OBJETIVOS

Estudiar los conceptos bsicos de transmisin de seales de video

y datos sobre redes de cable coaxial y fibra ptica.

Analizar los diferentes tipos de arquitecturas utilizadas en el

diseo de redes hbridas de fibra y coaxial, para as determinar a
cual de ellas se le implementar un proceso de optimizacin para
mejorar sus resultados.

Determinar un modelo matemtico que describa el problema de

optimizacin para arquitecturas Blaster desarrollando un proceso
con resultados satisfactorios.

Estudiar los conceptos bsicos de los algoritmos genticos para

con estos implementar el proceso de optimizacin de las redes
Blaster obtenidas.

Considerar dentro de la funcin objetivo los parmetros crticos de

operacin de las redes para representar el problema de acuerdo a
la realidad tecnolgica actual.

Lograr la calibracin de los parmetros crticos que influyen en el

desarrollo del algoritmo gentico en la bsqueda de las mejores
soluciones durante el proceso de optimizacin

39

Determinar

la

efectividad

del

proceso

de

optimizacin,

comparando sus resultados contra los obtenidos cuando un diseo

es realizado por un diseador de redes, apoyado por un software
especializado.

Aportar finalmente por medio de este trabajo la experiencia

adquirida para el beneficio de los diseadores de redes de
televisin y datos y para iniciar un proceso donde la optimizacin
de estas sea la base de muchas investigaciones futuras en el
desarrollo de proyectos de ingeniera.

40

1.

REDES DE DISTRIBUCIN DE SEALES DE VIDEO

Un sistema de televisin se compone de una cabecera o headend, de la

red troncal de

transmisin y distribucin de seal y de la red de

abonado. La cabecera o headend es el sitio de recepcin satelital de la

seal y modulacin de la misma para luego ser enviada a la red por
coaxial o fibra. La red como tal posee amplificadores y elementos
pasivos de distribucin de seal.

Para distribuir la seal a travs de redes troncales son usadas

arquitecturas como rbol y ramas, punto centro y blaster, las cuales
sern descritas posteriormente. La figura 1.1 describe la topologa
bsica de una red de televisin.

Figura 1.1 Red de distribucin de seal

Hoy en da los diseos son hechos con software especializado que

permite el desarrollo de redes teniendo en cuenta todos los parmetros
que el diseo requiera. No obstante, dado que en algunos de los
41

procesos de diseo se tienen en cuenta nicamente los criterios que ha

logrado con la experiencia el diseador y con posibilidad de error, es
factible que este diseo pueda ser optimizado y mejorado obteniendo
redes que cumplan los criterios operativos a mnimo costo.

En resumen, se trata de determinar el valor ptimo de un problema con

mltiples objetivos tales como costo del cable, equipos, mantenimiento,
y operacin, considerando las restricciones operativas de la red.

1.1

REDES DE TRANSMISION DE VIDEO TRADICIONALES

Figura 1.2 Diseo con red troncal en coaxial

42

La figura 1.2 muestra la forma como era transmitida la seal bajo la

arquitectura tradicionalmente utilizada hasta 1991. Esta era rbol y
ramas. La frecuencia de operacin va desde los 52 MHz hasta 450 MHz.
En este tipo de redes haba que recorrer grandes distancias sobre el
cable coaxial para llegar hasta los puntos de distribucin de la seal
empleando mas de 30 amplificadores en cascada en muchos casos. Esta
amplificacin es necesaria porque el cable coaxial posee una atenuacin
propia que crece con el aumento de su longitud, por lo que se requiere
amplificar la seal.

En el anexo K se observan algunos de los problemas al conectar una

cantidad de amplificadores en cascada sobre una red sin precaucin y la
violacin de la norma FCC que es la reguladora y controladora la calidad
de las seales de video en USA y sobre la cual se establecen las normas
para Latinoamrica.

Un ejemplo de los efectos del ruido en una red de distribucin coaxial

troncal es descrito a continuacin. Consideremos una fuente mnima y
aparentemente inofensiva de ruido que viaja por la red coaxial troncal
de distribucin a travs de los primeros amplificadores de la misma.
Despus de mas de 10 amplificadores en cascada este ruido mnimo que
aparentemente era insignificante para la red, se ha convertido, por las
etapas de amplificacin, en un gran problema de interferencia de la
seal de video.

Es por ello que los sistemas de cable que no actualicen este tipo de
distribucin, sern cada da menos fuertes por la optimizacin de calidad
de seal propuesta por los nuevos esquemas de distribucin de seal.

43

1.2

REDES HFC (Hybrid Fiber Coaxial)

Figura 1.3 Diseo con red troncal en fibra ptica

sta es considerada como una buena alternativa para distribucin de

seal en grandes y pequeas ciudades. En esta Se manejan anchos de
banda de hasta 870 MHz.

Esta forma de distribucin de seal consiste en partir desde la fuente

principal de video o headend, a una zona determinada de la ciudad con
fibra ptica, (por aquello de la baja atenuacin de la fibra a grandes
distancias y la no necesidad de amplificacin constante de la seal RF de
video) y all convertir de nuevo esta seal de luz a seal elctrica RF
(seal elctrica de radiofrecuencia) por medio de un receptor o nodo
ptico, y poder transmitirla a todos los usuarios por medio de elementos
de distribucin de seal.

44

1.3

TIPOS DE ARQUITECTURAS DE DISTRIBUCIN DE SEAL

Existen diferentes tipos de arquitecturas de distribucin de seales RF

de televisin en las redes HFC y cada una de ellas es diseada segn los
criterios del experto y de las necesidades del medio y de las reas a
cubrir, adems de las expectativas esperadas para la zona a alimentar,
en cuanto a proyeccin futura y servicios adicionales.

Los tres tipos de arquitecturas mas conocidos son rbol y ramas, centro
de nodo y blaster, las cuales sern todas descritas a pesar de que la
optimizacin utilizando algoritmos genticos ser aplicada a blaster.

1.3.1

Arquitectura rbol y ramas en HFC.

Figura 1.4 Arquitectura rbol y ramas en HFC

En esta arquitectura se parte de cada una de las ramas de un nodo

ptico y hacemos distribucin de seal por medio de elementos de
divisin, taps y amplificadores logrando cascadas con ellos no mayores a

45

5 equipos, segn el tipo de tecnologa utilizadas. Como fue mencionado,

muchos amplificadores en cascada producen efectos negativos en la red.
El cumplimiento de las normas FCC depende de la utilizacin de estos
bajo parmetros recomendados por los fabricantes e implementados por
los diseadores. En la figura se observa que una de las ramas del nodo
ptico distribuye seales a alrededor de 500 homepassed. Esta
arquitectura logra optimizar el uso de la seal con un bajo numero de
elementos activos utilizados en la misma. Las estrategias de migracin
en este tipo de tecnologa no son tan inmediatas como en estructuras
centro de nodo, sin embargo, esto puede ser logrado con un buen
grupo de diseo.

1.3.2

Arquitectura Centro de nodo.

Figura 1.5 Arquitectura Centro de nodo

46

En esta arquitectura se ubica el nodo ptico aproximadamente en el

centro de una zona. As si se consideran 2000 homepassed(abonados)
y se alimenta por

cada una de sus cuatro ramas a cada una de las

cuatro subzonas de 500 homepassed, ubicando en el centro de cada

una de estas un amplificador principal del que se derivar el resto de la
seal hacia los dems amplificadores del

subnodo. Este diseo tiene

como objetivo cambiar cada amplificador central de subnodo de 500

homepassed por otro nodo ptico en una migracin futura que
requiera de servicios de reversa.

El diseo puede ser costoso pero se compensa con la facilidad de

rediseo ante una posible

migracin y crecimiento futuro de los

usuarios de las zonas alimentadas. El cumplimiento de las normas FCC

en cuanto a efectos causados por cascadas de amplificadores es
aplicado ya que la forma de diseo en este evitan grandes cascadas.
Los parmetros exigidos por la norma FCC son:

C/N (relacin portadora ruido): mnimo 43 decibeles

CTB (compuesto triple batido): mnimo 51 decibeles

CSO (compuesto de segundo orden): mnimo 51 decibeles

Nivel de seal en usuario: mnimo 3 decibeles(dBmV)

Hum: no debe exceder el 3%

La explicacin de estos parmetros se amplia en el anexo K.

47

1.3.3

Arquitectura Blaster.

Figura 1.6 Arquitectura Blaster

Esta estructura se basa en la alimentacin de zonas pequeas o microclulas por medio de un nico amplificador que ser alimentado como
muchos otros por una rama del receptor ptico cuidndose de no poner
en cascada ninguno de stos, ayudndose de elementos pasivos

de

divisin de seal como acopladores direccionales y splitters.

Con este tipo de arquitectura se pueden implementar fcilmente

estrategias

de

migracin,

se

reduce

el

nmero

de

activos

(amplificadores) en el diseo, se reduce el consumo de potencia, se

reducen o eliminan las cascadas activas que pudieran existir, y se bajan

48

costos de operacin y mantenimiento. La desventaja es el aumento

considerable de cable en el diseo.

Nota. La arquitectura Blaster regularmente cumple con las normas FCC

al evitar cualquier cascada ya que como se sabe la cantidad de
amplificadores en cascada afectan el CTB y CSO entre otros.

1.4 DECISIN DE UN DISEADOR DE REDES DE BANDA ANCHA

ACERCA DE UNA ZONA DE DISTRIBUCIN

Previo al diseo de una red sobre un plano con un walk-out o

levantamiento previo del terreno, el diseador hace una distribucin del
mismo por zonas para en cada una de ellas cubrir un nmero de

Figura 1.7 Zonas a cubrir

usuarios potenciales determinados. El tipo de arquitectura a elegir para

el diseo (rbol y ramas, blaster o centro de nodo) se determina segn
49

el tipo de cliente (ventajas y desventajas de cada una de ellos tales

como la facilidad de migracin a futuro dado el crecimiento de servicios
interactivos, el costo y otros).

En la estructura de red HFC, se seleccionan zonas de 2000 usuarios los

cuales sern alimentados por amplificadores y red coaxial, a travs de,
ramas troncales que dependen de un nodo ptico, el cual ser ubicado
en el centro de un nodo. Cada una de estas cuatro ramas del nodo
ptico podr alimentar hasta 500 usuarios con ayuda de amplificadores
distribuidos en estas zonas. Esta distribucin de los amplificadores es la
que puede variar de una a otra arquitectura.

Nota. En el diseo de redes HFC se tienen en cuenta adems de los

factores tcnicos, los factores comerciales como el porcentaje de
penetracin, lo que significa que el diseo propuesto no cubrir el 100
por ciento de los homepassed de la zona, sino solamente el porcentaje
potencial de usuarios que suministra el departamento comercial del
cliente.

50

Figura 1.8 Zonas distribuidas

En la figura 1.8, se observa una gran ciudad, las zonas coloreadas

corresponden a zonas de 2000 usuarios aproximadamente.

Comentario: Una RED HFC, alimentara con fibra ptica a los nodos
pticos ubicados en el centro de cada una de estas zonas coloreadas.

1.5 POR QU OPTIMIZAR LA ARQUITECTURA BLASTER?

Esta arquitectura es la ms apropiada para ser considerada en un

proceso

de

optimizacin

ya

que

por

su

misma

naturaleza

de

construccin y por su aplicabilidad a futuro justifica que se haga un

proceso de optimizacin sobre ellas. En su diseo, se presenta dificultad
al alimentar los amplificadores sin que exista dependencia entre ellos
(amplificadores conectados en cascada), dado que lo hace por medio de
observacin y experiencia pero sin un proceso ptimo de seleccin de la
mejor ruta debido a que existe una infinidad de rutas posibles. La

51

arquitectura Blaster es una de las mejores opciones en la construccin

de redes de banda ancha HFC.

1.6

PROPUESTA DE OPTIMIZACIN PARA LA ESTRUCTURA

BLASTER

El problema a desarrollar en este trabajo de grado, es encontrar la

configuracin ptima que considere costos de equipos y costos de
operacin as como con los valores mnimos de Seal en cada
amplificador. La arquitectura Blaster se conforma de micro clulas para
alimentar zonas pequeas, las cuales dependen de un receptor ptico y
al cual llegan las seales de video desde el headend por fibra ptica,
conformndose as una red HFC.

La optimizacin es implementada por medio de

procedimientos

matemticos basados en algoritmos genticos, con los cuales se define

las rutas de alimentacin por cable coaxial hacia los amplificadores que
dan servicio a las micro clulas. Estos temas sern ampliados ms
adelante.

1.7 DESCRIPCIN DEL PROBLEMA DE OPTIMIZACIN

Para desarrollar este problema se parte de un conocimiento previo de la

ubicacin de los amplificadores troncales que alimentan las micro
clulas, las cuales tienen una capacidad de 100 a 150 homepassed,
dependiendo de la densidad de usuarios en estas mini-zonas.

52

Se implementa una base de datos que contempla la conexin entre el

nodo ptico y cada uno de los amplificadores a travs de cable coaxial.

La red debe cumplir criterios de operacin, lo que se refleja en la

funcin objetivo, teniendo en cuenta que en estas redes se trabaja en
forward (52 MHz a 870 MHz) y reverse (5 MHz a 40 MHz) y en efecto
calcular esta funcin en la frecuencia ms crtica 870 MHz.

Inicialmente se debe tener en cuenta que el mtodo debe inducirse a

encontrar las soluciones, con base en la informacin previa sobre la
posible demanda futura en las zonas a cubrir. Esto trae consigo que las
zonas donde mas usuarios proyectados para venta de servicios se
tengan previstos, debern tener mas amplificadores para satisfacer sus
necesidades de servicio. Toda esta informacin est a cargo del rea
comercial y ventas que realizan visitas previas a las zonas de posibles
demandas de servicios. El planeamiento del diseo empieza entonces
cuando toda esta informacin se haya adquirido.

Con base en lo anterior, se plantea un modelo matemtico del tipo de

programacin no lineal entera mixta (PNEM), constituido por una
Funcin Objetivo (Costo en Inversin y Costo de Operacin) y restriccin
de operacin de la red de comunicacin. En secciones posteriores se
dar una explicacin ms detallada al modelo.

53

2. CONCEPTOS TERICOS DE LOS ALGORITMOS GENETICOS

2.1

TEORIA DE LA EVOLUCION

Desde la aparicin de las ideas revolucionarias de Charles Darwin en

1859, plasmada en la obra El origen de las especies, los conceptos del
hombre occidental acerca de la naturaleza cambiaron por completo.

Darwin sugiri que la diversidad gentica de cualquier especie se debe a

un proceso evolutivo que comenz tres mil millones de aos atrs con la
aparicin de la primera forma de vida en el mundo, de la cual son
descendientes todas las criaturas vivientes del planeta, Adems Darwin
asegura que la seleccin natural es el mecanismo evolutivo fundamental
que ha producido la gran variedad de organismos en el mundo.

Desde los primitivos agregados precelulares de molculas orgnicas que

aparecieron en los mares hace ms de tres mil millones de aos, hasta
los

maravillosos

organismos

multicelulares

de

la

actualidad,

la

evolucin, o ms especficamente la seleccin natural ha sido la fuerza

moldeadora.

2.1.1 Seleccin natural. Determina la diversidad de las especies, cada

una con caractersticas especiales que permiten que se perpeten o se
extingan. Los individuos de una especie son diferentes entre si, teniendo
cada uno de ellos diferentes caracteres que los distinguen de los dems,
algunos de estos caracteres podran favorecer la supervivencia o
reproduccin del individuo.

La seleccin natural favorece a quienes

54

portan estos caracteres cuando existe competencia por la escasez de

alimento, la pareja o el territorio donde vivir.

Esos caracteres tiles

pueden estar asociados con la fuerza del individuo, que en caso de

combate podra ayudarle a derrotar a su enemigo, o ms importante
aun, estar asociado con la resistencia a enfermedades.

En cualquier

caso, lo importante es que un carcter por ms sencillo que sea,

aumenta las probabilidades de que un individuo que lo posea, transmita
estas caractersticas a la siguiente generacin.

Los caracteres que confieren mayor adaptacin pueden acumularse en

las sucesivas generaciones, logrando con esto, variar la constitucin
gentica de la poblacin.

2.1.2 Mutacin y Cruzamiento en la naturaleza.

La herencia a

diferencia de la evolucin es conservadora, es decir, que conduce a

semejanzas entre familiares, mientras que la evolucin denota cambios,
o sea cuando un descendiente no es una copia exacta de sus
progenitores.

