignacin de Horarios fue construdo utilizando el
lenguaje Visual Basic 6.0. El men principal del sistema para la asignacin de
horarios consta de tres opciones: entrar al sistema, informacin sobre el mismo y
salir a Windows. A continuacin se muestra esta pantalla:
Figura 5. Interfaz del sistema para la asignacin de horarios en la UTM.
36
Al hacer doble click sobre el icono de Entrar al Sistema aparece la siguiente

pantalla donde se da opcin al usuario de introducir el nmero de aulas a utilizar,
el perodo que se va a abrir (ya que en el caso particular de la UTM, en el perodo
de Octubre-Febrero se abren los semestres nones y en el perodo de Marzo-Julio
los semestres pares), as como el nmero de generaciones a producir.
Figura 6.
Ventana para introducir datos referentes al nmero de aulas, perodo
correspondiente y nmero de generaciones.
37
A continuacin se muestra la pantalla en dnde se capturan los nmeros de

grupos por semestre segn la carrera, esto con el fin de escribir las materias
correspondientes en el archivo para su posterior lectura y asignacin. (Slo se
muestra para una carrera, pero esta captura se hace para las siete carreras que se
imparten en la UTM).
Figura 7. Captura del nmero de grupos por cada carrera.
Despus de capturar los grupos de cada carrera y de la posterior escritura

de las respectivas materias el nmero de veces igual al nmero de grupos, se
genera aleatoriamente cierto nmero de funciones a las cuales se les asignan los
cursos a impartir, esto tambin de manera aleatoria. Ya que las materias son
asignadas aleatoriamente a las funciones, se realiza su evaluacin, tomando en
cuenta algunas restricciones como que las materias del rea de Matemticas y
Fsica deben impartirse en las primeras horas, y la ms importante: que dos o ms
cursos que va a cursar algn alumno no se encuentren asignados a la misma hora.
38
Despus de hacer esta evaluacin, las funciones cuya aptitud o

comportamiento sea mejor son seleccionadas usando el criterio de la rueda de la
ruleta (descrito en el captulo 2). Las nuevas funciones generadas mediante la
cruza pasan a formar la nueva poblacin y la poblacin anterior se desecha. Todo
este procedimiento se
realiza el nmero de veces que indique el usuario al
capturar el nmero de generaciones o hasta que se encuentre una asignacin cuya

aptitud satisfaga nuestras condiciones.
Despus de realizar este procedimiento se tendr una calendarizacin que
satisface nuestros requerimientos. A continuacin se muestra una pantalla con el
resultado de la asignacin de cursos en aulas para un nmero de 5 generaciones:
Figura 8. Asignacin resultante de cursos en aulas.
39
Cabe mencionar que para la asignacin de cursos en los Laboratorios de

Electrnica, se tuvo que implementar una funcin determinstica 8 debido a que, en
la informacin proporcionada por el Departamento de Servicios Escolares de la
UTM, son slo dos materias (de sptimo semestre) las que se imparten en dichos
laboratorios, por lo que la realizacin de un AG para asignar solo dos materias
representara un desperdicio de recursos. El resultado de esta funcin puede
apreciarse en la siguiente pantalla.
Figura 8. Asignacin resultante de cursos en laboratorios de electrnica.
Una funcin determinstica indica en que lugar deben ser asignadas las materias, mediante el uso
de condicionales.
40
CONCLUSIONES
a elaboracin de horarios es un problema complejo, que an no se ha

podido resolver en los departamentos de control escolar de las
Universidades. La asignacin de los cursos por lo general es hecha a
mano, lo cul puede tardar desde das hasta semanas en hacer la reparticin de
los cursos, reparticin que en muchos casos no es la mejor.
Existen otros mtodos para resolver problemas de asignacin de espacios,
por ejemplo el recocido simulado, la bsqueda tab, etc., algunos de los cules
pueden ser rpidos en trminos de encontrar buenas soluciones, sin embargo un
AG se aproxima ms a la asignacin que es realizada manualmente, no obstante,
cuando esta asignacin es hecha a mano se puede tratar de balancear diferentes
condiciones u objetivos, algunas de estas condiciones no pueden ser expresadas
fcilmente en la funcin de evaluacin. A pesar de esta desventaja un AG produce
ms de un resultado para una sola ejecucin del mismo (sin incrementar el
nmero de generaciones) a diferencia de los mtodos arriba mencionados que
producen un nico resultado.
41
Conclusiones
Por todo lo arriba mencionado es que muchos investigadores continan la

investigacin de los Algoritmos Genticos aplicados a esta rea ya que estos son
rpidos,
eficientes
producen
resultados
aceptables
en
problemas
de
administracin de espacios.
Al inicio de este trabajo se plante el objetivo de crear una herramienta que
fuera til en la asignacin de horarios en la Universidad Tecnolgica de la Mixteca,
utilizando para ello los Algoritmos Genticos. Con la construccin del Sistema para
la Asignacin de Horarios, se considera que este objetivo fue alcanzado
satisfactoriamente, aunque se presento un problema de sobreespecificacin en el
caso de las salas de cmputo ya que las materias a impartir rebasan en mucho el
nmero de espacios disponibles y esto es solucionado utilizando condiciones que
no pudieron ser representadas en la funcin de evaluacin, por lo que se decidi
incluir estas materias en la asignacin de cursos en aulas, dejando al criterio de la
persona que realiza la asignacin de horarios manualmente, la adaptacin de los
resultados de este sistema a sus necesidades.
Este trabajo de Tesis pretende ser una alternativa eficaz para realizar esta
asignacin, utilizando apropiadamente los Algoritmos Genticos con punto de
cruza. Cabe mencionar que en este trabajo se usaron parmetros reales, propios
de una asignacin (nmero de aulas, nmero de grupos de cada semestre por
carrera, etc.), lo que hace que la asignacin de cursos propuesta en este trabajo
sea una mejor aproximacin a una calendarizacin de cursos ptima que la que
hasta ahora es hecha a mano en la Universidad Tecnolgica de la Mixteca. Aunque
posteriormente puede ser modificado agregando lmites que reduzcan an ms el
espacio de bsqueda de las posibles soluciones.
42
Conclusiones
Tambin se debe mencionar que para el caso de la asignacin de cursos en