En la actualidad se sabe que la informacin hereditaria se encuentra en

secuencias de pares que existen a lo largo de las cadenas de ADN, que
en la mayora de organismos superiores se organiza en unidades
funcionales ms elevadas que son cromosomas. Cuando ocurre un
cambio en la estructura molecular del ADN sin tener relacin con la
estructura original de
mutacin.

los progenitores se dice que ha ocurrido una

La mutacin constituye una fuente de variacin gentica y

debido a la baja frecuencia con que ocurre (una en cada milln de

genes), no constituye un factor evolutivo importante, pero si se

55

considera una poblacin de varios cientos de miles de individuos

encontraremos que ocurre gran cantidad de mutaciones en un instante.

2.2 ALGORITMOS GENTICOS

Es una tcnica de bsqueda a travs de configuraciones y que

originalmente fue el resultado de idealizar los mecanismos de la
evolucin y de la gentica natural.

El algoritmo gentico usa una poblacin de individuos, que en los

problemas combinatoriales significa un conjunto de configuraciones o
soluciones P(t)={x1t, x2t, x3t ..... xnt }

para resolver un problema de

optimizacin complejo.

En este:
Xit

Representa al individuo i de la iteracin t

P(t) :

Poblacin en la iteracin t

Tamao de la poblacin

Antes de implementar un Algoritmo Gentico, se debe tener en cuenta

los siguientes aspectos:

1. Representar adecuadamente la configuracin del problema. La

representacin ms popular es la representacin en codificacin
binaria, donde son fcilmente simulados los operadores genticos
de cruzamiento y mutacin.

56

2. Debe encontrar una forma adecuada para evaluar la funcin

objetivo o su equivalente (fitness o Funcin de Adaptacin).
A cada solucin Xit

se le evala por medio de la funcin de

adaptacin (fitness) que indica la calidad de sta, y de acuerdo a

este valor se calcula el nmero de descendientes que esta
configuracin tiene derecho a generar.

3. As pues, debe existir una estrategia de seleccin de las

configuraciones con derecho a participar en la conformacin
(construccin) de las configuraciones de la nueva poblacin
(nueva generacin).

4. Debe existir un mecanismo que permita implementar el operador

gentico de mutacin.

Mutacin es generalmente considerado un operador gentico

secundario en el AG (algoritmo gentico), pero las ltimas
investigaciones estn dando una importancia mucho mayor de la
que se daba inicialmente (inclusive en la gentica). Nuevas
poblaciones son obtenidas por esta transformacin de bajo orden.

5. Debe existir un mecanismo que permita implementar el operador

gentico de cruzamiento, que es una transformacin de alto orden
que combina partes de dos o ms configuraciones.

6. Se debe especificar el tamao de la poblacin, o sea el nmero de

configuraciones en cada generacin.

57

Una vez especificados todos los aspectos mencionados anteriormente

para resolver un tipo de problema

conocido, entonces se dice que se

tiene un algoritmo gentico bsico.

2.3

MAXIMIZACIN

DE

UNA

FUNCION

CON

ALGORITMO

GENTICO

Para aclarar la forma cmo opera un algoritmo gentico, se propone la

maximizacin de la funcin de la figura 2.1 en el intervalo [-1,2], cuya
ecuacin es la siguiente:

f(X) = X*sen(10*pi*X) + 10

El objetivo es encontrar el valor mximo de la funcin en un intervalo

determinado y cuya precisin depende del nmero de bits del arreglo
binario que se utilice para codificar cada posible solucin. Para esto se
deben realizar los siguientes pasos.

2.3.1

Tipos de codificacin. La manera cmo se realiza la

codificacin depende bsicamente del problema a solucionar ya que

existen diferentes tipos de variables como las reales, enteras y binarias
entre otras. Algunos ejemplos de variables reales son la temperatura, la
presin,

distancia,

algunas

variables

enteras

ms

comunes

son

poblacin de individuos o cantidad de objetos, y un ejemplo de variables

binarias es el estado de una lnea de un sistema de distribucin que
puede estar, o no estar conectada. Este ltimo tipo de codificacin es el
que se emplear en la solucin del problema de optimizacin de redes
de televisin por cable y datos, tratado en el captulo 3, debido a su

58

facilidad de implementacin y su buena adaptacin a este tipo de

problema.

La decisin del tipo de codificacin es muy importante para facilitar la

tarea de programacin y de interpretacin de resultados, y adems para
encontrar soluciones rpidas y de buena calidad utilizando la menor
cantidad de recursos computacionales, en el cual se ejecuta la
aplicacin.

2.3.1.1

Codificacin de variables reales.

Se utiliza un vector

binario como cromosoma para representar los valores de la variable real

x del problema del ejemplo; el tamao de este vector binario depende
de la precisin que se requiera en las respuestas.

En este problema se utilizar una precisin de seis posiciones decimales

a la derecha del punto. Es decir, que en el rango [-1,2] de la variable x,
se tendrn 3*106 pequeos intervalos de igual tamao.

Para identificar cada uno de estos intervalos se necesitarn 22 bits para

codificar de forma binaria la variable, ya que:
221 = 2097152 < 3*106 intervalos < 222 = 4194304

59

Figura 2.1 Funcin a Maximizar

f(x) = X*Sen(10*pi*X) + 1
3.5
3
2.5

f(X)

2
1.5
1
0.5
2.0

1.8

1.6

1.4

1.2

1.0

0.8

0.6

0.4

0.2

0.0

-0.2

-0.4

-0.6

-0.8

-0.5

-1.0

-1
X

Por lo tanto las configuraciones adoptan la siguiente forma:

x = (b21 , b20 , b19 ,....... b0)2 en formato binario y donde bi ={0,1}.

x' = (i = 0 bi * 2i )10
21

x representa el nmero del intervalo en formato decimal y el valor de la

variable real x se calcula as:

x = 1.0 +

3
* x'
2 1
22

60

Donde 222 1 es el nmero de partes en las que se divide el intervalo, el

1.0 representa el lmite inferior del intervalo y el 3 es la longitud del
mismo. De forma ms general, x se puede definir as:

x = Li +

Ls Li
* x'
222 1

Li : Lmite inferior del intervalo

Ls : Lmite superior del intervalo

Algunos ejemplos de cromosomas se observan en la tabla 2.1

Tabla 2.1 Codificacin de variables reales

Valor

Cromosoma x

decimal

F(x)

P1=(1000001010110001110000)2

2141296

0.531574

0.555029

P2=(1000101110110101000111)2

2288967

0.637197

1.586345

P3=(1111101000111110100000)2

4100000

1.932549

-0.649321

P4=(1111111111111111111111)2

4194303

2.000000

1.000000

2.3.1.2 Codificacin de variables binarias. Los primeros algoritmos

genticos usaron bsicamente codificacin binaria, o sea, las variables
enteras y reales de un problema eran transformadas de alguna manera
en variables binarias. Para el caso de tres variables binarias tenemos
que x1, x2 ,x3 pertenecen al conjunto {0,1}.

61

Este es el caso ms trivial donde las variables son naturalmente binarias

y una configuracin cualquiera tiene la siguiente forma:

X={x1, x2 ,x3}

Un caso particular asumira la siguiente forma: x=[1 0 1], la cual

representa una configuracin.

El problema de la mochila es muy

conocido y utiliza este tipo de codificacin. En este problema se tiene

un conjunto limitado de objetos cada uno de ellos con un volumen vi y
utilidad ui, y se trata de encontrar una solucin donde

la mayora de

estos objetos quepan dentro de una mochila ocupando el menor espacio

y con la mayor utilidad posible. Suponiendo que se tienen cuatro
elementos x1 ,x2, x3, x4; con utilidades u1, u2, u3, u4 y volumen v1, v2, v3, v4;
una solucin codificada en forma binaria podra tomar la siguiente
forma:

Configuracin [0 1 0 1]
Volumen Total v2 +v4

Por lo tanto las configuraciones adoptan la siguiente forma:

Utilidad total: U2+ U4

2.3.1.3 Codificacin de variables enteras limitadas. En este caso

se supone que las variables del problema x1 x2 x3 pertenecen al
conjunto:

{0, 1, 2, 3, 4, 5, 6, 7}

62

Para este caso cada variable entera puede ser representada por un
equivalente

binario,

ocupando

tres

casillas

binarias.

As

una

configuracin tpica asume la siguiente forma:

x={1 0 0, 0 1 0, 1 1 1}

Esta configuracin representa los nmeros enteros x1=4,x2=2,x3=7

2.4

POBLACIN INICIAL.

Una buena prueba para un algoritmo gentico es evaluar los resultados

obtenidos a partir de una poblacin generada aleatoriamente ya que las
caractersticas de las respuestas deben ser producto de un proceso
evolutivo y no deben depender de la poblacin inicial. En el siguiente
captulo se analizan los diferentes mtodos para la conformacin de lqa
poblacin inicial. En el captulo 5 de anlisis de resultados se estudia el
efecto en el proceso evolutivo.

2.5 CLCULO DE LA FUNCIN OBJETIVO

La funcin objetivo indica la calidad de una solucin y permite

diferenciar o discriminar las distintas soluciones, para as facilitar el
proceso de seleccin.

Se debe tener una estrategia adecuada para encontrar el valor de la

funcin objetivo que determina la calidad de una configuracin. Es
frecuente usar un equivalente de la funcin objetivo por diferentes
motivos, mas, el principal de esos motivos es el que tiene que existir

63

selectividad entre las configuraciones. Los valores de la funcin objetivo

son utilizados para implementar el operador de seleccin. Por lo tanto
para que sea posible seleccionar un conjunto de valores de funciones
objetivo, ellas deben ser significativamente diferentes pues en caso
contrario, se perdera la selectividad del operador de seleccin, en otras
palabras se perdera la capacidad de diferenciar funciones objetivo de
excelente calidad con funciones objetivo de pobre calidad. Observando
la tabla 2.2 se nota que la segunda configuracin que es la de mayor
valor,

por

lo

tanto,

es

la

que

tiene

derecho

generar

ms

descendientes.

Cuando la funcin objetivo no permite una clara diferenciacin entre las

diferentes

configuraciones

de

la

poblacin

(por

ejemplo

valores

negativos de f(x)), debe implementarse funciones de adaptacin

(fitness) que permitan una selectividad mayor.

2.5.1

Funciones de adaptacin.

La principal razn para usar un

equivalente de la funcin objetivo, es que la funcin adaptacin permite

hacer una clara diferenciacin entre las malas y buenas configuraciones.
Adems, la funcin de adaptacin sirve para convertir un problema de
Minimizacin en uno de Maximizacin.
En la tabla 2.2 se puede observar un ejemplo de funciones adaptacin.
La funcin adaptacin en la tabla 2.2, consiste en tener slo valores
positivos sumando una constante K positiva a la funcin objetivo.

64

Tabla 2.2 Algunos tipos de funcin adaptacin

Valor

Cromosoma x

F(x)

F(x)+k

P1=(1000001010110001110000)2 2141296

0.555029

1.555029

P2=(1000101110110101000111)2 2288967

1.586345

2.586345

P3=(1111101000111110100000)2 4100000

-0.649321 0.350679

P4=(1111111111111111111111)2 4194303

1.000000

decimal

2.000000

2.6 SELECCIN

Seleccin

es

el

operador

gentico

que

permite

seleccionar

las

configuraciones de la poblacin actual que deben participar en la

generacin de las configuraciones de la nueva poblacin. Por lo tanto, el
operador de seleccin

termina despus de decidir el nmero de

descendientes que debe tener cada configuracin de la poblacin actual.

As por

ejemplo,

algunas configuraciones pueden generar

varios

descendientes y otras ninguno, desapareciendo la informacin de estas

configuraciones que son consideradas de pobre calidad.

Existen diferentes tipos de seleccin y la implementacin de un tipo

particular depende de la selectividad que proporcione, es decir la
facilidad para diferenciar las configuraciones de buena calidad de las de
mala calidad. Tambin es usual adoptar un tipo de seleccin por la
rapidez con la que se desempee en comparacin con otra tcnica.

65

2.6.1 Seleccin Proporcional: La forma ms simple de implementar la

seleccin es usando el llamado esquema de seleccin proporcional. En
esta estrategia cada configuracin tiene derecho a generar un nmero
de descendientes que es proporcional al valor de su funcin adaptacin.
As, se tiene la siguiente relacin:

No.de.descendientes =

funcin.de.adaptacin
z ( x)
Nd i = i
media.de.la. funcin.objetivo
zm ( x)

1 n
z m ( x ) = zi ( x )
n i =1
y por lo tanto,

Nd i = n

zi
n

z ( x)
i

i =1

Donde Ndi es el nmero de descendientes de la configuracin i, zi(x) es

el valor de la funcin adaptacin para la i-sima configuracin, n es el
nmero de configuraciones y zm(x) es el valor medio de las funciones de
adaptacin de las n configuraciones de la poblacin.

Como la mayora de los procedimientos generan nmeros no enteros

para la generacin de nuevos descendientes y stos deben ser enteros
surge la necesidad de utilizar tcnicas aleatorias como el esquema de
seleccin por ruleta (roulette wheel selection scheme)

66

En el esquema de seleccin por ruleta, a cada configuracin le es

asignada una parte de la ruleta que es proporcional al valor de su
funcin de adaptacin, segn la siguiente relacin:

1
1
2 ( ) Nd i 360( ) Nd i
n
n

El operador de seleccin no fue analizado con mucha atencin en los

primeros aos de utilizacin de los algoritmos genticos donde se
usaron fundamentalmente la seleccin proporcional y las variantes de
ella. Sin embargo, en los ltimos aos es el operador que est siendo
ms

intensamente

genticos.

As,

estudiado

aparecieron

por

los

formas

tericos

de

alternativas

los

de

algoritmos

implementar

seleccin y propuestas para comparar las diferentes formas de seleccin

propuestas. Como este tema es muy amplio, se analizan simplemente
las variantes de la seleccin proporcional y algunas propuestas
diferentes para implementar el operador de seleccin y se hace el
comentario brevemente de la forma usada para comparar el desempeo
de diferentes formas de seleccin.

Este esquema aclara con el siguiente ejemplo descrito en la tabla 2.3.

Como se dijo anteriormente, el resultado del nmero de descendientes

es un nmero no entero y por consiguiente se hace uso de alguna forma
de conversin, una de estas corresponde a la ruleta, tal como se explica
en la figura 2.2.

67

Tabla 2.3 Ejemplo seleccin proporcional

Configuracin

Funcin

Nmero de

Porcin de

Descendientes

Adaptacin

Descendientes

la Ruleta

enteros

40

0,8

57,6

45

0,9

64,8

56

1,12

80,64

60

1,2

86,4

49

0.98

70,56

Total

250

360

Figura 2.2 Esquema de seleccin de la ruleta.

1
16%

5
20%

2
18%
4
24%
3
22%

Conformada la ruleta, de la cual cada configuracin tiene una porcin,

se generan aleatoriamente n nmeros (n = tamao de la poblacin). En
cada sorteo se selecciona un nmero entre 0 y 360, el proceso termina
cuando han sido seleccionados las n configuraciones que participan en
las etapas de cruzamiento y mutacin.

68

Es criticada porque puede tener dos problemas:

1. En

las

fases

iniciales

del

proceso

una

gran

mayora

de

configuraciones tienen funciones de adaptacin de baja calidad.

En

estas

condiciones,

la

aparicin

de

algunas

sper

configuraciones con funciones objetivo de excelente calidad

pueden eliminar prematuramente los esquemas de las otras
configuraciones
diversidad

eliminando
llevando

tambin

una

prematuramente

convergencia

prematura

la
del

algoritmo.

2. En las fases finales del proceso la gran mayora de las

configuraciones tienen una funcin objetivo de calidades muy
parecidas y, en estas condiciones el esquema de seleccin
proporcional pierde selectividad (casi todas las configuraciones
tienen derecho a un descendiente).

Al analizar el algoritmo gentico simple se muestra la seleccin

proporcional.

Sin

embargo

es

bueno

recordar

que

la

seleccin

proporcional tiene dos partes claramente diferenciadas:

1. El uso de las funciones de adaptacin para determinar el nmero

de descendientes de cada configuracin. En este caso el valor de
la funcin de adaptacin es determinante para conocer el nmero
de descendientes. Sin embargo, la lgica utilizada para encontrar
el nmero de descendientes de cada configuracin encuentra
nmeros no enteros de descendientes, por lo tanto, el trabajo esta
incompleto porque el nmero de descendientes debe ser entero.

69

2. El uso de la ruleta o vector padronizado para determinar el

nmero de descendientes. As, esta parte resuelve la limitacin del
paso anterior encontrando un nmero entero de descendientes
estadsticamente proporcional a los valores encontrados en el
paso anterior.

Algunas nuevas propuestas de seleccin son consideradas variantes de

la seleccin proporcional porque modifican solamente parcialmente una
de las partes de la seleccin proporcional, otras propuestas tienen
alguna componente de la seleccin proporcional pero son consideradas
formas diferentes de hacer seleccin y otras propuestas son totalmente
diferentes de la lgica de la seleccin proporcional. Son consideradas
variantes de la seleccin proporcional las siguientes:

2.6.1.1 Seleccin estocstica del residuo (stochastic remainder

technique).
determinstica,

En esta propuesta cada configuracin recibe, en forma

la

parte

entera

del

nmero

de

descendientes

encontradas en la primera parte de la seleccin proporcional. La parte

residual es completada usando el esquema de la ruleta o vector
padronizado.

Esta propuesta acelera considerablemente el proceso de seleccin

porque la ruleta es usada solamente para

terminar el proceso de

seleccin. Se debe observar que esta propuesta es casi equivalente a la

seleccin proporcional en el aspecto relacionado a la capacidad de
seleccin, especialmente cuando el nmero de configuracin de la

70

poblacin es grande. Por lo tanto la diferencia fundamental esta

relacionado con la rapidez de implementacin del proceso de seleccin.

En la Tabla 2.4 se observa un ejemplo de este esquema de seleccin

utilizando los datos del ejemplo anterior.

Tabla 2.4. Ejemplo seleccin estocstica del residuo

Funcin

Nmero de

Descendientes

Descendientes

Adaptacin

Descendientes

determinsticos

aleatorios

40

0,8

45

0,9

56

1,12

60

1,2

49

0.98

Total

250

Configuracin

Ya

que

se

asignaron

dos

descendientes

inicialmente

las

configuraciones 3 y 4, se completa el proceso de seleccin utilizando la

ruleta para asignar los tres descendientes restantes.

2.6.1.2

Seleccin

descendientes.

proporcional

con

nmero

mximo

de

En esta propuesta se escoge un nmero mximo de

descendientes que puede tener una configuracin, por ejemplo, se

puede decidir que el nmero mximo de descendientes que puede tener
una configuracin es igual a tres descendientes.

71

Esta estrategia elimina, por lo menos parcialmente, el problema de la

aparicin de superconfiguraciones en las fases iniciales del proceso y,
por lo tanto, constituye una propuesta significativamente diferente de la
seleccin proporcional.

La limitacin del nmero mximo de descendientes se puede aplicar a

las distintas tcnicas de seleccin, convirtindose en un parmetro ms
que rige la evolucin en los Algoritmos Genticos.

2.6.1.3

Seleccin

Determinstica.

En

esta

propuesta

cada

configuracin recibe en forma determinstica, la parte entera del nmero

de descendientes. La parte residual es completada tambin en forma
determinstica iniciando el proceso con aquellas configuraciones que
tienen la mayor parte fraccional. Esta propuesta, es la que permite
realizar la seleccin de la forma ms rpida y con menor esfuerzo
computacional porque no necesita generar nmeros aleatorios y usar la
ruleta. Obviamente, es la propuesta ms distante de las bases tericas
que sustentan el algoritmo gentico sin embargo, experiencias prcticas
muestran que esta propuesta produce resultados prcticos de calidad,
equivalente a las mejores propuestas de la seleccin proporcional. A
esta propuesta todava se le puede adicionar una limitante superior de
nmeros de descendientes para controlar el problema de sper
configuraciones en fases iniciales del proceso. La experiencia muestra
que esta ltima es una propuesta altamente competitiva con otras
propuestas de seleccin en problemas de gran tamao y de grandes
poblaciones.

72

En la Tabla 2.5, se muestra el ejemplo para este esquema de seleccin,

se muestran los descendientes enteros.
Tabla 2.5. Ejemplo de seleccin determinstica para parte entera.

Configuracin

Funcin

Nmero de

Descendientes

Adaptacin

Descendientes

determinsticos

12

0.625

24

1.250

23

1.197

11

0.572

26

1.354

Total

96

De acuerdo al ejemplo mostrado, se nota que para las configuraciones

2, 3 y 5, la parte entera genera un descendiente, y se utilizan las partes
residuales para generar los restantes descendientes.

Tabla 2.6. Ejemplo de seleccin determinstica para la parte residual

Configuracin

Funcin

Nmero de

Descendientes

Adaptacin Descendientes determinsticos

Descendientes
aleatorios

12

0.625

0.625

24

1.250

0.250

23

1.197

0.197

11

0.572

0.572

26

1.354

0.354

Total

96

73

Para hallar los descendientes restantes, se procede de tal manera que

las configuraciones con partes residuales de mayor valor tienen derecho
a generar descendientes como es el caso de las configuraciones 1 y 4,
esto hasta completar la totalidad de la poblacin. Los resultados se
muestran en la tabla 2.6.

Este tipo de seleccin permite realizar el proceso de la forma ms rpida

desde el punto de vista de esfuerzo computacional porque no necesita
generar nmeros aleatorios como tampoco usar la ruleta. Claro est,
que esta es la propuesta ms distante de las bases tericas que
sustentan el algoritmo gentico pero la experiencia demuestra que este
tipo de propuesta produce resultados prcticos de calidad equivalente a
las mejores propuestas de seleccin proporcional.

2.6.2

Seleccin usando escalonamiento.

Esta propuesta de

seleccin intenta eliminar o atenuar los dos problemas mencionados en

la seleccin proporcional. La idea consiste fundamentalmente en
modificar los valores de las funciones de adaptacin encontrando nuevas
funciones de adaptacin. En el inicio del proceso generalmente, los
valores de funciones de adaptacin estn muy esparcidos (desviacin
estndar elevada) entonces se intenta juntarlos un poco y al final del
proceso los valores de la funcin de adaptacin estn muy cerca
(desviacin estndar pequea), se intenta separarlos o diferenciarlos en
las nuevas funciones de adaptacin.

La propuesta ms popular consiste en realizar un escalonamiento lineal

encontrando nuevas funciones de adaptacin usando la siguiente
relacin:

74

f = af + b

Donde f es el valor de la funcin de adaptacin original, f es la nueva

funcin de adaptacin y, a y b son constantes que deben ser calculadas.
Una forma simple de calcular los valores de a y b es escogiendo dos
puntos caractersticos tales como:

El valor mayor de f, correspondiente a la funcin de adaptacin de

mayor valor es igual a un nmero de veces del valor medio de la
poblacin, tpicamente 2 a 4 veces.

El valor medio en ambas poblaciones permanece constante. Con

estas dos informaciones se puede calcular la constante a y b.

Ejemplo: Implementar la seleccin usando escalonamiento para un

problema de maximizacin con una poblacin de 10 y cuyas funciones
de adaptacin son las siguientes: 27, 35, 36, 45, 19, 28, 59, 83, 44, 22.

Para esta poblacin se encontr que la funcin adaptacin promedio es

de 39.8 y se supondr que el valor mximo de f es dos veces el valor
de la funcin adaptacin promedio cuando f es mximo (83).

Cuando f = 39.8 entonces f = 39.8 ,y

Cuando f = 83 entonces f = 2*39.8

39.8= 39.8*a +b

(1)

79.6 =83*a +b

(2)

75

Resolviendo el sistema los valores de a y b son:

a=0.921;b=3.132

f= 0.921*f+3.132

Los resultados se muestran en la tabla 2.7.

Tabla 2.7. Ejemplo de seleccin usando escalonamiento.

Configuracin

Nd

Nd

27

0.678

27.99

0.703

35

0.879

35.36

0.888

36

0.904

36.28

0.911

45

1.130

44.57

1.120

19

0.477

20.63

0.518

28

0.703

28.92

0.726

59

1.482

57.47

1.444

83

2.085

79.57

2.000

44

1.105

43.65

1.097

10

22

0.552

23.39

0.587

Observaciones:

El proceso de seleccin an no ha terminado apenas fue modificada

la funcin de adaptacin, y por lo tanto se tiene que implementar
cualquiera de los tipos de seleccin mencionados anteriormente para
calcular el nmero de descendientes enteros.

76

Se puede verificar que se eliminan los problemas de la seleccin

proporcional,

primero

disminuyendo

el

poder

de

las

superconfiguraciones en las fases iniciales del proceso y aumentando

la dispersin de las funciones de adaptacin cuando estn muy
prximas en las fases finales del algoritmo.

Este escalonamiento lineal puede producir en algunas ocasiones

valores negativos de la funcin de adaptacin, por esto se hace
necesario corregir las funciones adaptacin sumndoles un valor
constante que las haga positivas.

2.6.3 Seleccin usando ordenamiento (rank based selection). En

esta propuesta el nmero de descendientes para cada configuracin
depende de una seleccin ordenada (ranking) de las configuraciones en
orden decreciente de los valores de las funciones de adaptacin. En el
ordenamiento lineal, el nmero de descendientes de cada configuracin
vara linealmente y en forma decreciente con su localizacin en el
ordenamiento (problema de maximizacin). Por lo tanto, el valor de la
funcin adaptacin es usada apenas para encontrar la posicin de la
configuracin dentro del ordenamiento.

Vale la pena anotar que esta propuesta elimina los dos problemas de la
seleccin proporcional porque en esta propuesta de ordenamiento no
interesa el valor absoluto de las funciones de adaptacin. Interesa
apenas saber la posicin relativa de la funcin de adaptacin en relacin
con las otras. As por ejemplo, si se tienen cuatro configuraciones con
funciones de adaptacin 38, 60, 75 y 360 entonces ellas seran tratadas

77

de igual forma que en el caso de las funciones adaptacin 110,

120,

130 y 150.

La funcin de designacin lineal para realizar el escalonamiento lineal

debe cumplir algunas propiedades tericas. Sea (x) la funcin de
designacin

lineal,

entonces

esta

debe

cumplir

las

siguientes

propiedades:

1. (x) R para x [0,1]

2. (x) 0

3.

( x)dx = 1
0

Sea la forma general de (x) = c0- c1*x entonces:

( x)dx = 1 (c o c1 x)dx = c o x
0

c1

* x2 =1
2
0

c o 1 = 1 c1 = 2(c o 1) ( x) = c o 2(c 0 1)x

2

Ejemplo: implementar la seleccin usando ordenamiento lineal para un

problema de maximizacin con una poblacin de cuatro configuraciones
y cuyas funciones de adaptacin son las siguientes: 43, 39, 33 y 45.

78

Se ordenaron las configuraciones por la calidad de sus funciones de

adaptacin, as, se tiene:

P1= 45, P2 = 43, P3 = 39 y P4 = 33, tambin se us la funcin de

designacin encontrada con co = 2 (cabe anotar que este debe ser un
valor escogido por el investigador) y se separa el intervalo de x en
cuatro partes (Cuatro configuraciones).

Sea 1 la fraccin que corresponde a la mejor configuracin, P1,

entonces, se tiene:

0.25

1 = ( x)dx =
0

0.25

0.25

(2 2 x)dx = [2 x x ]
2

7
16

5
16

3
16

1
16

De manera similar:
0.5

2 = ( x)dx =

(2 2 x)dx = [2 x x ]
2

0.25

0.25

0.75

0.75

3 = ( x)dx =

0.75

(2 2 x)dx = [2 x x ]

0.5

0.75

0.25

0.5

4 = ( x)dx =

0.5

0.5

0.5

(2 2 x)dx = [2 x x ]
2

0.75

0.75

Por lo tanto el nmero de descendientes de cada configuracin debe ser

igual k*n con k igual a 1, 2, 3, 4. La tabla 2.8 resume los resultados.

79

Tabla 2.8 Ejemplo de Seleccin Usando Ordenamiento

Configuracin

F(x)

Nd=4*i

P1

45

7/16

1.75

P2

43

5/16

1.25

P3

39

3/16

0.75

P4

33

1/16

0.25

Total

4.0

Lgicamente, el nmero de descendientes no depende del valor absoluto

de las funciones de adaptacin pero s del ordenamiento y del valor de
la constante co escogido. Ya que el nmero de descendientes no es
entero, puede usarse la ruleta o alguna de las propuestas alternativas
mencionadas anteriormente.

En implementaciones prcticas se puede determinar fcilmente una

regla

que

permite

hallar

el

nmero

de

descendientes

de

cada

configuracin ordenada en forma decreciente a la calidad de su funcin

de adaptacin ajustada a una funcin lineal decreciente. Generalmente
se puede encontrar esa relacin lineal escogiendo dos parmetros por
ejemplo

el nmero

de

descendientes que

debe

tener

la mejor

configuracin y el nmero de configuraciones que participan en la

seleccin. Con estos parmetros se puede calcular la relacin lineal
decreciente que permite encontrar el nmero de descendientes de cada
configuracin considerada para la seleccin.

80

Ejemplo: implementar la seleccin usando ordenamiento lineal para un

problema de maximizacin con una poblacin de 20 configuraciones
donde la mejor configuracin debe recibir 4 descendientes y slo las 10
mejores configuraciones deben participar de la seleccin.

En este caso slo 10 configuraciones tienen derecho a generar

descendientes y las otras son eliminadas (ver que el nmero de
configuraciones que deben participar de la seleccin, as como el
nmero

mximo

de

descendientes

que

debe

recibir

la

mejor

configuracin son parmetros escogidos por el investigador).

Sea i la variable que identifica a cada una de las configuraciones, donde

i = 1,2,...,10. Sea ni el nmero de descendientes de cada configuracin
que participa de la seleccin y el nmero de descendientes que
corresponde a la ltima configuracin considerada para la seleccin (la
dcima en este caso), entonces la siguiente relacin puede ser deducida
fcilmente:

ni = 4

i 1
9

(4 ) .

i = 1,2,...,10.
Pero como ni = 20 (tamao de la poblacin), entonces se puede
encontrar que =o.

2
3
9
1

4 + 4 (4 ) + 4 (4 ) + 4 (4 ) + ... + 4 (4 ) = 20
9
9
9
9

40

1
[(4 ) + 2(4 ) + 3(4 ) + ... + 9(4 )] = 20
9

81

40

1
[45(4 )] = 20
9

=0
As, el nmero de descendientes que corresponde a cada una de las 10
primeras configuraciones con derecho a participar de seleccin puede
encontrarse usando la relacin:

ni = 4

4
( i 1)
9

i = 1,2,...,10

Los resultados encontrados se resumen en la Tabla 2.9.

Tabla 2.9 Resultados del ejemplo de Seleccin Usando Ordenamiento.

Configuracin

Nd=ni

P1

4.0

P2

3.5

P3

3.1

P4

2.7

P5

2.2

P6

1.8

P7

1.3

P8

0.9

P9

0.5

P10

0.0

Total

20.0

82

Cabe anotar que no fueron mencionados los valores especficos de las

funciones de adaptacin. Lgicamente se necesita la ruleta o una forma
equivalente para terminar el proceso de seleccin. Adems, se observa
que el Parmetro debe ser positivo. Esta propuesta es ms o menos
equivalente a la propuesta anterior donde es diseada una funcin de
designacin en forma ms convencional.

2.6.4

Seleccin usando torneo.

atractiva

porque

proporcional.

En

es
esta

Esta propuesta de seleccin es

significativamente
propuesta

se

diferente
escogen

las

de

la

seleccin

configuraciones

realizando N Juegos o torneos siendo N el tamao de la poblacin.

En cada juego son escogidas aleatoriamente un conjunto de k

configuraciones y la configuracin ganadora es aquella que tiene la
funcin objetivo de mejor calidad. El valor k generalmente es pequeo,
tpicamente k = 2,3,4,5. Se ejecutan n juegos en el proceso en el
proceso de seleccin.

Un atractivo de la seleccin usando torneo es que el proceso requiere de

poco esfuerzo

computacional y adems no se requiere adaptar la

funcin objetivo. Otra ventaja es que este mtodo de seleccin es

adecuado en los dos problemas de seleccin proporcional porque los
resultados de los juegos no dependen de los valores absolutos de las
funciones de adaptacin. Obviamente tampoco existe el problema de
nmero de descendientes no entero tpico de la seleccin proporcional.

83

2.6.5 Seleccin en estado estable (steady state): Genitor. Todos

los esquemas de seleccin anteriores son llamados generacionales ya
que de una generacin a la siguiente se sustituye integralmente todas
las configuraciones por sus descendientes. Algoritmos genticos que
sustituyen solo una parte de las configuraciones en cada generacin son
llamados

algoritmos

genticos

de

estado

estable

simplemente

algoritmo genitor.

El algoritmo genitor en realidad tiende a preservar las mejores

configuraciones encontradas porque en cada generacin son eliminadas
un conjunto de las configuraciones (las de peor calidad) y sustituidas
por configuraciones generadas por cruzamiento y mutacin de las
mejores

configuraciones.

Cuando

se

preservan

las

mejores

configuraciones, aparece el concepto de elitismo que significa

que las

mejores configuraciones son mantenidas.