los dos Laboratorios de Electrnica con que cuenta la UTM, se implemento una
funcin determinstica que evit el desperdicio de recursos que hubiera causado la
elaboracin de un AG para asignar slo dos materias a un espacio de bsqueda de
14 casillas disponibles.
El Algoritmo Gentico implementado en este trabajo de Tesis, reduce
eficazmente el tiempo que toma elaborar una correcta asignacin de horarios, ya
que una asignacin hecha manualmente puede tomar desde das hasta semanas,
lo cul no es conveniente, sin embargo el AG propuesto solo tarda uno minutos en
elaborar una asignacin de cursos mejor que la que es realizada actualmente en la
Universidad Tecnolgica de la Mixteca.
Otra de las ventajas de utilizar el AG para la asignacin de horarios, es que
no se limita a un determinado nmero de aulas si no que proporciona una opcin
abierta para que dicho algoritmo se adapte al crecimiento de la infraestructura de
dicha institucin. La nica condicin para que el AG trabaje de manera eficiente es
que exista una concordancia entre el nmero de aulas y el nmero de grupos que
deben recibir los cursos correspondientes.
43
REFERENCIAS
Beasley, David; Bull, David R. & Martin, Ralph R. [1993], An Overview of

Genetic Algorithms: Part 1, Fundamentals, University Computing, Pp. 58-69
Coello, Coello Carlos A. [Enero 1995], Introduccin a los Algoritmos
Genticos, Soluciones Avanzadas, Tecnologas de Informacin y Estrategias
de Negocios, Ao 3, Nmero 17, Pp. 5-11.
Coello, Coello Carlos A. [Mayo 1999], Representacin en los Algoritmos
Genticos (Parte 1), Soluciones Avanzadas, Tecnologas de Informacin y
Estrategias de Negocios, Ao 7, Nmero 69, Pp. 50-56.
Gascn de la Herrn, Manuel. [1999], Los largos ritmos frenticos de la
Computacin Evolutiva, GAIA,
http://www.geocities.com/SiliconValley/Vista/7491/alggen_c.htm#quees
Gascn de la Herrn, Manuel. [1999a], Algoritmos Genticos, GAIA,
http://www.geocities.com/SiliconValley/Vista/7491/ag_c.htm
Goldberg, David E. [1989], Genetic Algorithms in Search Optimization and
Machine Learning, Reading Massachusetts, Addison-Wesley Publishing
Company.
Goldberg, David E. [Noviembre 1999], Genetic Algorithms, Illinois Genetic

Algorithms Laboratory, http://gal4.ge.uiuc.edu/
44
Gutirrez Miguel Angel; De los Cobos Sergio & Prez Blanca. [1999],
Bsqueda Tab: Un Procedimiento Heurstico para Solucionar Problemas de

Optimizacin Combinatoria, Divisin CBI UAM Azcapotzalco e Iztapalapa,
http://www-azc.uam.mx/enlinea2/1-3.htm
Holland, John H. [1975], Adaptation in Natural and Artificial Systems. An
Introductory Analysis with Applications to Biology, Control and Artificial

Intelligence, MIT Press, Cambridge, Massachusetts, Second Edition.
Holland, John. [Julio 1992], Genetic Algorithms, Scientific American,
Volumen 267, Nmero 1, Pp. 66-72.
Kearfott, Baker R. [Junio 1998], Departamento de Matemticas University of
Southwestern
Louisiana,
http://interval.louisiana.edu/GLOBSOL/Dianapproximate-optimizer/node2.html
LBS Capital Management, Inc. [1999], Genetic Algorithms,
http://www.lbs.com/about_lb/technolo/ga.html
Luenberger, David. [1989], Programacin lineal y no lineal, Addison-Wesley
Publishing, Pp. 3-6.
Morales, Eduardo. [Mayo 1999], Bsqueda, optimizacin y aprendizaje,
Instituto
Tecnolgico
de
Estudios
Superiores
de
Monterrey,
http://w3.mor.itesm.mx/~emorales/Cursos/Busqueda/principal.html
Rao, Singiresu S. [1996], Engineering Optimization, Theory and Practice,
John Wiley & Sons, Inc., Third Edition, Pp. 343,348.
45
APNDICE A
MANUAL PARA EL USUARIO DEL SISTEMA PARA LA

ASIGNACIN DE HORARIOS.
Componentes del Algoritmo Gentico para la asignacin de

horarios.
Las partes que conforman un AG, principalmente son:
Creacin de la poblacin de cromosomas.
Evaluacin de la aptitud de cada cromosoma.
Seleccin de los mejores elementos de la poblacin.
Cruza de los mejores cromosomas.
46
Manual del usuario del Algoritmo Gentico para la asignacin de horarios
Requerimientos mnimos de operacin.
Procesador Pentium III.