Esta propuesta puede ser considerada conservativa porque preserva las

mejores configuraciones mas, al hacer esto compromete el trabajo de
cruzamiento y mutacin. Este sera el motivo por el cual el algoritmo
gentico, generalmente usa grandes poblaciones y altas tasas de
cruzamiento

de

mutacin

Lgicamente

el

elitismo

comparados

realiza

un

con

balance

otras

adecuado

estrategias.
del

poder

destructivo (y constructivo) de las elevadas tasas de cruzamiento y de

mutacin.

2.7 CRUZAMIENTO

84

Las configuraciones seleccionadas en el proceso de seleccin son

sometidas a cruzamiento. La traduccin de cruzamiento es un poco
complicada, sin embargo, es realmente una palabra que fue generada
del trmino crossing over, o sea, de la recombinacin gentica.

El operador de cruzamiento en algoritmos genticos consiste en

intercambiar partes de dos vectores para formar dos nuevos vectores
donde uno de los vectores nuevos tiene parte de los elementos de un
vector y parte de los elementos del otro vector. As tiene sentido decir
que dos vectores son cruzados o recombinados para formar dos nuevos
vectores.

El operador de cruzamiento consiste en escoger dos configuraciones

seleccionadas y generar a partir de ellas dos nuevas configuraciones
donde las nuevas configuraciones tienen partes de las configuraciones
originales. Generalmente a las configuraciones seleccionadas se les
llama padres y a las nuevas configuraciones se les llama configuraciones
hijos.

2.7.1 Descripcin de tipos de Cruzamiento. Existen tres tipos de

cruzamiento y la diferencia fundamental entre ellos es apenas en el
nmero de puntos de cruzamiento. As, se tiene:

2.7.1.1 Cruzamiento de un simple punto. Este operador es el que

permite

combinar

las

caractersticas

genticas

de

las

mejores

configuraciones para obtener nuevos descendientes de buena calidad. La

forma ms simple de efectuar Cruzamiento es de simple punto, consiste
en

tomar

aleatoriamente

dos

configuraciones

85

con

derecho

descendientes; y escoger aleatoriamente un nmero entre 1 y (k-1)

(siendo k el nmero de casillas binarias de cada configuracin), que
indicar donde se debe partir cada vector para luego intercambiar la
parte derecha de las configuraciones. Aplicando esto al ejemplo actual
se obtienen los resultados de la figura 2.3.

Figura 2.3 Cruzamiento de punto simple.

Padre1 1 0 1 1 0 0 1 0 0 1 1 0 1 0 1 0 1 0 1 0 1 1

Padre2 1 0 0 1 0 1 1 1 0 1 0 0 1 0 1 1 0 0 1 1 0 1

Hijo 1

1 0 1 1 0 0 1 0 0 1 0 0 1 0 1 1 0 0 1 1 0 1

Hijo 2

1 0 0 1 0 1 1 1 0 1 1 0 1 0 1 0 1 0 1 0 1 1

En este caso se tom la casilla nmero 9 como punto de cruzamiento, se

combinaron la parte izquierda del primer padre con la parte derecha del
segundo y viceversa, con lo cual se lograron los hijos 1 y 2.

Un algoritmo ms elaborado realiza el cruzamiento dependiendo de una

tasa de cruzamiento c, que puede variar entre 0.00 y 1.00, se genera
un nmero aleatorio entre 0.00 y 1.00 y si este nmero es menor o
igual a la tasa del cruzamiento las configuraciones son sometidas a
cruzamiento, de lo contrario las configuraciones pasan a la siguiente
generacin sin cambio alguno.

86

2.7.1.2

Cruzamiento multipunto.

Cruzamiento de multipunto

consiste en elegir dos o ms puntos de cruzamiento. Es evidente que

cuando la configuracin es ms grande, el cruzamiento de simple punto
se vuelve ineficiente.

Intuitivamente se puede concluir que el

cruzamiento multipunto es la forma ms eficiente de cruzamiento y el

nmero de puntos de cruzamiento debe aumentar con el nmero de
genes de la configuracin.

2.7.1.3 Cruzamiento uniforme. Donde es realizado cruzamiento bit

a bit con cada uno de los elementos de una configuracin.

Es evidente que cuanto ms grande es la configuracin el cruzamiento

de un simple punto se vuelve ineficiente sin embargo, el cruzamiento
uniforme significa pasar al otro extremo. Intuitivamente se puede
concluir que el cruzamiento multipunto (con cierto nmero de puntos de
cruzamiento) es la ms eficiente forma de cruzamiento y con un nmero
de puntos de cruzamiento que debe aumentar con el tamao(nmero de
elementos de una configuracin).

2.7.2 Descripcin de tipos especializados de Cruzamiento.

2.7.2.1 Cruzamiento de tipo 1 Este tipo de cruzamiento sugiere que

para mantener la mejor configuracin en cada generacin y para
mejorar la calidad de la siguiente, se reservan las cuatro mejores
configuraciones que pasan a la siguiente generacin sin cruzamiento, es
decir que para este caso se implement elitismo. En el presente
proyecto se conserv la mejor configuracin de cada generacin, esta
reemplaza a la configuracin de peor calidad dentro la poblacin.

87

Cuando el algoritmo encuentra una configuracin de mejor calidad que

aquella que fue almacenada anteriormente, sta viene a reemplazar a la
configuracin de peor calidad dentro de la poblacin actual.

En esta tcnica los hijos heredan los genes comunes de sus padres,
luego los genes diferentes de sus padres son distribuidos aleatoriamente
a sus hijos. Como un ejemplo, considerar el sistema radial de 10 ramas
y tres enlaces mostrado en la figura 2.4. Comparando los padres 1 y 2,
se encontr que el gen 8 es comn a ambos y por lo tanto los hijos 1 y
2

conservan este

gen. Los genes

5,7,9

y 10

son distribuidos

aleatoriamente a los hijos 1 y 2. Las configuraciones resultantes se

observan en la figura 2.4.

88

Figura 2.4 Configuraciones padres del ejemplo.

Padre1

89

Padre 2

En

esta

tcnica

de

cruzamiento

es

posible

que

se

presenten

configuraciones con trayectorias cerradas o con secciones aisladas. En

tal situacin las configuraciones infactibles sern descartadas y se
selecciona otra pareja hasta que el nmero de hijos sea igual al tamao
de la poblacin. En el algoritmo implementado en este trabajo, se usan
procedimientos especializados de tal manera que toda configuracin
resultante del cruzamiento sea factible.

90

Figura 2.5. Configuraciones resultantes del ejemplo de cruzamiento

Padre1
1

Padre 2
1

Hijo 1
1

Hijo 2
1

2.7.2.2 Cruzamiento Tipo 2. Este tipo de cruzamiento se basa en el

intercambio de informacin gentica de los padres de modo que las
configuraciones hijas hereden segmentos completamente radiales de
algunos de sus alimentadores elegidos aleatoriamente. Esta metodologa
permite conservar el material gentico de los padres evitando que se
pierda diversidad haciendo que el proceso evolucione sin llegar a ser
homogneo.

Es importante anotar que las configuraciones obtenidas con este tipo de

cruzamiento conservan su topologa radial y no necesita rutinas
auxiliares que descarten o aprueben cada una de las configuraciones.

91

2.8 MUTACIN

Significa intercambiar una variable de 1 a 0 y viceversa.

La tasa de mutacin m indica la probabilidad de que una posicin pueda

tener su valor actual modificado. En el anlisis terico y en las
propuesta originales, se sugiere que la mutacin debe ser intentada bit
a bit y as la decisin de mutacin de una posicin binaria

es

independiente de la mutacin realizada en las otras posiciones binarias

de una configuracin. Suponer que se escoge una tasa de mutacin m =
0.05, entonces cada bit de una configuracin es sometida a mutacin
con esta probabilidad. As, es generado un nmero aleatorio p entre 0 y
1 y si ese nmero es menor que m entonces se realiza la mutacin.

En la implementacin de mutacin tambin existe necesidad de generar

nmeros aleatorios produciendo una nueva decisin de tipo aleatorio en
el Algoritmo gentico.

En sistemas de gran tamao donde la cantidad de mutaciones sera

excesiva, esta mutacin se volvera un esfuerzo computacional bastante
grande.

Si existieran 4 vectores con 12 bits cada uno, se debe mutar 4*12= 48

elementos pero si se multiplica 48 por un supuesto m =0.05 se tiene
por mutar 2.4 elementos o sea 2 mutaciones en 48 elementos. Este
procedimiento es considerado como de gran exactitud.

92

El funcionamiento del operador mutacin bit a bit es descrito en la figura

2.6.

Figura 2.6 Mutacin bit a bit

Punto de Mutacin
Configuracin Inicial
0 1 1 1 0 0 1 0 0 1 1 0 1 1 1 0 1 0 1 0 1 0

Punto de Mutacin
Configuracin resultante
0 1 1 1 0 0 1 0 0 1 1 0 1 0 1 0 1 0 1 0 1 0

2.8.1

Propuestas alternativas de mutacin.

La Mutacin es un

operador fcil de implementar, sin embargo el aspecto crtico es la tasa

de mutacin. Generalmente cuando el tamao del problema crece
tambin es tpico aumentar la tasa de mutacin sin olvidar, lgicamente
que el valor de la tasa de mutacin est estrechamente relacionado con
la tasa de cruzamiento y con el tamao de la poblacin.

En investigaciones recientes generalmente existen propuestas de usar

valores mayores de tasas de mutacin. Otras propuestas consisten en
usar

tasas

de

mutacin

variables

aumentando

disminuyendo

progresivamente el valor de la tasa de mutacin durante el proceso de

optimizacin.

Existen,

todava,

propuestas

ms

radicales

en

implementaciones hbridas (con uso de estrategias heursticas) donde se

sugiere usar mutaciones ms violentas. Por ejemplo si es usada una

93

codificacin decimal se puede definir mutacin simple, doble o triple lo

que significa que el valor de una variable decimal puede aumentar o
disminuir en 1,2,3 unidades. Propuestas de este tipo aparecen en
aplicaciones de ingeniera elctrica generalmente junto con propuestas
heursticas.

En resumen, se puede aplicar mutacin simple, es decir, cambiar el

estado de una rama de una configuracin, o puede aplicarse mutacin
doble o triple dependiendo de la s caractersticas del problema. En caso
de presentarse una convergencia prematura a una solucin subptima
se puede introducir un grado de diversidad, con el fin de que pueda salir
de dicha solucin asignando una alta tasa de mutacin, sin embargo la
tasa de mutacin debe mantenerse baja como en las poblaciones
naturales; de lo contrario; las soluciones buenas seran destruidas.

2.9

PARMETROS DE CONTROL DEL ALGORITMO GENETICO

El conjunto de parmetros que define el tamao de la poblacin, la tasa

de cruzamiento y la tasa de mutacin define en gran parte el
comportamiento de un algoritmo gentico. Este conjunto de parmetros,
es llamado programa de control del algoritmo gentico. Valores tpicos
recomendados en la literatura especializada son los siguientes:

Poblacin: p [30,200]

Tasa de cruzamiento :

Tasa de mutacin :

pC [0.5,1]

pm [0.001, 0.050]

94

2.10 CRITERIO DE PARADA

Existen varios criterios de parada. As, se debe parar el proceso de

algoritmo cuando:

Fue realizado un nmero especificado de generaciones.

La

incumbente

asume

un

valor

de

una

calidad

mnima

especificada.

Las configuraciones de la poblacin queda demasiado homognea,
o sea, las configuraciones son muy parecidas y no existe ms
evolucin.

El lector puede observar que algunos criterios de parada son estticos,

(pre-especificados) y otros dinmicos (el criterio de parada depende de
la evolucin del proceso). En implementaciones prcticas de problemas
complejos

se

especifican

criterios

de

parada

ms

objetivos

generalmente se especifica ms de un criterio de parada en un mismo

algoritmo.

2.11 GENERACIN DE LA POBLACIN INICIAL

Las configuraciones de la poblacin inicial pueden ser generadas

aleatoriamente porque segn los anlisis tericos, la mejor solucin
encontrada debe ser independiente de la poblacin inicial. Para que esta
afirmacin sea verdadera el esfuerzo computacional

generalmente es

demasiado grande. En la mayora de problemas complejos de ingeniera

elctrica

fueron

usadas

estrategias

diferentes

para

generar

las

configuraciones iniciales y ese proceso de generacin de configuraciones

95

iniciales depende del tipo de problema. La experiencia indica que existe

una gran diferencia en esfuerzo computacional cuando se genera la
poblacin

inicial

adecuadamente,

aleatoriamente
generalmente

usando

rpidos.

96

cuando

ella

algoritmos

es

generada

heursticos

muy

3. MODELO MATEMTICO DEL PROBLEMA DE OPTIMIZACIN DE

LAS REDES DE TELEVISIN POR CABLE

El objetivo de este captulo, es interpretar matemticamente el

problema de las redes de televisin por cable a travs de un modelo
matemtico.

El modelo matemtico que describe este problema con el fin de

minimizar los costos de una red de televisin por cable, se describe a
travs de la Funcin Objetivo:

min v

n
n
n

(Ci , j ) + (CAp ) + (CDk ,l ) + ri .

i =1

p =2
i =2

(3.1)

s.a:

G(bi) = 0

(3.2)

b >B

(3.3)

min

<

imin .

Oper

<

max .

(3.4)

97

r =B

f = 1.

imin

(3.5)

bi ,

Si

0, r i = 0

(3.6)

En donde:

v : Costo total de la configuracin.

i, j

: Costo de cable en el tramo que va desde el nodo i hasta el

nodo j.

CA

: Costo del elemento que divide la seal para el amplificador

del nodo sub-p.

CD

k ,l

: Costo del k-simo elemento de divisin, con l salidas. Si l <

2, entonces

CD

k ,l

= 0.

r : Decibeles faltantes en el nodo i.

: Factor de conversin.

f : Red radial f; 1 si la red es radial, 0 en los dems casos.

98

b : Decibeles en nodo i .

min

: Frecuencia mnima de operacin en Megahertz.

oper

: Frecuencia de operacin en Megahertz.

max

: Frecuencia mxima de operacin en Megahertz.

min : Nivel de seal mnima en la entrada de los amplificadores.

La Funcin Objetivo, representada en la ecuacin (3.1), muestra los

costos totales de una red de Televisin por cable. En esta funcin se
identifican los dos problemas para minimizar:

Costos de Inversin: Constituidos por el costo total del cable utilizado

ms el costo total de los elementos que dividen la seal.

Costos de Operacin: Representan el nivel mnimo de seal requerido

en los amplificadores y se traduce en costo a travs del factor de
conversin

convierte cada Decibel faltante en el costo de

100 metros de cable usado.

La ecuacin (3.2), representa el flujo de seal a travs de la red:

99

G(bi) = 0 , se puede representar as:

G(bi) = b b
i

Atenuacion = 0

La ecuacin (3.3), la seal en cada nodo debe ser mayor a un mnimo.

La ecuacin (3.4), indica que se est trabajando sobre un rango de

frecuencias. Para frecuencias fuera de este rango, no se garantiza los
valores de la funcin objetivo.

La ecuacin (3.5), exige que las redes sometidas a la funcin objetivo

sean de tipo radial.

La ecuacin (3.6), muestra el clculo de los Decibles faltantes en los

nodos.

Ejemplo: la red de la figura 3.1, no cumple la restriccin de radialidad.

Figura 3.1 Ejemplo de una red no radial.

100

Las redes de tipo radial indican la conexin de todos los nodos entre s,
sin que se formen trayectorias cerradas o lazos.

Los algoritmos genticos son utilizados para resolver problemas de

maximizacin. En este caso, se busca minimizar la funcin objetivo, por
lo tanto, es necesario adaptar la funcin objetivo a travs de una
funcin de adaptacin:

FA =

1
FO

En donde:

FA : Funcin de Adaptacin.

FO : Funcin Objetivo.

Cuando

el

Algoritmo

Gentico

busque

maximizar

la

adaptacin, indirectamente se minimiza la funcin objetivo.

101

funcin

de

4. GENERADORES DE LA POBLACIN INICIAL

4.1 TIPO DE CODIFICACION

La codificacin es quizs el proceso ms importante en el estudio de una

red ya que de sta depende el correcto procesamiento de la informacin
en un programa. La codificacin es la forma como se interpreta o
identifica cada solucin.