Windows 98 o superiores.
120 MB en RAM.
Disco duro 4 GB.
Para el funcionamiento del sistema deben estar presentes los siguientes
archivos en las ubicaciones especificadas:
C:\Algoritmo_Genetico\Algoritmo_Genetico.exe
C:\Algoritmo_Genetico\Forma1.frm
C:\Algoritmo_Genetico\Modulo1.bas
C:\Archivos de Programa\Microsoft Visual Studio\Vb98\Evaluacion.bas
C:\Archivos de Programa\Microsoft Visual Studio\Vb98\Modulo_archivo.bas
C:\Archivos de Programa\Microsoft Visual Studio\Vb98\Reproduccion.bas
Todos estos archivos se encuentran contenidos en el disco flexible que
acompaa a este documento.
47
Software del Algoritmo Gentico para la asignacin de

horarios.
El programa principal es C:\Algoritmo_Genetico\Algoritmo_Genetico.exe, el
cual puede ser ejecutado desde la lnea de comandos o desde su icono en el
escritorio de Windows.
Despus de que el programa ha sido cargado, aparece la interfaz de sistema
que se muestra en la figura 5 (pgina 35). Esta ventana contiene tres opciones:
entrar al sistema donde al hacer un doble click muestra la ventana de la figura 6
(pgina 36), acerca de que proporciona una ventana dnde se muestra
informacin referente a la fecha de elaboracin del AG as como su propsito y por
ltimo la opcin de salir a Windows, para abandonar el sistema.
Al aparecer la siguiente pantalla (vase la figura al final de la pgina) se
debe capturar el nmero de aulas a utilizar (por lo menos debe ser un aula), el
perodo correspondiente (Octubre-Febrero Marzo-Julio) y el nmero de
generaciones con las que trabajar el AG (mnimo deber ser una generacin para
que el AG pueda trabajar).
48
Despus aparece la pantalla de la figura 7 (pgina 37), que permite

introducir el nmero de grupos por semestre ya previamente especificados para
cada carrera que se imparte en la Universidad. Estos datos capturados permiten
que las materias a cursar sean escritas - el nmero de veces igual al nmero de
grupos introducidos - en el archivo C:\materias.txt esto para el caso del
semestre Octubre-Febrero, y para el semestre Marzo-Julio las materias son escritas
en el archivo C:\materias1.txt.
Los datos introducidos para el nmero de
grupos por carrera debern ser nicamente enteros positivos.

La informacin contenida en estos archivos permite que se lleve a cabo la
asignacin de cursos en los cromosomas, parte esencial para que trabaje
correctamente el AG. As mismo los resultados del Algoritmo Gentico variarn de
acuerdo al nmero de generaciones introducido. Para salir del sistema solo se
deber elegir la opcin de Archivo y posteriormente la opcin Salir. La opcin
Archivo tambin cuenta con la opcin de Imprimir.
Por ltimo es importante explicar las abreviaturas, de los nombres de las
materias, que se utilizaron para la realizacin del Algoritmo Gentico, mismas que
aparecen en la asignacin de horarios resultante. A continuacin se proporciona la
lista de dichas abreviaturas, dnde la ltima letra representa la carrera a la que
corresponde y el ltimo nmero indica el grupo al que se asign dicha materia, por
ejemplo:
ProgOObII3 nos indica que Programacin Orientada a Objetos II se debe
impartir para el grupo 3 de sptimo semestre de computacin, aqu no se
especifica para que carrera deber impartirse la materia ya que esta es propia de
computacin, a diferencia de SistDigiC o SistDigiE dnde se especifica para que
carrera impartir dicha materia ya que la toman tanto computacin como
electrnica.
49
Lista de las Materias de Ingeniera en Computacin:

"MecanicaC" = Mecnica Clsica
"Calculo C" = Clculo
"PensFiloC" = Historia del Pensamiento Filosfico
"ProgEstrC" = Programacin Estructurada
"IntIngCom" = Introduccin a la Ingeniera en Computacin
"ElectrosC" = Electrosttica
"AlgLineaC" = Anlisis Vectorial y lgebra Lineal
"TeorGenSC" = Teora General de Sistemas
"EstDatosC" = Estructura de Datos
"SistCompC" = Construccin de Sistemas de Computacin
"ElectDinC"= Electrodinmica
"EcuacDifC" = Ecuaciones Diferenciales
"TeoMatCom" = Teora Matemtica de la Computacin
"CircuitEC" = Circuitos Elctricos
"FisOndulC" = Fsica Ondulatoria
"MetodNumC" = Mtodos Numricos
"ProgSistC" = Programacin de Sistemas
"ProbyEstC" = Probabilidad y Estadstica
"TeorEconC" = Teora Econmica
"SistOperC" = Sistemas Operativos
"TeorComuC" = Teora de Comunicaciones
"DisCircuC" = Diseo de Circuitos Electrnicos
"CircuitoC" = Circuitos Lgicos
"AdministC" = Administracin
"CompiladC" = Compiladores
"ProgOObjI" = Programacin Orientada a Objetos I
"SistComuC" = Sistemas de Comunicaciones
50
"ContabilC" = Contabilidad
"IngSoftwC" = Ingeniera de Software
"BasDatosI" = Bases de Datos I
"ProgOObII" = Programacin Orientada a Objetos II
"SistDigiC" = Sistemas Digitales
"EstAdmvsC" = Anlisis y Diseo de Estructuras Administrativas
"TeoAlgort" = Teora de Algoritmos
"BsDatosII" = Bases de Datos II
"MicroComC" = Arquitectura de Microcomputadoras
"IntArtifiC" = Inteligencia Artificial
"DisProgAd" = Diseo de Programas Administrativos
"ArqCompuC" = Arquitectura de Computadoras
"MercadotC" = Mercadotecnia
"DiProgFin" = Diseo de Programas Financieros
"SExpertoI" = Sistemas Expertos I
"OCTInforma" = Organizacin de Centros de Teleproceso e Informtica
"ProgTecno" = Diseo de Programas Tecnolgicos
"InvOperaC" = Investigacin de Operaciones
"DireccioC" = Direccin
"SExpertII" = Sistemas Expertos II
Lista de las Materias de Ingeniera en Electrnica:
"MecanicaE" = Mecnica Clsica
"Calculo E" = Clculo
"PensFiloE" = Historia del Pensamiento Filosfico
"ProgEstrE" = Programacin Estructurada
"IntIngEle" = Introduccin a la Ingeniera en Electrnica
"ElectrosE" = Electrosttica
51
"AlgLineaE" = Anlisis Vectorial y lgebra Lineal

"TeorGenSE" = Teora General de Sistemas
"EstDatosE" = Estructura de Datos
"EquipElec" = Construccin de Equipo Electrnico
"ElectDinE"= Electrodinmica
"EcuacDifE" = Ecuaciones Diferenciales
"MetyTrans" = Metrologa y Transductores
"CircuitEE" = Circuitos Elctricos
"FisOndulE" = Fsica Ondulatoria
"MetodNumE" = Mtodos Numricos
"ProgSistE" = Programacin de Sistemas
"ProbyEstE" = Probabilidad y Estadstica
"TeorEconE" = Teora Econmica
"SistOperE" = Sistemas Operativos
"TeorComuE" = Teora de Comunicaciones
"DisCircuE" = Diseo de Circuitos Electrnicos
"CircuitoE" = Circuitos Lgicos
"AdministE" = Administracin
"CompiladE" = Compiladores
"CPotencia" = Diseo de Circuitos Electrnicos de Potencia
"SistComuE" = Sistemas de Comunicaciones
"ContabilE" = Contabilidad
"SistDigiE" = Sistemas Digitales
"IngSoftwE" = Ingeniera de Software
"Modulacion" = Modulacin y Control
"TeoControl" = Teora del Control
"EstAdmvsE" = Anlisis y Diseo de Estructuras Administrativas
"PDSeales" = Procesamiento Digital de Seales
"Microonda" = Sistemas de Comunicaciones va Microondas
52
"MicroComE" = Arquitectura de Microcomputadoras

"ControlDg" = Control Digital
"CSatelite " = Sistemas de Comunicaciones va Satlite
"MercadotE" = Mercadotecnia
"SCFOptica" = Sistemas de Comunicaciones va Fibra ptica
"ArqCompuE" = Arquitectura de Computadoras
"IntArtifE" = Inteligencia Artificial
"Robotica " = Robtica
"InvOperaE" = Investigacin de Operaciones
"DireccioE" = Direccin
"RedesComp" = Redes de Computadoras
"SExpertos" = Sistemas Expertos
Lista de las Materias de Ingeniera en Diseo:

"MecanicaD" = Mecnica Clsica
"Calculo D" = Clculo
"PensFiloD" = Historia del Pensamiento Filosfico
"ProgEstrD" = Programacin Estructurada
"IntIngDis" = Introduccin a la Ingeniera en Diseo
"ElectrosD" = Electrosttica
"AlgLineaD" = Anlisis Vectorial y lgebra Lineal
"TeorGenSD" = Teora General de Sistemas
"EstDatosD" = Estructura de Datos
"DibTecniI" = Dibujo Tcnico I
"ElectDinD"= Electrodinmica
"EcuacDifD" = Ecuaciones Diferenciales
"MetDiseo" = Mtodos de Diseo
53
"GeDescrip" = Geometra Descriptiva

"EstaticaD" = Esttica
"FisOndulD" = Fsica Ondulatoria
"MetodNumD" = Mtodos Numricos
"RMaterial" = Resistencia de Materiales
"GeCuerpos" = Geometra de los Cuerpos
"ProbyEstD" = Probabilidad y Estadstica
"TeorEconD" = Teora Econmica
"Ergonomia" = Ergonoma
"TecRepres" = Tcnica de Representacin
"MatyProcI" = Materiales y Procesos I
"Composici" = Composicin
"AdministD" = Administracin
"EstudForm" = Estudio de la Forma
"Modelos" = Modelos
"ProyEspacial" = Proyecto Espacial
"ProcesoII" = Materiales y Procesos II
"ContabilD" = Contabilidad
"TecnIlust" = Tcnicas de Ilustracin
"MatyProce" = Materiales y Procesos
"DisInteri" = Diseo Interior
"DisEditor" = Diseo Editorial
"EstAdmvsD" = Anlisis y Diseo de Estructuras Administrativas
"MediosAud" = Medios Audiovisuales
"Plasticos" = Materiales y Procesos. Plsticos
"Estetica" = Esttica
"AplicGraf" = Aplicaciones Grficas por Computadora
"EcoUrbana" = Ecologa Urbana
"InvyProto" = Investigacin y Prototipos
54
"MercadotD" = Mercadotecnia
"DesDeProd" = Desarrollo de Producto
"ProyCompt" = Proyecto por Computadora
"Vidrios " = Materiales y Procesos. Vidrios
"DesProducto" = Desarrollo de Producto
"Comercial" = Produccin y Comercializacin
"DireccioD" = Direccin
"DiseoUyA" = Diseo Urbano y Ambiental
"TProdyDis" = Tcnicas Avanzadas de Produccin y Diseo
Lista de las Materias de Ingeniera en Alimentos:

"MecanicaA" = Mecnica Clsica
"Calculo A" = Clculo
"PensFiloA" = Historia del Pensamiento Filosfico
"ProgEstrA" = Programacin Estructurada
"QuimiGral" = Qumica General
"AlgLineaA" = Anlisis Vectorial y lgebra Lineal
"IntIngAli" = Introduccin a la Ingeniera en Alimentos
"EstDatosA" = Estructura de Datos
"TeoGenSA" = Teora General de Sistemas
"OrganicaI"= Qumica Orgnica I
"EcuacDifA" = Ecuaciones Diferenciales
"BalanceME" = Balance de Materia y Energa
"QuimOrgII" = Qumica Orgnica II
"BioQuimiI" = Bioqumica I
"MicroGral" = Microbiologa General
"MetodNumA" = Mtodos Numricos
55
"FisicoQuI" = Fisicoqumica I
"QuimAlimt" = Qumica de Alimentos
"BioQuimiII" = Bioqumica II
"MicroAlim" = Microbiologa de Alimentos
"ProbyEstA" = Probabilidad y Estadstica
"TeorEconA" = Teora Econmica
"FisicoQII" = Fisicoqumica II
"FenTransI" = Fenmenos de Transporte I
"QuimAnali" = Qumica Analtica
"Nutricion" = Nutricin
"AdministA" = Administracin
"AnalisExp" = Diseo y Anlisis de Experimentos
"FQAliment" = Fisicoqumica de Alimentos
"FenTranII" = Fenmenos de Transporte II
"TecFrutas" = Tecnologa de Frutas y Hortalizas
"AnalisisI" = Anlisis Instrumental
"ContabilA" = Contabilidad
"IngAlimeI" = Ingeniera en Alimentos I
"TCereales" = Tecnologa de Cereales
"TPCarnico" = Tecnologa de Productos Crnicos
"DibIngAli" = Dibujo de Ingeniera en Alimentos
"AnalisisA" = Anlisis de Alimentos
"EstAdmvsA" = Anlisis y Diseo de Estructuras Administrativas
"IngAlimII" = Ingeniera en Alimentos II
"TPLacteos" = Tecnologa de Productos Lcteos
"IngBioQuim" = Ingeniera Bioqumica
"DesProduc" = Desarrollo de nuevos Productos
"Sensorial" = Evaluacin Sensorial
"MercadotA" = Mercadotecnia
56
"IngAliIII" = Ingeniera en Alimentos III

"FEvalProy" = Formulacin y Evaluacin de Proyectos
"EmpaqueyE " = Empaque y Embalaje
"ContDeCal" = Control de Calidad
"DireccioA" = Direccin
"InvOperaA" = Investigacin de Operaciones
"TecBebida" = Tecnologa de Bebidas
"PlantasAl" = Desarrollo y Diseo de Plantas Alimentarias
"SemiTesis" = Seminario de Tesis
Lista de las Materias de Licenciatura en Matemticas:

"CalculoMI" = Clculo I
"PensFiloM" = Historia del Pensamiento Filosfico
"AlgSuperi" = lgebra Superior
"GeoAnalit" = Geometra Analtica
"AlgLineaI" = lgebra Lineal II
"AnalisisI" = Anlisis Vectorial I
"CalculoII" = Clculo II
"TeoGralSM" = Teora General de Sistemas
"ProgEstrM"= Programacin Estructurada
"AlgLineII" = lgebra Lineal II
"AnalisiII" = Anlisis Vectorial II
"EcuaDifMI" = Ecuaciones Diferenciales I
"EstDatosM" = Estructura de Datos
"AMatematI" = Anlisis Matemtico
"ComplejaI" = Variable Compleja I
"AlgModerI" = lgebra Moderna I
57
"EcuDifMII" = Ecuaciones Diferenciales II

"AMatemaII" = Anlisis Matemtico II
"ComplejII" = Variable Compleja II
"AlgModeII" = lgebra Moderna II
"MFClasica" = Modelos de la Fsica Clsica
"AnalisiNI" = Anlisis Numrico
"ProbabilI" = Probabilidad I
"AnalisNII" = Anlisis Numrico II
"MDiscreta" = Matemticas Discretas
"MetOptimi" = Modelos y Mtodos de Optimizacin I
"MFModerna" = Modelos de la Fsica Moderna
"ProbabiII" = Probabilidad II
"MOptimiII" = Modelos y Mtodos de Optimizacin II
"ProgLogic" = Programacin Lgica
"CalcVaria" = Clculo de Variaciones y Teora de Control
"Algoritmo" = Anlisis de Algoritmos
"EstadistI" = Estadstica I
"IntArtifi" = Inteligencia Artificial
"TopologiI" = Topologa I
"Geneticos" = Algoritmos Genticos
"EstadisII" = Estadstica II
"TopologII" = Topologa II
"SeTesisMI" = Seminario de Tesis I
"SExpertoM" = Sistemas Expertos
"RedesNeur" = Redes Neuronales
"STesisMII" = Seminario de Tesis II
"EconomaM" = Economa Matemtica
58
Lista de las Materias de Licenciatura en Ciencias Empresariales:

"CalculoCE" = Clculo
"PensFilCE" = Historia del Pensamiento Filosfico
"IntrAdmon" = Introduccin a la Administracin
"IntrConta" = Introduccin a la Contabilidad
"ProgEstCE" = Programacin Estructurada
"AlgLineCE" = lgebra Lineal
"Psicologi" = Psicologa Industrial
"TeoGralCE" = Teora General de Sistemas
"BsDatosCE"= Bases de Datos
"ContabilI" = Contabilidad I
"ProbabiCE" = Probabilidad y Estadstica
"AdmonPers" = Administracin de Personal
"ProgConta" = Programas de Contabilidad
"ContabiII" = Contabilidad II
"InDerecho" = Introduccin a Derecho
"AdSueldos" = Administracin de Sueldos
"ProgAdmvo" = Programas Administrativos
"ContCosto" = Contabilidad de Costos
"Mercadote" = Fundamentos de Mercadotecnia
"MercantiI" = Derecho Mercantil I
"RecursosM" = Recursos Materiales
"ProgFinan" = Programas Financieros
"FinanzaEI" = Finanzas Empresariales I
"MicroEcon" = Microeconoma
"MercantII" = Derecho Mercantil II
"Auditoria" = Introduccin a la Auditora
"FinanzasP" = Finanzas Pblicas
59
"FinanzEII" = Finanzas Empresariales II