Cada rama de la red debe ser numerada as

como cada nodo, que para este caso es el punto de entrada a cada
amplificador o es un elemento de divisin de seal. Despus de esto se
crea una base de datos con los valores de longitud de todas las ramas
del rbol y del co-rbol, se incluyen tambin los elementos de divisin
de seal presentes antes de cada amplificador. Una vez hecho lo
anterior, cada configuracin se identifica por un arreglo de unos y ceros,
donde uno (1) en la posicin del arreglo significa que la rama est
conectada y hace parte del rbol, por el contrario (0) en la misma
posicin significa que la i-sima est desconectada y forma parte del corbol. La figura 4.1 muestra un sistema tpico de 8 nodos y 10 ramas y
en el cual se basa este anlisis.

102

Figura 4.1 Configuracin base

4.2 GENERACION DE LA POBLACIN INICIAL

La poblacin inicial es el conjunto de configuraciones del sistema

Blaster, a partir de las cuales se van a obtener sucesivas generaciones
aplicando los operadores genticos.

El objetivo es generar por lo menos una configuracin con cada mtodo

de generacin de poblaciones para tener diversidad en el proceso de
optimizacin.

103

Es importante generar una poblacin inicial con material gentico

diverso ya que esta localiza el proceso en una regin atractiva donde
seguramente se encuentra la solucin optima. A continuacin se
generan poblaciones empleando algunas heursticas constructivas como
tambin se generan en forma aleatoria con fines de comparacin.

4.2.1 Inicializador simple. Una de las formas de crear la poblacin

inicial es a partir de la configuracin base, que es aquella que presenta
el sistema de banda ancha en condiciones normales de operacin.
Realizando cambios de estado en las ramas desconectadas se forman las
nuevas configuraciones de la poblacin inicial.

El procedimiento es el

siguiente:

Algoritmo

1. Hacer una lista con las ramas que se encuentran desconectadas

en la configuracin base, en el caso de la figura 4.1, estas ramas
son la 8,9,10.

2. Escoger aleatoriamente una de las ramas de la lista y conectarla.

Con esto se forma una trayectoria cerrada alterando la topologa
radial del sistema Blaster, entonces se hace necesario desconectar
aleatoriamente una de las ramas pertenecientes al lazo que se
forma para restablecer la topologa radial del sistema Blaster.
Conectando la rama 9 de acuerdo a la figura 4.1, se debe
desconectar una de las siguientes ramas: 3,4,5

104

3. Almacenar la configuracin resultante y repetir el procedimiento

hasta alcanzar el tamao de poblacin adecuado que puede estar
entre 50 y 200 configuraciones.

4.2.2 Inicializador del rbol mnimo de Kruskal. Por definicin un

rbol T es un grfico que est conectado y no tiene trayectorias
cerradas.

Donde Conectado significa que hay una trayectoria desde

cualquier nodo en T a cualquier otro nodo en T. Una trayectoria cerrada

indica que haciendo un recorrido e iniciando en un nodo determinando,
a travs de las trayectorias, se llega al mismo nodo de partida.

Figura 4.2 rbol completo

Un rbol completo T en un grfico conectado G dado, es un rbol que

contiene todos los n nodos de G. Tal rbol tiene (n-1) ramas.

Un rbol mnimo en un grfico G conectado, es un rbol completo para

el cual la suma de las longitudes de las ramas de T es mnima
comparada a la de cualquier rbol completo.

105

Dado un grfico conectado G con ramas de longitud Lij>0, el algoritmo

que determina un rbol mnimo en G es el siguiente:

Entradas: las ramas (,j) de G y sus longitudes Lij.

Salida: rbol mnimo en G.

Algoritmo

1. Ordenar las ramas de G de manera ascendente de acuerdo a su

longitud.

2. Escogerlas en este orden como ramas de T, rechazando una rama

nicamente si sta forma una trayectoria cerrada con ramas ya
escogidas. Si (n-1) ramas han sido escogidas, entonces la salida
T es igual al conjunto de ramas escogidas y el algoritmo termina.

Ejemplo: hallar el rbol mnimo en la figura 4.3

Figura 4.3 Ejemplo del rbol mnimo

106

En la tabla 4.1, se describe la formacin del rbol mnimo.

Tabla 4.1 Conformacin del rbol mnimo Blaster

Rama

Longitud

Eleccin

(3,6)

(1,2)

(1,3)

(4,5)

(2,3)

Forma lazo

(3,4)

(5,6)

(2,4)

11

En algunas de las etapas intermedias, las ramas escogidas forman un

grfico desconectado. Despus de (n-1)= 5 ramas escogidas se detiene
el proceso, ya que un rbol completo tiene (n-1) ramas.

En este

problema las ramas escogidas estn en la parte superior de la lista.

Esto es tpico de problemas de cualquier tamao, en general las ramas
ms abajo en la lista tienen una probabilidad menor de ser escogidas.

4.2.2.1 Aplicacin del rbol mnimo al problema de optimizacin.

Ya que la poblacin inicial de un algoritmo evolutivo es una parte muy
importante del mismo, se deben escoger las configuraciones iniciales de
tal forma que se localicen en una regin atractiva donde se encuentran
soluciones de buena calidad. Por esto, se aplicar el concepto de rbol

107

mnimo al problema de optimizacin de redes Blaster para distribucin

de seales de televisin y servicios adicionales como voz y datos.

Debido a que los costos de un sistema de transmisin de seales se

incrementa con las longitudes de cable utilizados en las diferentes
trayectorias del modelo Blaster y considerando que la cantidad de seal
que debe llegar a cada amplificador es afectada al variar las longitudes,
se puede considerar que stas conforman un parmetro bsico de
decisin para formar un rbol mnimo.

La cantidad de seal que se pierde en un tramo de cable, est dada en

decibeles (dB), depende de la longitud de dicho tramo y de la frecuencia
a la que se est transmitiendo.

En el diseo de las redes se tienen en cuenta cuatro frecuencias

fundamentales: en forward 52MHz y 870 MHz; en reverse 5 MHz y 40
MHz. La sugerencia es que la frecuencia a la que se debe realizar la
comparacin de prdidas de seal sea la ms alta de forward
(870MHz).

Prdidas en dB de una lnea coaxial = f(Longitud, Frecuencia).

ALGORITMO

1. Leer los datos de la red en cuestin, tales como longitud y nivel de

seal en decibeles de las lneas a la frecuencia ms alta en
forward.

108

2. Ordenar en forma ascendente las lneas de acuerdo a los valores

de prdidas de las mismas segn su longitud (pueden ser
comparadas con una sola de las cuatro frecuencias ya que la
correspondencia se conserva).

3. Elegir las ramas en este orden, rechazando aquellas que formen

trayectorias cerradas con otras ramas ya escogidas.

4. Detener el algoritmo cuando se hayan elegido (n- 1) ramas.

Una vez se conocen las ramas que conforman el rbol mnimo, las
configuraciones de la poblacin inicial se obtienen realizando el
procedimiento del inicializador simple.

Nota. Recordar que una seal viajante en forward es aquella que lleva
seales de video o datos hacia el usuario y una seal en reverse trae
seales desde el usuario a un centro de procesamiento de las mismas.

4.2.3 Inicializador del rbol Mnimo de Prim.

ALGORITMO:

1. Ajustar i(k)=1, U={1}, S=0. Marcar el nodo k = (2......n) con

k=Lik =: { si G no tiene rama (1,k)}.

2. Adicin de una rama al rbol T.

Suponiendo que j es el ms

pequeo k para k no incluido en U, incluir el nodo j en U y la

rama (i(j), j) en S.

109

Si U = V entonces calcular
L(T)= Lij (suma de las longitudes de todas ramas de S).
De lo contrario Continu en el paso 3

3. Actualizar etiquetas.

Para cada k no incluido en U, si Ljk<k

entonces ajustar k=Ljk y i(k)=j. Regresar al paso 2.

El algoritmo de Prim es otro popular algoritmo para resolver el problema

del rbol mnimo. Este algoritmo genera un rbol T en cada etapa, una
propiedad que el algoritmo de Kruskal no tiene.

En el algoritmo de Prim, empezando a partir de un nodo cualquiera que

se llamar nodo 1, se genera el rbol T adicionando ramas a ste, una a
la vez, de acuerdo a una regla hasta que finalmente T se convierte en
un rbol completo, denominado como rbol mnimo.

Se define U como el conjunto de nodos del creciente rbol T, y a S como

el conjunto de sus ramas. As inicialmente U ={1} y S =0, al final U
=V, el conjunto de nodos del grfico dado, G =(V, E) cuyas ramas (i j)
tienen una longitud Lij > 0.

Al principio (paso 1), las etiquetas 2,........ n de los nodos 2,.......,n son
las longitudes de las ramas que conectan al nodo 1 ( : si no hay tal
rama en G). Se selecciona (Paso 2), la ms corta de ellas como la
primera rama del rbol creciente T y se incluye su otro nodo j en U
(escogiendo el j ms pequeo, si hay varios, para hacer el nico
proceso). Actualizando las etiquetas en el paso 3 interesa cada nodo k
no incluido en U an. Los nodos k tienen etiquetas k = Ii(k),k

110

en

adelante. Si Ij,k < k esto significa que k est ms cerca del nuevo
miembro j recin incluido en U. Luego se actualiza la etiqueta k,
reemplazando k = Ii(k),k por k
si

Ij,k y ajustando i(k) =j . Sin embargo,

Ij,k k no se toca la antigua etiqueta. As la etiqueta k siempre

identifica el vecino ms cercano de k en U, y ste es actualizado en el

Paso 3 al tiempo que U y el rbol T crecen. De las etiquetas finales se
puede extraer el rbol final, y de sus valores numricos se calcula la
longitud total del rbol.

Ejemplo:

Encontrar el rbol mnimo de la figura 4.3 utilizando el algoritmo de

Prim. Los pasos son los siguientes:

Figura 4.3 Ejemplo del rbol mnimo de Prim

1. i(k)=1, U ={1}, S =0 y las etiquetas iniciales son las de la tabla

4.2

111

2. 2 = I12=2 es el ms pequeo, U ={1,2}, S ={(1,2)}

3. Actualizar las etiquetas como se muestra en la tabla 4.2 columna

I
4 3 = I13=4 es la ms pequea, U ={1,2,3}, S ={(1,2),(1,3)}

5 Actualizar las etiquetas como se muestra en la tabla 4.2 columna

II
6 6 = I36=1 es la ms pequea, U={1,2,3,6},
S ={(1,2),(1,3),(3,6)}

7 Actualizar las etiquetas como se muestra en la tabla 4.2 columna

III

8 4 = I34=8 es la ms pequea, U ={1,2,3,4,6},

S ={(1,2),(1,3),(3,4),(3,6)}

9 Actualizar las etiquetas como se muestra en la tabla 4.2 de la

columna IV

10

I45=6

es

la

S={(1,2),(1,3),(3,4),(3,6),(4,5)} Parar

112

ms

pequea,

U=V

Tabla 4.2 Ejemplo del rbol mnimo de Prim

Nodo

4.2.4

Renumeracin

Etiqueta
inicial

(I)

(II)

(III)

(IV)

L12 =2

L13 =4

L13 =4

L24 =11

L34 =8

L34 =8

L65 =9

L45 =6

L36 =1

Inicializador aleatorio.

El procedimiento para encontrar la

poblacin inicial con este Inicializador es muy parecido al del rbol

mnimo. Consiste en conectar aleatoriamente una a una las ramas
candidatas empezando desde el nodo nmero 1 hasta completar (n-1)
ramas, donde (n-1) es el nmero total de ramas y n el nmero de nodos
del sistema.

113

5. ADAPTACIN DEL MODELO MATEMTICO AL PROBLEMA

El siguiente captulo describe la forma cmo fue adaptado y modelado el

problema de optimizacin de la red Blaster a un modelo matemtico
para posteriormente ser sometido a un mtodo de solucin por medio de
algoritmos genticos.

5.1 INTRODUCCION

En el diseo de una red de distribucin de seales de televisin y

servicios complementarios (Red de banda ancha) se tienen en cuenta
variables que hacen de esta una red confiable, segura y econmica. Los
materiales fsicos de transporte utilizados en estas redes tales como la
fibra y el cable coaxial que llevan unas prdidas asociadas, pueden ser
reducidos optimizando la distribucin de seales de video y datos,
reduciendo as tambin los costos de un proyecto especfico.

En este caso, la meta es hallar una configuracin ptima para una red
de distribucin de seal con arquitectura Blaster, donde cada uno de los
amplificadores que alimentan las micro clulas (conjunto de usuarios) de
un subnodo de 500 usuarios (homepassed) previamente escogidas,
deben ser, a su vez, alimentados con seal (video, datos) y voltaje a
travs de cable coaxial proveniente de una rama de alimentacin del
nodo ptico.

114

Existen muchas tcnicas para solucionar este problema, una de ellas

consiste en hacer una bsqueda exhaustiva a travs del espacio de
todas las posibles configuraciones, pero debido a que en sistemas de
distribucin de seal

de mediana y gran escala el nmero total de

configuraciones radiales posibles es muy elevado, la aplicacin de esta

tcnica no sera apropiada, ya que demandara gran esfuerzo y tiempo
computacional.

Existen varias tcnicas que podran ser aplicadas en la solucin de este

problema, como los algoritmos genticos, se espera que al ser
aplicados, entreguen buenos resultados.

5.2 REDES RADIALES

Las redes radiales trabajan bajo el principio de grafos dirigidos que son
esquemas que constan de vrtices (nodos), que se unen por medio de
arcos (ramas) las cuales tienen direccin y longitud.

Adems, las restricciones vistas en el captulo 3, garantizan la radialidad

de las redes.

5.3 ARQUITECTURA USADA

La arquitectura seleccionada y sobre la cual se hace el proceso de

optimizacin es BLASTER utilizada en sistemas de transporte de video y
datos. Por su naturaleza de funcionamiento las redes BLASTER se
ajustan a la teora existente para redes construidas y operadas con
configuracin radial.

115

5.2.1 Partes que constituyen la red radial. Las redes radiales con
arquitectura BLASTER y adaptada al problema, constan de las siguientes
partes:

5.2.1.1

Nodo ptico (Alimentador principal).

Equivalente al

denominado Nodo Slack en sistemas de energa elctrica; es el

encargado de inyectar seal a la red. En BLASTER la inyeccin de seal
esta a cargo de una fuente de seal tmabin denominada Receptor
ptico.

5.2.1.2

Nodo.

Inicialmente se identific como nodos, los sitios en

donde es necesario dividir la seal, con dos clases de elementos:

Acopladores

Direccionales

Splitters

asumiendo

que

los

amplificadores se encuentran cerca a estos nodos. Sin embargo, dada

las caractersticas de las redes Blaster, en muchas ocasiones, los
amplificadores se encuentran a una distancia considerable de los nodos
o elementos de divisin de seal, por tal motivo, se determin que cada
nodo tiene un amplificador a una distancia, la que se denomin
Alejamiento.

5.2.1.3 Ramas. Se considera como rama al tramo de cable que une

dos nodos determinados. En este caso el cable usado entre nodos
(acopladores

direccionales)

es

cable

coaxial

utilizado

para

redes

troncales.

5.2.2 Configuracin base. Una configuracin base se genera con la

utilizacin de todas las partes mencionadas anteriormente, constituida

116

por nodos, amplificadores y ramas. Adems, en esta configuracin base

se incluyen tambin las ramas como posibles alternativas para la
conexin entre nodos.

En la figura 5.1, se muestra una configuracin base constituida por 9

nodos y 13 ramas. Tambin se distingue que algunos amplificadores
estn a una distancia de los respectivos nodos.

Figura 5.1 Configuracin Base.

5.3 RESTRICCIONES DEL MODELO MATEMTICO

Para mantener la integridad de las redes radiales, se tienen en cuenta

las siguientes restricciones:

117

Todos los nodos deben estar conectados, de lo contrario significara

que existen amplificadores no conectados, lo que no es permisible.

No se permiten lazos, es decir que un amplificador o nodo no puede

estar alimentado por dos ramas.

Por lo tanto, los individuos resultantes son configuraciones de redes

radiales, la nica infactibilidad que se permite es que las configuraciones
no cumplan con los niveles mnimos de seal entregados a los
amplificadores.

5.4 MTODOS DE GENERACIN DE POBLACIN INICIAL

En estos mtodos, toda configuracin generada es factible, esto quiere

decir que todos los nodos estn alimentados y no existen trayectorias
cerradas en la topologa. Esta factibilidad ser conservada durante todo
el proceso y para todas las configuraciones.

5.4.1

Inicializador Aleatorio. En este mtodo se implement un

algoritmo que ubica el nodo slack (o alimentador de seal) como nodo

de partida para una configuracin base y a partir del mismo se conectan
ramas aleatoriamente. No se aceptan trayectorias cerradas en el rbol
generado. Por lo tanto, toda configuracin generada es factible. Como
las ramas son escogidas aleatoriamente la poblacin generada es muy
diversa.

118

5.4.1.1

Descripcin del Algoritmo del inicializador aleatorio.