"MacroEcon" = Macroeconoma
"AuditoriA" = Auditora Administrativa
"MercadosI" = Administracin de Mercados I
"DerFiscal" = Derecho Fiscal
"SistFinan" = Sistemas Financieros
"EconomaI" = Economa Internacional
"InvOperCE" = Investigacin de Operaciones
"MercadoII" = Administracin de Mercados II
"Presupues" = Presupuestos
"EPublicit" = Estrategia Publicitaria y Promocional
"EconomiaM" = Economa de Mxico
"MetInvest" = Metodologa de la Investigacin
"MercadosF" = Modelacin Matemtica de Mercados Financieros
"AdministF" = Administracin Financiera
"SEmpresaI" = Seminario de Simulacin Empresarial I
"EProyecto" = Evaluacin de Proyectos
"DesOrgani" = Desarrollo Organizacional
"AnalisisD" = Anlisis de Decisiones
"DecisionF" = Toma de Decisiones Financieras
"SEmpresII" = Seminario de Simulacin Empresarial II
"PEstrateg" = Planeacin Estratgica
Lista de las Materias de Ingeniera Industrial:
"MecanicaI" = Mecnica Clsica
"Calculo I" = Clculo
"PensFiloI" = Historia del Pensamiento Filosfico
"ProgEstrI" = Programacin Estructurada
60
"IntIngInd" = Introduccin a la Ingeniera Industrial

"DibTecniI" = Dibujo Tcnico Industrial
"ElectMagn" = Electromagnetismo
"EstDatosI" = Estructura de Datos
"TeoGenSI" = Teora General de Sistemas
"AlgLinInd"= Anlisis Vectorial y lgebra Lineal
"DibIndCom" = Dibujo Industrial Asistido por Computadora
"AdmonGral" = Administracin General
"EcuacDifI" = Ecuaciones Diferenciales
"QuimicaGr" = Qumica General
"SistInfor" = Sistemas de Informacin
"HerraComp" = Herramientas de Computacin para Ingenieros
"MetodNumI" = Mtodos Numricos
"AdmHumano" = Administracin del Factor Humano
"TermoDinI" = Termodinmica
"MercadotI" = Mercadotecnia
"DerLabora" = Derecho Laboral y Propiedad Industrial
"ProbyEstI" = Probabilidad y Estadstica
"TeorEconI" = Teora Econmica
"ContaGral" = Contabilidad General
"CiencMate" = Ciencia de los Materiales
"EstaticaI" = Esttica
"ContCostI" = Contabilidad de Costos
"Productivi" = Estudio del Trabajo y Productividad
"ResistMat" = Resistencia de Materiales
"MecFluido" = Mecnica de Fluidos
"Electroni" = Electrnica
"AdmonRecs" = Administracin de Recursos Materiales
"ErgonomiI" = Ergonoma
61
"SistyCont" = Sistemas y Control de la Calidad

"EquipoInd" = Maquinaria y Equipo Industrial
"InstyMetr" = Metrologa e Instrumentacin
"SegIndust" = Medio Ambiente y Seguridad Industrial
"PresupueI" = Presupuestos
"IngEconom" = Ingeniera Econmica
"InvOperaI" = Investigacin de Operaciones I
"ManufactI" = Procesos de Manufactura
"EnvyEmbaI" = Envases y Embalajes
"ImpoyExpo" = Procesos de Importacin y Exportacin
"Proyectos" = Formulacin y Evaluacin Econmica de Proyectos
"Planeacio" = Planeacin y Control de la Produccin
"InvOperII" = Investigacin de Operaciones II
"SistManuf" = Sistemas Integrados de Manufactura
"PlantaInd" = Diseo y Construccin de Plantas Industriales
"TemasSelI " = Temas Selectos de Ingeniera Industrial I
"DiryTomaD" = Direccin y Toma de Decisiones
"MInvestig" = Metodologa de la Investigacin
"SimIndust" = Anlisis y Simulacin Industrial
"AutomaInd" = Control y Automatizacin Industrial
"IngPlanta" = Ingeniera de Planta
"TemasSeII" = Temas Selectos de Ingeniera Industrial II
62
APNDICE B
CDIGO DOCUMENTADO DE LOS PROCEDIMIENTOS Y

FUNCIONES MS IMPORTANTES DEL SISTEMA.
Programa para la asignacin de horarios.

Mediante este programa fue implementado el AG que realiza la asignacin
de cursos en la Universidad, este programa fue codificado en Visual Basic 6.0 y el
cdigo de las funciones ms importantes se muestra a continuacin.
/* Procedimiento que escribe las materias a asignar en los
archivos */
Sub matcomp1()
If valorC1 <> 0 Then
For NmeroRegistro = 1 To valorC1
63
Cdigo documentado del Sistema para la asignacin de horarios
MiRegistro.Materia1 = "MecanicaC" & NmeroRegistro ' Crea una cadena

MiRegistro.Materia2 = "Calculo C" & NmeroRegistro ' Crea una cadena
MiRegistro.Materia3 = "PensFiloC" & NmeroRegistro ' Crea una cadena
MiRegistro.Materia4 = "IntIngCom" & NmeroRegistro ' Crea una cadena
Put #1, NmeroRegistro, MiRegistro ' Escribe el registro en el archivo
Next NmeroRegistro
End If
End Sub
Este procedimiento se repite para los diez semestres correspondientes a
cada carrera (ya que conocemos las materias en las que se matricularn los
estudiantes).
Despus de que las materias son escritas en el archivo correspondiente, se
realiza su lectura, el cdigo de esta funcin se describe a continuacin:
/*Procedimiento que realiza la lectura del archivo que contiene las
materias a asignar*/
Public Sub lectura()
NmeroRegistro1 = NmeroRegistro 1 'se ubica al final del archivo
For NmeroRegistro = 1 To NmeroRegistro1 ' se posiciona al inicio
del archivo
Call num_azar(val) ' rutina que busca una posicin al azar en
las funciones
Get #1, NmeroRegistro, MiRegistro ' Lee la materia del
archivo
valmat1 = MiRegistro.Materia1
Call asignacionmateria1 'Asigna la materia a la funcin en la
posicin indicada
Call num_azar(val)
64
Get #1, NmeroRegistro, MiRegistro