Mientras el nmero de ramas conectadas sea menor al N-1, donde N es

el nmero de nodos, hacer lo siguiente:

1. Conectar el nodo seleccionado.

2. Hacer una lista con las ramas que podran conectarse a este nodo y
que an no estn conectadas.

3. Si

quedan

an

ramas

que

podran

ser

conectadas

al

nodo

mencionado entonces:

3.1 Se escoge aleatoriamente una.

3.2 Se escoge el nodo que no ha sido conectado de esta rama.

3.3 Si este nodo puede aportar ramas, se ingresa en la lista de

nodos conectados y se ingresa la rama escogida en el paso
3.1. Se incrementa el contador que lleva el nmero de ramas
conectadas.

3.4 De lo contrario: Se desconecta la rama en cuestin, y se

examina si hay ramas (ir al Paso 3.1).

4. Se sigue el proceso hasta que se hayan conectado todos los nodos

con N-1 ramas, donde N es el nmero de nodos.

119

Se repite todo el proceso hasta que se tenga el nmero de individuos de

la poblacin.

5.4.2

Inicializador Simple.

Para implementar el mtodo de

generacin de poblacin por el inicializador simple se requiere de una

configuracin inicial.

Para este Inicializador, es necesario iniciar con un individuo el cual se

puede construir de forma manual, o por medio de los algoritmos para
construir rboles mnimos como son PRIM y KRUSKAL.

5.4.2.1

Descripcin del algoritmo del inicializador simple.

Mientras el nmero de individuos sea menor que la poblacin requerida,

hacer lo siguiente:

1. Hacer una lista con las ramas que no estn presentes enla
configuracin del individuo.

2. Escoger aleatoriamente una rama.

3. Conectar la rama seleccionada anteriormente a la configuracin

actual. Con la conexin de la nueva rama se forma un lazo, el cual
requiere ser abierto.

4. Se hace una lista con las ramas que forman el lazo, menos la
rama que se acaba de conectar.

120

5. Se

escoge

aleatoriamente

alguna

de

las

ramas

listadas

anteriormente, la que se desconecta, con el fin de abrir el lazo.

6. Con la configuracin obtenida, se regresa al Paso 1 con el fin de

encontrar una nueva configuracin.

El proceso se repite (Paso 1) hasta que se complete el nmero de

individuos

5.4.3 Inicializador Manual. Se genera el individuo con el criterio del

diseador de las redes de acuerdo a lo que considera ser la mejor
disposicin de las ramas.

5.4.4

rbol mnimo de Prim.

En la seccin 4.2.3, se describi el

algoritmo en forma general.

Para

implementar

este

algoritmo,

fue

necesario

usar

funciones

recursivas.

El rbol mnimo de Prim, busca conectar todos los nodos, usando las
ramas cuyo costo sea el menor, usando para esto, la siguiente
heurstica:

1. Con el nodo seleccionado, se hace una lista de las ramas que lo

podran conectar con el resto de nodos, incluso, aunque no existan
ramas fsicas, caso en el cual la rama tiene un costo infinito, tambin
se hace una lista con los nodos que an no se han conectado.

121

2. Se escoge la rama que tenga el menor costo y se conecta el nodo del

otro extremo de la rama, actualizando luego, la lista de nodos no
conectados.

3. La lista de ramas se ordenan en forma ascendente, de tal suerte que

queda una candidata para ser escogida.

4. Con el nodo conectado anteriormente, se hace una nueva lista de

ramas, se escoge la menor, y se compara magnitud de sta, con la
candidata que haba antes, la del Paso 3 (rama vecina).

5. Se selecciona la rama de menor costo entre las candidatas del Paso 3

y del Paso 4.

6. Se actualiza la nueva candidata, si la rama escogida es la del Paso 3,

la rama candidata ser la del Paso 4 y viceversa.

7. Con la rama conectada anteriormente, se selecciona el nodo que

hace falta para conectar. El proceso sigue en el Paso 1.

8. El proceso se repite hasta completar un rbol mnimo.

5.4.5 rbol mnimo de Kruskal. El proceso es ms sencillo que el

anteriormente descrito.

La estrategia consiste en ordenar la longitud de las ramas

ascendente.

122

en forma

Conectar las ramas de acuerdo al orden establecido, verificar en cada

caso la conexin de dicha rama. Si forma lazo, se descarta esta
conexin.
El proceso contina hasta que todos los nodos queden conectados.

Luego de obtener el primer individuo se sigue el siguiente proceso:

Descripcin:

Mientras el nmero de individuos sea menor que la poblacin requerida,

hacer lo siguiente:

1. Hacer una lista con las ramas que no se conectaron para el primer
individuo.

2. Seleccionar aleatoriamente una rama.

3. Conectar la rama seleccionada. Con la conexin de la nueva rama

se forma un lazo, por lo tanto se requiere abrir dicha trayectoria
cerrada.

4. Se hace una lista con las ramas que forman el lazo, menos la rama
que se acaba de conectar.

5. Se escoge aleatoriamente una rama, la que se desconecta,

abriendo el lazo.

123

El proceso se repite (Paso 1) hasta que se complete el nmero de

individuos.

5.5 PARMETROS DEL SISTEMA

5.5.1

Frecuencia crtica de operacin.

El rango de operacin de

una red HFC es de 5 a 1000 MHz, la frecuencia ms alta a la que opera

la red es de 870 MHz, considerada como la frecuencia a la que la seal
tiene las mayores prdidas en su transporte. Es por ello que se
consider trabajar en este proyecto con esta frecuencia crtica bajo la
premisa de que si esta seal llega hasta los amplificadores, cualquiera
de las frecuencias en forward desde 52 MHz a 870 MHz tambin llega
sin problema. Con respecto a las seales de reverse de 5 a 40 MHz se
considera que su nivel de chequeo se realiza en una etapa posterior a la
de optimizacin y bsicamente en la del diseo.

5.5.2
tienen

Nivel de entrada a los amplificadores.

especificado

el

nivel

mnimo

de

seal

Los amplificadores
dentro

de

sus

caractersticas de operacin. Sin embargo, es un buen criterio de diseo

alimentar los amplificadores con niveles de seal superiores al mnimo,
para

evitar

al

mximo

factores

externos

como

el

ruido

las

interferencias externas.

5.5.3 Calibre del cable a utilizar. Se utilizan los calibres estndares

que se emplean en el diseo de redes de Televisin por cable y datos.
El programa desarrollado tiene dentro de sus opciones la seleccin del
calibre de cable a utilizar. No es permitido usar diferentes calibres de
cable en una misma configuracin.

124

5.5.4

Costo del cable.

Es un parmetro que afecta la funcin

objetivo, depende del calibre utilizado.

5.5.5.

Elementos de divisin de seal.

Son elementos pasivos

ubicados en la red para dividir la seal hacia los dems amplificadores.

Los elementos de divisin de seal que se utilizan son los acopladores
direccionales y los Splitters o divisores. Cada elemento de divisin de
seal, tiene asociadas prdidas que son tenidas en cuenta a la hora de
hacer un diseo.

5.5.6 Funcin de atenuacin de seal. La prdida de seal a travs

de un cable coaxial es de naturaleza exponencial y est en funcin de la
longitud.

El cable presenta la siguiente funcin de atenuacin:

F(x)= b * m ^ x.

Donde f(x) es la prdida de seal, y est medida en Decibles.

b y m: constantes de la funcin exponencial.

x: longitud en metros.

5.6 ORDENAMIENTO

125

El ordenamiento consiste en enumerar los nodos por niveles, partiendo

del primero, en el cual est localizado el nodo fuente, hasta llegar a los
nodos terminales como se muestra en la figura 4.2.

Figura 5.2. Ordenamiento de rboles.

El procedimiento es llevado a cabo analizando la conexin de la red,

representada en la identificacin de las ramas.

5.7 MANEJO DE LA FUNCIN OBJETIVO

La funcin objetivo la conforman dos componentes bsicos que

representan el costo de inversin y el costo de operacin.

Funcin Objetivo = Costos de Inversin + Costos de Operacin

Donde:

126

Costos de inversin:

est compuesto por el Valor de elementos de

divisin splitters y acopladores direccionales y por la longitud total del

cable coaxial usado en una configuracin determinada.

Costos de operacin: bsicamente es el costo econmico debido al

incumplimiento de seal mnima tcnica requerida por los amplificadores
para su funcionamiento.

5.7.1 Clculo del Costo de Inversin.

Se tiene en cuenta el costo total de cable y el costo de los elementos de

divisin de seal que se utilizaron en determinada configuracin o red.

5.7.2 Clculo del Costo de Operacin.

Para este clculo se lleva en cuenta:

La cantidad de Decibles faltantes en la entrada de los amplificadores

para cumplir con el nivel mnimo de seal.

Criterios de Diseo establecidos para la escogencia de los diferentes

elementos de divisin de seal, ya que la prdida de seal en cada
nodo, depende tambin del elemento que se escoja.

Cada Decibel faltante se traduce en un costo.

Es posible que para determinadas topologas el nivel de seal est por

debajo del requerido a la entrada de los amplificadores. Por lo anterior,

127

la funcin objetivo de dicha configuracin debe ser penalizada por

incumplimiento tcnico. Se estableci entonces, que cada Decibel
faltante en determinado nodo, equivale al costo de 100 metros de
longitud del cable usado.

El valor en pesos de cada decibel faltante incrementa su valor en la

medida en que se emplee un calibre superior.

En el algoritmo se opt por dejar el costo de penalizacin como una

variable en un rango del [0 - 100] %. As, el 100 % corresponde al valor
de 100 metros de cable y un 20 % a 20 metros de cable por cada
Decibel faltante en el nodo.

5.8 EJEMPLO DEL CLCULO DE LA FUNCIN OBJETIVO

En el siguiente ejemplo se describe manera como se calcula la funcin

objetivo en un sistema de 9 nodos como lo muestra la figura 5.3.

Figura 5.3 Sistema de 9 nodos.

128

Para llevar a cabo el clculo de la Funcin Objetivo, el algoritmo

considera los siguientes criterios de diseo:

1. El nodo 1 es el nodo alimentador, por lo tanto no tiene asociado

ningn amplificador, as como tampoco elementos de divisin de
seal. El receptor ptico posee varias salidas con el mismo nivel de
salida.

2. Los nodos 2, 5 y 7 son nodos no terminales, y, de stos parte una

rama, con un slo elemento de divisin, denominado Acoplador
Direccional con las caractersticas descritas en el captulo 1. En estos
nodos, durante el proceso se decide el tipo de Acoplador Direccional a
seleccionar de acuerdo al nivel de seal presente en los diferentes
nodos. Las prdidas de seal son llevadas en cuenta cuando se
insertan estos elementos.

3. Los nodos 3, 6, 8 y 9 son nodos terminales, por lo tanto, el

procedimiento, no adiciona elementos de divisin de seal.

4. El nodo 4 es un nodo no terminal, y de l parten dos ramas; el

procedimiento en este caso es agregar dos elementos de divisin de
seal: El Acoplador Direccional y el Splitter para repartir la seal por
las dos ramas hacia los otros nodos.

5. Se tiene en cuenta el alejamiento de los amplificadores, ya que

pueden estar alejados del nodo. En el nodo 5 y 9 los amplificadores

129

estn fsicamente junto a los elementos de divisin de seal, por lo

tanto el alejamiento en estos casos es cero.

En la figura 5.4, se definen las distancias de las ramas y los valores de

seal en cada nodo. La Tabla 5.1, muestra los parmetros que se
tuvieron en cuenta para los diferentes elementos de Divisin de Seal,
sus costos y la funcin de atenuacin del cable escogido.

Figura 5.4 Niveles de Seal en los nodos del ejemplo.

130

Tabla 5.1 Parmetros de la red.

Adems, para el ejemplo se asumieron los siguientes parmetros:

Un nivel de Seal de salida del nodo ptico de 50 Decibeles.

Calibre de cable nmero 0.500.

Un porcentaje de penalizacin del 20 %.

Nivel mnimo de entrada al amplificador de 12 Decibeles.

131

En el ejemplo tambin se observa lo siguiente:

Al nodo 9 le llega una seal de 9.9 Decibeles, lo que indica que hacen
falta, segn los parmetros (nivel mnimo de entrada), 2 Decibeles. Esto
se traduce en costo en la funcin objetivo segn el factor de
penalizacin. Si el factor de penalizacin es del 100 %, equivale al costo
de 200 metros de cable.

Costo

de

Penalizacin

(Decibeles

faltantes)*(Costo

de

100

metros)*(Porcentaje de Penalizacin).

Costo

de

Penalizacin

(2Db)*($5000*100)*(0.2)

200000.

El costo de inversin:

Total Cable utilizado por esta configuracin: 1720 metros a $ 5000

metro = $ 8600.000

Costo de los elementos:

Nodo 2. - Acoplador Direccional de 20 Decibeles: $ 90000.

Nodo 4. - Acoplador Direccional de 24 Decibeles: $ 100000.

- Splitter de 2 Salidas: $ 45000.

Nodo 5. - Acoplador Direccional de 20 Decibeles: $ 90000.

Nodo 7. Acoplador Direccional de 12 Decibeles $ 70000.

Costo de Inversin = $ 8600.000 + $ 395.000 = $ 8995.000.

132

El valor de la funcin objetivo para este ejemplo es:

$ 8995.000 + $ 200.000 = $ 9195.000.

5.9 SELECCIN

Los esquemas de seleccin utilizados son:

Proporcional.

Por Escalonamiento.

Por Ordenamiento.

Determinstica.

Por Torneo.

5.10 CRUZAMIENTO

Se aplica un tipo de cruzamiento que mantenga la integridad de la red

radial.

El procedimiento que se utiliza en este trabajo se explica con el

siguiente ejemplo:

1. Se escogen dos padres aptos, es decir, que hayan sido seleccionados

para tener descendientes, como lo muestra la figura 5.5.

133

Figura 5.5 Padres para realizar el cruzamiento.

2. Se pasa todo el material gentico del Padre 2 al Hijo 1, como lo

muestra la figura 5.6

Figura 5.6 Inicio obtencin del primer hijo.

134

3. Luego, En el individuo llamado Padre 1 se hace una lista con las

ramas extremas, se escoge una rama de esta lista aleatoriamente.

4. Por ejemplo, se escoge la rama 8 y se busca la ruta a partir de esta

rama hacia el nodo fuente, en este ejemplo las ramas son 8, 4, 1.

Figura 5.7. Paso del material gentico del Padre 1 al Hijo 1.

5. Este tipo de cruzamiento busca transmitir trayectos completos para

no perder la integridad de la red radial, por lo tanto, se transmite las
ramas una a una al Hijo 1, teniendo en cuenta que cuando se ingresa
una de estas ramas que an no estn en el Hijo 1, se forma un lazo,
por lo que se sigue con el procedimiento para eliminar lazos. Como lo
indica la figura 5.7, la rama con la que se forma un lazo es la rama 1,
por lo que se sigue con el procedimiento que elimina los lazos.

La configuracin final se muestra en la figura 5.8.

135

Figura 5.8 Hijo 1

6. Para obtener el Hijo 2, el proceso es el mismo, pero ahora el Padre 1

es el Padre 2 y viceversa.

5.11 MUTACION

En este tipo de problemas la mutacin consiste en alterar a un individuo

en una o varias de sus ramas, siempre teniendo en cuenta en mantener
las redes radiales. La mutacin se explica con el siguiente ejemplo:

1. Dado un individuo, como el de la figura 4.8, hacer una lista con las
ramas que no se conectaron (3, 5, 9, 10, 12, 13, 15). Escoger
aleatoriamente una rama por ejemplo la rama 12 y conectarla, con
esto, es evidente la formacin de un lazo como lo muestra la figura
5.9.

136

Figura 5.9 Formacin de lazo

2. Seguir con el procedimiento para eliminar la infactibilidad existente,

teniendo en cuenta de no desconectar la nueva rama. El nuevo
individuo, se muestra en la grfica 5.10.

Figura 5.10 Eliminacin de infactibilidad

137

El nmero de mutaciones sobre un individuo est determinado por:

X = (N-1)*Tasa de Mutacin/100, donde N es el nmero de nodos.

Si X es menor que 1, el valor de X indica la probabilidad de que ese
individuo sufra mutacin en una de sus ramas.

Ejemplo 1:

N = 10.
Tasa de Mutacin = 5 %.
X = (9)*5/100.
X = 0.45.

El resultado anterior indica que cada individuo tiene una probabilidad del
45 % de sufrir mutacin en una de sus ramas.

Ejemplo 2:

N = 10.
Tasa de Mutacin = 20 %.
X = (9)*20/100.
X = 1.8

El resultado anterior indica que cada individuo sufre una mutacin y la

parte decimal indica que tiene una probabilidad del 80 % de sufrir otra
mutacin en una de sus ramas.