Call asignacionmateria2
Call num_azar(val)
Call num_azar(val)
Call num_azar(val)
Call num_azar(val)
Next NmeroRegistro
End Sub
65
Posteriormente se realiza la evaluacin de las funciones, el cdigo de esta

subrutina se muestra a continuacin:
/*Evala el contenido de cada elemento de la poblacin*/
Public Sub evaluacion_poblacion()
'Analiza el contenido del cromosoma_n
Call analisis_contenido(cursos_n, calif_cursosn) 'Analiza que no estn
asignadas dos o ms materias para un mismo grupo a la misma hora

Call mat_mate1(cursos_n) 'Procedimiento que asigna bonos a los
cromosomas que tengan asignadas materias de matemticas de

primer semestre en las dos primeras horas de clases

tercer semestre en las dos primeras horas de clases

quinto semestre en las dos primeras horas de clases
calif_cursosn = calificacion 'Se asigna la calificacin obtenida despus
de evaluar el cromosoma
End Sub
66
/*Procedimiento que evala que las materias asignadas en los

cromosomas no estn repetidas ni que para el mismo grupo estn
asignadas dos o ms materias a la misma hora*/
Public Sub analisis_contenido(num_curso, calif_curso As Integer)
calificacion = 0
bandera = 1
'Realiza una copia del contenido del cromosoma

For numindice = 1 To val
temporal(numindice) = num_curso(numindice)
Next numindice
'Revisa que materia esta asignada hora por hora en cada aula
For i = 1 To 7
For j = 8 To val
If bandera = 1 Then
j=8
bandera = bandera + 1
ElseIf (bandera = 3) Then
j=j+1
j=j+2
j=j+3
j=j+4
67

j=j+5
j=j+6
End If
a = calif_primersem(calif_curso) 'Analiza las materias del primer
semestre
c = calif_tercersem(a) 'Analiza las materias del tercer semestre
e = calif_quintosem(c) 'Analiza las materias del quinto semestre
g = calif_septimosem(e) 'Analiza las materias del sptimo semestre
q = calif_novenosem(g) 'Analiza las materias del noveno semestre
calificacion = q
j=j+6
Next j
Next i
/* analiza que no se repitan las materias, si esto ocurre se le resta cierta

cantidad a la aptitud del cromosoma*/
For i = 1 To (val - 1)
If (temporal(i) <> "" And temporal(i + 1) <> "") Then
If (temporal(i) = temporal(i + 1)) Then
calificacion = calificacion - 5
End If
End If
Next i
End Sub
68
/*Funcin que revisa materia por materia de primer semestre

asignada a cada aula hora por hora*/
Public Function calif_primersem(calif_arreglo As Integer)
a8 = 50 'Asigna una calificacin base a cada cromosoma a evaluar
'Llamada al procedimiento que evala que no se produzcan

'choques entre las materias de Ingeniera en Computacin del primer
semestre
a1 = evaluacion_computacion1(a8)

'choques entre las materias de Ingeniera en Electrnica del primer semestre
a2 = evaluacion_electronica1(a1)

'choques entre las materias de Ingeniera en Diseo del primer semestre
a3 = evaluacion_diseo1(a2)

'choques entre las materias de Ingeniera en Alimentos del primer semestre
a4 = evaluacion_alimentos1(a3)

'choques entre las materias de Licenciatura en Matemticas del primer
semestre
a5 = evaluacion_matematicas1(a4)
69

'choques entre las materias de Licenciatura en Ciencias Empresariales del
'primer semestre
a6 = evaluacion_ciencias1(a5)

'choques entre las materias de Ingeniera Industrial del
'primer semestre
a7 = evaluacion_industrial1(a6)
calif_primersem = a7
End Function
Esta funcin se repite para los diez semestres de cada carrera. Despus de
hacer esta evaluacin, las funciones cuya aptitud o comportamiento sea mejor son
seleccionadas usando el criterio de la rueda de la ruleta (descrito en el captulo 2).
La seleccin fue implementada de la siguiente manera:
/*Procedimiento que realiza la reproduccin de los cromosomas
seleccionados*/
Public Sub seleccin()
w=0
z=0
y=0
Do While (w < numpob-1) 'ciclo que recorre todos los elementos de la
poblacin
v = selec()
reproducirn
' llamada a la funcin que determina los cromosomas que se
70
v1 = selec()
Call copia_padre1 'procedimiento que realiza una copia de los cromosomas
seleccionados como padres de la nueva generacin

Call copia_padre2
Call cruza(progenitor1, progenitor2) 'procedimiento que realiza la cruza
entre dos cromosomas

Call nueva_poblacion 'procedimiento que elimina la poblacin anterior y
guarda la nueva
w=w+2
Loop
End Sub
En donde select es la funcin que selecciona las funciones segn su
aptitud:
/*Funcin que realiza la seleccin de los mejores cromosomas
segn el valor de su aptitud, siguiendo el criterio de la rueda de la
ruleta*/
Public Function selec()
Call calificaciones 'procedimiento que realiza la suma de las evaluaciones de
los cromosomas
suma = 0
i=0
aleatorio = Int((evaluacin * Rnd) + 1) 'genera un nmero al azar
dependiendo de la longitud del cromosoma

Do
i=i+1
71
suma = suma + evaluaciones(i)