Con este tipo de mutacin de observa lo siguiente:

138

Se observ que el algoritmo presenta mejor desempeo cuando la

mutacin se efecta sobre cada individuo.

La mutacin no depende del nmero de individuos de determinada

poblacin. Slo depende del nmero de nodos que posea un
individuo.

La Tasa de mutacin es variable, para fines de experimentacin y

lograr un ajuste adecuado para este tipo de problemas.

5.12 INCUMBENTE

Es el mejor individuo que se mantiene durante el proceso de evolucin.

Se puede mantener ms de una incumbente durante el proceso; en este
proyecto se trabaj slo con una.

5.13 CRITERIO DE PARADA

En el proyecto desarrollado el criterio de parada se determina por el

nmero de generaciones.

139

6. ANLISIS DE RESULTADOS OBTENIDOS

En este captulo se describe el proceso de cmo se realizaron varias

pruebas del funcionamiento del programa realizado y la interpretacin
de los resultados obtenidos.

6.1 PRIMERA FASE: CALIBRACIN DE LOS PARMETROS DEL

ALGORITMO GENTICO

Es necesario estudiar el comportamiento del Algoritmo Gentico cuando

varan sus parmetros como el Tipo de Seleccin, Tasa de Cruzamiento,
Tasa de Mutacin, etc., para obtener los mejores resultados.

En general, el sistema de prueba corresponde a una zona que

comprende los barrios Gama y Corales de la ciudad de Pereira. El barrio
Gama a su vez est dividido en dos Subzonas, lo mismo que el barrio
Corales.

CASO 1:

Para realizar esta calibracin o puesta apunto del Algoritmo Gentico, se

toma como sistema de prueba una Subzona del barrio Gama llamada
Subzona 2; la descripcin completa de nodos y ramas se encuentra en
el Anexo B. El procedimiento es el siguiente:

140

Se obtienen curvas de evolucin variando un parmetro, dejando los

dems parmetros constantes. Escogiendo el valor del parmetro con el
que se haya obtenido la mejor curva.

Como ya se mencion anteriormente, el sistema de prueba para esta

calibracin corresponde a la Subzona 2 situada en el barrio Gama. Esta
Subzona 2, comprende 10 amplificadores y un alimentador (Receptor
ptico). Las alternativas o configuracin base se describen en el Anexo
B.

La descripcin del sistema de referencia es la siguiente:

11 nodos 49 ramas.

Calibre: 0.500.

Salida receptor ptico: 50 Decibeles.

Nivel mnimo de entrada a amplificadores: 16 Decibeles.

Porcentaje de penalizacin: 20 %.

Frecuencia Crtica: 870 Megahertz.

6.1.1 Influencia del tamao de la poblacin

Es necesario identificar cmo se comporta este parmetro y su

influencia dentro del algoritmo gentico. Con los siguientes parmetros
constantes:

Mximo de descendientes: 2.

Tipo de Seleccin: Proporcional.

Tasa de Cruzamiento: 100 %.

141

Tasa de Mutacin: 3 %.

Generaciones: 300.

Tipo de Inicializador: Aleatorio.

La figura 6.1, muestra las curvas obtenidas. A continuacin se muestran

las soluciones obtenidas.

Con 50 individuos: se obtuvo la siguiente solucin: 2, 7, 9, 3, 20, 40,

47, 49, 12, 26.

Y el siguiente costo: 7825000 + 0 = 7825000.

Con 150 individuos: la siguiente solucin: 7, 2, 3, 44, 40, 45, 49, 20,
26, 12.

Y el siguiente costo: 7570000 + 100000 = 7670000

Con 200 Individuos: la siguiente solucin: 7, 2, 3, 40, 45,44, 49, 20, 12,
26.

Y el siguiente costo: 7570000 + 100000 = 7670000

Con 300 individuos: la siguiente solucin: 2, 7, 3, 20, 40, 44, 45, 49,
26, 12.

Y el siguiente costo: 7570000 + 100000 = 7670000

142

Figura 6.1 Influencia del tamao de Poblacin.

Influencia del tamao de Poblacin

18
50 individuos

16

150 individuos

FO (Millones)

200 Individuos

14

300 Individuos

12
10
8

96

91

86

81

76

71

66

61

56

51

46

41

36

31

26

21

16

11

6
Generaciones

Cuando se vara el tamao de poblacin se encuentra, una relativa

uniformidad entre las curvas generadas a partir de distintos tamaos,
sin embargo es necesario notar que cuando el tamao de la poblacin
est entre 200 y 300 individuos, las curvas convergen ms rpido, lo
que es de gran ayuda cuando se corren sistemas grandes, significando
esto, ahorro de recurso computacional y aprovechamiento del mismo en
otros parmetros como por ejemplo en el nmero de generaciones.

6.1.2 Tipo de Inicializador

Los inicializadores permiten ubicar al Algoritmo Gentico en un punto de

partida para la bsqueda de la mejor solucin, ya que ellos determinan
la variedad de individuos.

143

Se trabaja por tanto con los siguientes parmetros constantes:

Mximo de descendientes: 2.

Tipo de Seleccin: Proporcional.

Tasa de Cruzamiento: 100 %.

Tasa de Mutacin: 3 %.

Generaciones: 300.

Poblacin: 200 individuos.

La figura 6.2, muestra las curvas obtenidas.

Figura 6.2 Tipo de Inicializador.

Tipo de Inicializador
15

Aleatorio

14

Sim ple (Krus kal)

FO (Millones)

13

Sim ple (Prim )

Aleatorio y Sim ple

12
11
10
9
8

97

93

89

85

81

77

73

69

65

61

57

53

49

45

41

37

33

29

25

21

17

13

Ge ne racione s

El tipo de inicializador de la poblacin inicial, ubica al Algoritmo Gentico

en un punto de bsqueda, que puede llevar a convergencias prematuras

144

cuando se usa los inicializadores de rbol mnimo de Prim y Kruskal, ya

que las soluciones o la poblacin inicial tiene individuos con alto
desempeo. Por otro lado, El inicializador aleatorio entrega soluciones
de mala calidad, lo que puede indicar que se obtiene una solucin
subptima. Sin embargo, una combinacin de los dos tipos de
inicializadores es una buena opcin ya que se tiene una gran variedad
de individuos obtenindose mejores resultados debido al mayor espacio
de bsqueda.

6.1.3 Tipo de Seleccin.

Los

esquemas

de

seleccin

permiten

ajustar

la

cantidad

de

descendientes a la que tiene un individuo, teniendo en cuenta factores

como la convergencia prematura a soluciones que no son las ptimas.

Los dems parmetros permanecen constantes:

Mximo de descendientes: 2.

Tipo de Poblacin: Simple y Aleatoria.

Tasa de Cruzamiento: 100 %.

Tasa de Mutacin: 3 %.

Generaciones: 200.

Poblacin: 200 individuos.

La figura 6.3, muestra las curvas obtenidas.

145

Figura 6.3 Tipo de Seleccin.

Tipo de Seleccin
11.5
Proporcional

11

Escalonamiento
10.5

Ordenamiento
Determinstica

FO (Millones)

10

Torneo
9.5
9
8.5
8
7.5

96

91

86

81

76

71

66

61

56

51

46

41

36

31

26

21

16

11

Generaciones

El esquema de seleccin por Torneo se asemeja a lo que pasa en la

naturaleza, y en la figura 6.3 se puede observar que es el esquema que
converge ms rpidamente, lo que es til en sistemas grandes dada la
complejidad

computacional.

Los

esquemas

de

Seleccin

por

Escalonamiento y por ordenamiento aunque son variaciones al esquema

de Seleccin proporcional, no representan buenas opciones en este
caso, se observ que necesitan ms generaciones para llegar a la
solucin ptima.

6.1.4 Nmero mximo de Descendientes:

Un parmetro que puede resultar importante es limitar la descendencia

a que tiene derecho cada individuo.

146

Los dems parmetros se mantienen constantes:

Tipo Seleccin: Proporcional.

Tipo de Poblacin: Simple y Aleatoria.

Tasa de Cruzamiento: 100 %.

Tasa de Mutacin: 3 %.

Generaciones: 200.

Poblacin: 200 individuos.

La figura 6.4, muestra las curvas obtenidas.

Figura 6.4 Nmero mximo de descendientes.

Nmero Mximo de Descendientes

11
Mximo 2

FO (Millones)

10.5

Mximo 4

10

Mximo 6

9.5

No hay lmite

9
8.5
8
7.5

77

73

69

65

61

57

53

49

45

41

37

33

29

25

21

17

13

Generaciones

Cuando se limita el nmero de descendientes, la evolucin transcurre

sin modificacin alguna durante varias generaciones, como en el caso

147

donde se limita el nmero de descendientes a 2; esto afecta en gran

medida la evolucin normal. Sin embargo, cuando no se limita el
nmero de descendientes, la curva de evolucin no presenta periodos
largos sin modificacin, excepto cuando est llegando a la solucin
ptima. Por lo anterior, en este caso no es recomendable limitar el
nmero de descendientes.

6.1.5 Tasa de Mutacin

La tasa de mutacin debe mantenerse baja para evitar que los

individuos

se

modifiquen

hasta

el

punto

convergencia a la solucin.

Los dems parmetros permanecen constantes:

Mximo de descendientes: 2.

Tipo Seleccin: Proporcional.

Tipo de Poblacin: Simple y Aleatoria.

Tasa de Cruzamiento: 100 %.

Generaciones: 200.

Poblacin: 200 individuos.

La figura 6.5, muestra las curvas obtenidas.

148

de

que

se

pierda

la

Figura 6.5 Tasa de Mutacin.

Tasa de Mutacin
11

0.50%
1%

10.5

3%

FO (Millones)

10

6%

9.5

12%

9
8.5
8
7.5

91

86

81

76

71

66

61

56

51

46

41

36

31

26

21

16

11

Generaciones

Las tasas de Mutacin grandes como del 6 % o del 12 % no dejan

converger hacia la solucin ptima, sin embargo cuando se mantienen
tasas bajas entre el 1 % y el 3 % se obtienen mejores soluciones.

Una tasa alta de Mutacin puede generar una nueva poblacin, con
individuos de poco desempeo, es decir, aunque se tiene una poblacin
variada, ningn elemento o individuo es mejor que el que se tiene.

6.1.6 Tasa de Cruzamiento

Este parmetro define qu porcentaje de los individuos van a ser

cruzados para generar la nueva poblacin.

149

Los dems parmetros permanecen constantes:

Mximo de descendientes: 2.

Tipo Seleccin: Proporcional.

Tipo de Poblacin: Simple y Aleatoria.

Tasa de Mutacin: 3 %.

Generaciones: 200.

Poblacin: 200 individuos.

La figura 6.6, muestra las curvas obtenidas.

Figura 6.6 Tasa de Cruzamiento.

Tasa de Cruzamiento
50%

11

70%

10.5

80%

FO (Millones)

10

90%

9.5

100%

9
8.5
8
7.5
97

91

85

79

73

67

61

55

49

43

37

31

25

19

13

7
Generaciones

El porcentaje de cruzamiento no refleja una importancia real, sin

embargo, es necesario transmitir la mayor cantidad de material gentico

150

para conservar la variedad de la poblacin, por lo que se trabaja con

tasas altas de cruzamiento (entre el 90 % y el 100 %).

6.1.7 Resumen

Con los anteriores resultados, se puede escoger ms acertadamente, los

parmetros que rigen el Algoritmo Gentico. As, se tiene ms certeza
de encontrar una solucin ptima.

Para este trabajo, se escogen los parmetros cuyas grficas y resultados

fueron los mejores. En las siguientes pruebas se trabajar con lo
siguientes parmetros para el Algoritmo gentico:

Tamao de Poblacin: Entre 200 y 300 Individuos.

Tipo de Poblacin: 100 individuos generados Aleatoriamente y 100

individuos generados con el inicializador Simple.

Tipo de Seleccin: Por Torneo.

No limita el Nmero de Descendientes.

Tasa de Mutacin: Entre el 2 % y el 3 %.

Tasa de Cruzamiento Entre el 90 % y el 100 %.

6.2

SEGUNDA FASE: PRUEBAS INICIALES

Las pruebas iniciales son necesarias para tener una aproximacin ms

exacta del problema real que se est abordando. Lo primero que se
prueba es el desempeo del Algoritmo Gentico y la aplicacin misma
cuando el sistema es de un tamao considerable y corregir los
inconvenientes que puedan resultar.

151

CASO 2:

El sistema de prueba corresponde a la zona que comprende los barrios

Gama y Corales de la ciudad de Pereira. El barrio Gama a su vez est
dividido en dos Subzonas, lo mismo que el barrio Corales.

La descripcin completa de nodos y ramas de este sistema de prueba,

se muestran en el Anexo C. As mismo, la explicacin del contenido de
las tablas descritas en los anexos, se muestra en el Anexo A.

Ahora, el sistema comprende 34 amplificadores ubicados previamente

en la zona mencionada, los cuales deben ser conectados bajo la
topologa Blaster. Se cuenta tambin con cuatro Receptores pticos que
son los alimentadores. Los dems parmetros que rigen el sistema se
describen a continuacin.

Porcentaje de penalizacin 20 %. Es decir, que cada Decibel faltante

equivale al costo de 20 metros de cable con el calibre que se est
trabajando.

Nivel de salida: 50 Decibeles. Es el nivel de salida especificado para

cada Receptor ptico.

Nivel mnimo de entrada a los amplificadores: 12 Decibeles. Es el

nivel ms comn que tienen los amplificadores para que funcionen
adecuadamente.

Calibre de cable:

0.500. Es el calibre con el que se trabaja

normalmente.

Del Anexo C, se puede resumir el sistema de prueba como:

152

35 Nodos.

154 ramas.

Los parmetros del Algoritmo Gentico con los que se va a trabajar

inicialmente son:

100 Individuos generados aleatoriamente.

Porcentaje de Mutacin: 3 %.

Porcentaje de Cruzamiento: 100 %.

En la figura 6.7, se muestra esta primera solucin, notando la evolucin

de la poblacin hasta obtener una solucin ptima.

Figura 6.7 Primera curva de evolucin.

Pruebas Iniciales
97
87
Sel Proporcional
Sel por Torneo

67
57
47
37
27
17

Generaciones

153

289

277

265

253

241

229

217

205

193

181

169

157

145

133

121

109

97

85

73

61

49

37

25

13

7
1

FO (Millones)

77

La figura 6.7, muestra tambin, el desempeo para el sistema descrito.

En el anterior sistema se observa el desempeo del Algoritmo Gentico
con sistemas relativamente grandes, se comprueba tambin, que las
mejores

soluciones

se

obtienen

con

los

esquemas

de

seleccin

Proporcional y por Torneo respectivamente.

Se obtuvo la siguiente solucin:

Funcin Objetivo = $ 30115.000

Costo de Inversin = $ 28715.000
Costo de Operacin = $ 1400.000

Con la siguiente configuracin o ramas conectadas:

135, 47, 115, 114, 132, 5, 112, 10, 43, 136, 42, 44, 3, 9, 85, 89, 87,
129, 130, 148, 128, 122, 139, 138, 31, 21, 94, 52, 11, 144, 60, 38,
107, 35.

6.3 TERCERA FASE: PRUEBA DE DESEMPEO DEL ALGORITMO

GENETICO CON PARMETROS CALIBRADOS

Para mostrar la potencialidad del desempeo de los Algoritmos

Genticos, se hicieron pruebas que muestran la obtencin de mejores
soluciones cuando se analiza pequeos sistemas o Subzonas tratados
como si fuesen un solo sistema grande.
Para eso, se plantean los siguientes casos:

154

CASO 3.

Se tiene cuatro Subzonas o sistemas pequeos pertenecientes a los

sectores Gama y Corales, los que se tratan en forma individual, es decir
que cada Subzona equivale a un sistema. Por lo tanto, con cada sistema
se obtiene una solucin individual.

Subzona 1. Pertenece al sector de Gama, comprende 11 amplificadores

y un receptor ptico, formndose un sistema compuesto por 11 nodos y
40 ramas. La descripcin completa de nodos y ramas se muestra en el
Anexo D.

Adems tiene los siguientes parmetros:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: 0.500

Se trabaj con los siguientes parmetros para el Algoritmo Gentico:

200 Individuos generados Aleatoriamente.

Porcentaje de Mutacin: 3 %.

Seleccin Proporcional.

Porcentaje de cruzamiento 100 %.

No limita el nmero mximo de Descendientes.

En la Figura 6.8, se muestra la evolucin para la Subzona 1.