Loop Until suma >= aleatorio Or i = 40 'ciclo que se efecta hasta que la
suma de las calificaciones sea igual o mayor al punto escogido al azar

selec = i 'devuelve el cromosoma cuya aptitud permiti que la suma de las
calificaciones sea igual o mayor al punto escogido al azar

End Function
Las cadenas seleccionadas son utilizadas por el operador de cruza, que se
implement de la siguiente forma, siguiendo el criterio del punto de cruza (descrito
en el captulo 2):
/*Procedimiento que realiza la cruza de parejas de cromosomas
con mejor aptitud*/
Public Sub cruza(padre1, padre2)
Randomize
punto = Int((val * Rnd) + 1) 'determina al azar el punto de cruza
If punto < val Then
For i = 1 To punto 'mientras el punto escogido sea menor que la longitud
del cromosoma se hace una copia de los padres en los hijos desde la
posicin inicial hasta el punto de cruza
hijo1(i) = padre1(i)
Next i
For i = punto + 1 To val ' se hace una copia de los padres en los hijos
desde el punto de cruza hasta la ultima posicin en el cromosoma
72
Next i
End If
End Sub
ANEXO
EJEMPLO DE UNA ASIGNACIN DE CURSOS.
Asignacin de cursos para el semestre Octubre-Febrero.

Estas asignaciones fueron realizadas para un total de 39 aulas y con 20
generaciones.
En esta asignacin puede observarse que no existe ningn choque para los
alumnos, ya que las materias no se repiten, ni estn asignadas dos materias del
mismo grupo a la misma hora.
Asignacin de cursos para el semestre Marzo-Julio.
En esta asignacin puede observarse que no existe ningn choque para los
alumnos, ya que las materias no se repiten, ni estn asignadas dos materias del
mismo grupo a la misma hora.

Algoritmo Gen. Horario

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algoritmo Gen. Horario

Cargado por

Copyright:

Formatos disponibles

Distribucin ptima de Horarios de Clases utilizando la

tcnica de Algoritmos Genticos

CARLA LENINCA PACHECO AGERO

Acatlima, Huajuapan de Len, Oaxaca

Tesis Profesional presentada

A mis queridos padres, Julio y Antonia,

A Ivn, por su amor incondicional y por

A mis hermanos: Csar, Julio y Mayra,

1.1 Introduccin ....................................................................................

1.2 Mtodo del Gradiente .......................................................................

1.3 Mtodo del hill climbing ....................................................................

1.4 Bsqueda Iterativa ...........................................................................

1.5 Algoritmo Metrpolis ........................................................................

1.6 Recocido Simulado ...........................................................................

1.7 Bsqueda Tab ...............................................................................

1.8 Bsqueda ciega o sin informacin .....................................................

1.8.1 Bsqueda primero en anchura .......................................................

1.8.2 Bsqueda primero en profundidad ..................................................

1.9 Bsqueda Aleatoria ..........................................................................

1.10 Algoritmos Genticos y los Mtodos de Optimizacin ........................

2.1 Introduccin ...................................................................................

2.2 Bases Biolgicas ..............................................................................

2.2.1 Reproduccin Sexual ....................................................................

2.2.2 Operador de Cruza ......................................................................

2.2.3 Operador de Mutacin ..................................................................

2.3 Representacin ...............................................................................

2.4 Componentes Bsicos ......................................................................

2.4.1 Elementos Fundamentales ............................................................

2.5 Generacin .....................................................................................

2.6 Cundo aplicar un Algoritmo Gentico ...............................................

DISEO DEL ALGORITMO GENTICO PARA LA ASIGNACIN DE HORARIOS

3.1 Introduccin ...................................................................................

3.2 Planteamiento de la solucin a la asignacin de horarios ....................

3.3 Implementacin del Algoritmo Gentico ............................................

3.3.1 Entorno de Desarrollo ................................................................

3.3.2 Interfaz del Sistema ..................................................................

MANUAL PARA EL USUARIO DEL SISTEMA PARA LA ASIGNACIN DE HORARIOS

Componentes del Sistema ......................................................................

Software del AG para la asignacin de horarios .......................................

CDIGO DOCUMENTADO DE LOS PROCEDIMIENTOS Y FUNCIONES MAS

Programa para la asignacin de horarios ................................................

Elaborar una asignacin de horarios ptimos, es un problema por el que se

Bajo el trmino de Tcnicas Heursticas Modernas (Reeves, 1993) se

El objetivo de este trabajo es el de contribuir a optimizar los recursos, tanto

Para el ciclo escolar 2000-2001 la UTM cuenta en su infraestructura con 39

En las salas de cmputo no deben encontrarse ms de 20 alumnos, por lo que

El siguiente trabajo de Tesis, comprende un total de cuatro captulos

respectivamente. Tambin por ltimo se anexa un ejemplo de asignaciones

El trmino optimizacin se refiere a un problema complejo de decisin,

interrelacionadas, centrando la atencin en un solo objetivo diseado para

Mtodo del Gradiente.

Un nmero de diferentes mtodos de optimizacin se comportan como

como el del gradiente conjugado, que usa la informacin de la funcin objetivo as

Mtodo del hill climbing.

Otro mtodo es el denominado comnmente como hill climbing (escalado de

Figura 1. Mtodo del escalado de colinas.

La bsqueda aleatoria combinada con el mtodo del gradiente da como

Este mtodo esta basado en la analoga con el proceso de recocido de

Se incrementa la temperatura a una temperatura alta.

Posteriormente se decrementa la temperatura muy lentamente hasta

Dado un estado inicial i, con energa Ei,

Si se baja la temperatura lentamente se puede alcanzar el equilibrio trmico

Donde X es la variable estocstica que denota el estado actual del slido y