155

Figura 6.8 Solucin para la Subzona 1.

16
15

FO (Millones)

14
13
12
11
10
9
8

199

190

181

172

163

154

145

136

127

118

109

100

91

82

73

64

55

46

37

28

19

10

Generaciones

Se obtuvo el siguiente individuo o configuracin con las siguientes

ramas conectadas:

9, 5, 1, 3, 38, 35, 31, 30, 28, 14.

Los costos de Inversin y operacin respectivamente fueron:

9440000 + 1200000 = 10640000.

En este caso, es claro que el costo de Operacin es relativamente alto,

por lo que es necesario buscar una mejor solucin, una alternativa

156

puede ser el cambiar el calibre de cable utilizado por otro que tenga
menos prdidas.

Subzona 2. Pertenece al sector de Gama. Se compone de 10

amplificadores y un Receptor ptico, debido a que es un sector
residencial con gran demanda de usuarios, y adems la geografa del
sector permite tener diversidad de rutas, es la Subzona con ms
alternativas. Se compone por 11 nodos y 49 ramas. La descripcin
completa de nodos y ramas se muestra en el Anexo E.

Los parmetros de red son los siguientes:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: 0.500

Los parmetros del Algoritmo Gentico:

200 Individuos generados Aleatoriamente.

Porcentaje de Mutacin: 3 %.

Porcentaje de cruzamiento 100 %.

No limita el nmero mximo de descendientes.

Se obtuvo el siguiente individuo conectando las siguientes ramas:

3, 7, 2, 26, 12, 44, 45, 40, 49, 20.

157

Los costos de Inversin y operacin respectivamente fueron:

7570000 + 100000 = 7670000.

La figura 6.9, muestra la evolucin para la Subzona 2.

Figura 6.9 Solucin para la Subzona 2.

17
16
15
FO (Millones)

14
13
12
11
10
9
8
58

55

52

49

46

43

40

37

34

31

28

25

22

19

16

13

10

Generaciones

Subzona 3. Pertenece al sector de Gama; consta de 6 amplificadores, y

es la Subzona ms pequea, adems por la topografa las rutas que se
trazaron, fueron limitadas. La Subzona 3 se compone por 7 nodos y 11
ramas. La descripcin completa de nodos y ramas se muestra en el
Anexo F.

Los siguientes son los parmetros del sistema Subzona 3:

158

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: 0.500

Los parmetros del algoritmo gentico:

200 Individuos generados Aleatoriamente.

Porcentaje de Mutacin: 3 %.

Seleccin Proporcional.

Porcentaje de cruzamiento 100 %.

No limita el nmero mximo de descendientes.

En la figura 6.10, se muestra la evolucin para la Subzona 3.

159

Figura 6.10 Solucin para la Subzona 3.

7
6.9

FO (Millones)

6.8
6.7
6.6
6.5
6.4
6.3
6.2
6.1
6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Generaciones

La figura 6.10, muestra el impacto sobre la evolucin y la bsqueda de

una solucin cuando el nmero de alternativas es pequeo, la
convergencia hacia la solucin es rpida y casi que evidente. Se debe
tener presente que el verdadero potencial de los Algoritmos Genticos
se muestra en los sistemas grandes en donde las soluciones carecen de
toda evidencia.

Con la Subzona 3, se obtuvo el siguiente individuo o configuracin:

5, 4, 1, 13, 7, 10.

Los costos de Inversin y Operacin respectivamente, fueron:

160

5320000 + 700000 = 6020000.

En esta subzona 3, se observa el alto costo por concepto de Operacin,

lo que implica que se busquen nuevas opciones para mejorar este
sistema como el aumento del calibre o incluso mover el nodo
alimentador o Receptor ptico.

Subzona 4: Pertenece al sector de Corales. Se compone por 9 nodos y

24 ramas. La descripcin completa de nodos y ramas se muestra en el
Anexo G.

Los siguientes son los parmetros de la red:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: 0.500

Los parmetros del algoritmo gentico:

200 Individuos generados Aleatoriamente.

Porcentaje de Mutacin: 3 %.

Seleccin Proporcional.

Porcentaje de cruzamiento 100 %.

No limita el nmero mximo de descendientes.

En la figura 6.11, se muestra la evolucin para la Subzona 4.

161

Figura 6.11 Solucin para la Subzona 4.

9.5
9

FO (Millones)

8.5
8
7.5
7
6.5

46

43

40

37

34

31

28

25

22

19

16

13

10

Generaciones

Se obtuvo el siguiente individuo con las siguientes ramas conectadas:

1, 4, 3, 22, 19, 12, 16, 18.

Los costos de Inversin y Operacin respectivamente, fueron:

6330000 + 100000 = 6430000.

Se observa que los costos de Operacin para la Subzona 4 son bajos,

con el parmetro porcentaje de penalizacin que se trabaj, este costo
de operacin equivale 1 decibel faltante en esta Subzona, por lo que en
este caso esta solucin puede ser aceptada.

El costo total de los cuatro nodos se muestra en la tabla 6.1.

162

Tabla 6.1 Resumen Costos de Inversin y Operacin de las cuatro

Subzonas.

Sistema

Nodos Ramas

Inversin

Operacin

TOTAL

Subzona 1

11

40

9440000

Subzona 2

11

49

7570000

100000

7670000

Subzona 3

11

5320000

700000

6020000

Subzona 4

24

6330000

100000

6430000

124

28660000

TOTAL

1200000 10640000

2100000 30760000

De la tabla 6.1, se puede concluir lo siguiente: Los costos de operacin

an son altos (representan el 10.4 % del total del costo Total), lo que
implica buscar mejores soluciones. Una opcin es tratar de involucrar las
cuatro Subzonas en una sola, lo que significa, ampliar el nmero de
alternativas.

CASO 4.

Dada la necesidad de encontrar mejores soluciones para el sistema

planteado en el caso 3; se analizan las cuatro Subzonas como una sola,
obteniendo el siguiente sistema: se necesita conectar 34 amplificadores
con cuatro receptores pticos. El sistema queda conformado de la
siguiente forma:

35 Nodos.

154 Ramas.

163

La descripcin completa de nodos y ramas se muestra en el Anexo C.

Los parmetros de red son los siguientes:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: 0.500

Los parmetros para el Algoritmo Gentico, son:

Tamao de Poblacin: 200 Individuos.

Tipo de Poblacin: 100 individuos generados Aleatoriamente y 100

individuos generados con el inicializador Simple.

Tipo de Seleccin: Por Torneo.

No limita el Nmero de Descendientes.

Porcentaje de Mutacin: 2 %.

Porcentaje de cruzamiento 90 %.

Se obtuvo el siguiente individuo:

9, 42, 115, 135, 136, 10, 5, 45, 47, 112, 114, 43, 44, 132, 107, 38, 35,
129, 130, 144, 23, 14, 54, 99, 85, 89, 87, 146, 122, 128, 94, 11, 138,
141.

Los costos de Inversin y Operacin respectivamente, fueron:

27315000 + 1900000 = 29215000

164

La evolucin de la solucin para este sistema, se muestra en la figura

6.12.

Figura 6.12 Primera Solucin para todo el Sistema.

36
35

FO (Millones)

34
33
32
31
30
29
1

21

41

61

81

101

121

141

161

181

201

221

241

261

281

Generaciones

Cabe anotar que la solucin del sistema anterior, es mejor que la

obtenida

en

el

caso

3,

los

costos

de

Operacin

se

reducen

considerablemente. Lo anterior, obedece a las economas de escala, la

teora indica que cuando los sistemas se tratan a gran escala, los costos
son menores.

Se quiso obtener otra solucin para el sistema cambiando simplemente

el esquema de Seleccin, como se indica en el caso 5.

165

CASO 5.

El sistema es el mismo planteado en el caso 4, es decir, est

conformado por:

35 Nodos.

154 Ramas.

Con los siguientes parmetros de red:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: 0.500

En los parmetros del Algoritmo Gentico, slo se vara el esquema de

Seleccin, teniendo lo siguiente:

Tamao de Poblacin: 200 Individuos.

Tipo de Poblacin: 100 individuos generados Aleatoriamente y 100

individuos generados con el inicializador Simple.

Tipo de Seleccin: Proporcional.

No limita el Nmero de Descendientes.

Porcentaje de Mutacin: 3 %.

Porcentaje de cruzamiento 100 %.

En la figura 6.13, se muestra la evolucin para el Sistema.

166

Figura 6.13, Segunda Solucin para todo el Sistema.

36
35

FO (Millones)

34
33
32
31
30
29
1

21

41

61

81

101

121

141

161

181

201

221

241

261

281

Generaciones

Obteniendo la siguiente solucin:

3, 9, 42, 43, 112, 114, 115, 132, 135, 136, 45, 47, 23, 28, 14, 38, 107,
35, 93, 11, 66, 146, 122, 128, 129, 130, 138, 141, 144, 54, 99, 85, 87,
89.

Con los siguientes costos de Inversin y Operacin respectivamente:

27075000 + 1900000 = 28975000.

Las soluciones de los casos 4 y 5, son similares, notando la reduccin de

los

costos

de

operacin.

Estas

soluciones

plantean

alternativas

interesantes a la hora de conectar los amplificadores: se observa que

167

amplificadores de la Subzona 1, 3 y 7, fueron conectados con el receptor

ptico o alimentador de la Subzona 2. Los datos se muestran en el
Anexo C.

Finalmente, se comparan los resultados, encontrando una mejor

solucin cuando se tratan las cuatro Subzonas como uno solo, como se
muestra en la tabla 6.2.

Tabla 6.2 Comparacin de Costos.

Sistema

Nodos Ramas Inversin Operacin TOTAL

Subzona 1 11

40

9440000

1200000

10640000

Subzona 2 11

49

7570000

100000

7670000

Subzona 3 7

11

5320000

700000

6020000

Subzona 4 9

24

6330000

100000

6430000

Total

38

124

28660000 2100000

30760000

Sistema

35

150

27075000 1900000

28975000

Ahorro

1585000

200000

1785000

Ahorro (%)

5.53

9.52

Total

5.8

En la tabla 6.2, se observa que la mejor solucin se obtiene cuando los

cuatro sistemas pequeos son tratados como un sistema grande de 35

168

nodos y 154 ramas, obteniendo un ahorro del 5.8 %, y una reduccin de

los costos de operacin del 9.52 %.

6.4. CUARTA FASE:

ANLISIS COMPARATIVO DE UN SISTEMA

MONTADO CON UN PAQUETE DE DISEO (LODE DATA) CONTRA

LA

SOLUCIN

QUE

ENTREGA

LA

APLICACIN

DE

ESTE

PROYECTO.

El Sistema que se dise con el programa de Diseo Lode Data fue el

correspondiente

Gama

Corales,

se

necesita

alimentar

37

amplificadores con cuatro Receptores.

El programa de Diseo muestra los siguientes resultados:

Amplificadores habilitados: 36.

Costo Total para satisfacer la demanda: $ 32020.000.

Costo por amplificador: $ 787.361.

Los detalles del diseo se muestran en el Anexo H.

Ahora, se analiza el sistema que comprende los barrios Gama y Corales,

obteniendo lo siguiente:

38 Nodos.

185 Ramas.

La descripcin completa de nodos y ramas se muestra en el Anexo I.

169

Para este anlisis, se modifica el calibre del cable siendo necesario usar
un cable con menos prdida de seal por cada 100 metros como es el
calibre QR 540. Con este calibre se obtiene mejores soluciones y lo ms
importante, se rebajan los costos de Operacin considerablemente.

Se quiso obtener dos soluciones con los esquemas de Seleccin que

mejor desempeo tienen, como son la Seleccin Proporcional y la
Seleccin por Torneo.

CASO 6.

Se trabaj con el esquema de Seleccin Proporcional.

Los parmetros de red con los que se trabaj fueron los siguientes:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: QR 540.

Los dems parmetros del Algoritmo Gentico con los que se trabaj,
fueron:

Tamao de Poblacin: 300 Individuos.

Tipo de Poblacin: 150 individuos generados Aleatoriamente y 150

individuos generados con el inicializador Simple.

No limita el Nmero de Descendientes.

Porcentaje de Mutacin: 3 %.

170

Porcentaje de cruzamiento 100 %.

La figura 6.14, muestra las Soluciones entregadas por el Algoritmo

Gentico.

Figura 6.14 Solucin al sistema de 38 nodos y 185 ramas.

36
35

FO (Millones)

34
33
32
31
30
29

21

41

61

81

101

121

141

161

181

201

221

241

261

281

Generaciones

Obteniendo la siguiente solucin:

147, 117, 150, 113, 162, 114, 9, 43, 47, 42, 121, 116, 185, 159, 161,
180, 14, 23, 164, 183, 131, 176, 175, 177, 101, 167, 11, 85, 171, 89,
60, 54, 169, 141, 153, 132, 140.

Los Costos de Inversin y Operacin respectivamente, son:

171

28005000 + 1400000 = 29405000.

Amplificadores habilitados: 37.

Costo con calibre QR 540: $ 28005.000.

Costo Total para satisfacer la demanda: $ 29405.000.

Costo por amplificador: $ 756.891.

CASO 6.

Se trabaj con el esquema de Seleccin por Torneo.

Los parmetros de red con los que se trabaj fueron los siguientes:

Porcentaje de penalizacin 20 %.

Nivel de salida: 50 Decibeles.

Nivel mnimo de entrada a los amplificadores: 16 Decibeles.

Calibre de cable: QR 540.

Los dems parmetros del Algoritmo Gentico con los que se trabaj,
fueron:

Tamao de Poblacin: 300 Individuos.

Tipo de Poblacin: 150 individuos generados Aleatoriamente y 150

individuos generados con el inicializador Simple.

No limita el Nmero de Descendientes.

Porcentaje de Mutacin: 3 %.

Porcentaje de cruzamiento 100 %.

172

La figura 6.14, muestra las Soluciones entregadas por el Algoritmo

Gentico para el caso 6.

Figura 6.14 Solucin al sistema de 38 nodos y 185 ramas.

36
35

FO (Millones)

34
33
32
31
30
29
28

21

41

61

81

101

121

141

161

181

201

221

241

261

281

301

Generaciones

Obteniendo la siguiente solucin:

147, 150, 121, 43, 165, 9, 146, 117, 116, 10, 47, 113, 5, 159, 161,
179, 151, 66, 166, 167, 11, 38, 175, 35, 157, 129, 183, 131, 132, 164,
62, 170, 60, 171, 89, 180, 23.

Los Costos de Inversin y Operacin respectivamente, son:

28175000 + 400000 = 28575000.

173

Amplificadores habilitados: 37.

Costo con calibre QR 540: $ 28175.000.

Costo Total para satisfacer la demanda: $ 28575.000.

Costo por amplificador: $ 762.000.

En este caso, se nota una disminucin notable de los costos de

Operacin llegando a ser de slo $ 400000, lo que equivale a slo a 4
Decibeles faltantes en todo el sistema.

El resumen se muestra en la tabla 6.3.

Tabla 6.3 Comparacin de costos.

Sistema

Gama
Corales

Amp Inversin QR
Costo
Costo por
Ahorro
540
Total
Amplificador (%)
20
12670000 15220000
16
15675000 16800000

Total

36

28345000

32020000 787361.1111

38 Nodos
185 Ramas

37

28175000

28575000 756891.8919 3.8697897

174

6. CONCLUSIONES

Se estudiaron las diferentes arquitecturas para el diseo de redes

para transmisin de video y datos estableciendo sus debilidades;
determinando

que

la

arquitectura

Blaster

se

ajusta

las

necesidades actuales y que requiere de un mtodo de optimizacin

para lograr mejores resultados.

Se determin que los algoritmos genticos eran el mtodo

matemtico que podra servir de apoyo al desarrollo del problema
mediante su estudio previo. Se conocieron todas las variables y
parmetros que afectan el desempeo de los mismos as como su
origen, explicando como con conceptos de la gentica natural
podra

resolverse

un

problema

matemtico

de

complejidad

computacional elevada.

Se estableci una funcin objetivo que tiene en cuenta los

parmetros ms importantes en el modelamiento del problema.

Se utilizaron los conceptos del algoritmo evolutivo, para resolver

el problema de optimizacin de la arquitectura Blaster en diversos
sistemas de prueba y de diferentes tamaos, comprobando as la
efectividad de los operadores genticos en los resultados.

Se demostr que los algoritmos genticos son una herramienta

valiosa para resolver problemas complejos como es el de

175

optimizacin en sistemas radiales de transmisin de video

datos.

Se estableci un mtodo de apoyo a los diseadores de redes

Blaster, los cuales se basan en la experiencia para escoger las
mejores rutas de alimentacin de seal a los amplificadores, para
que previamente a su diseo y con toda la certeza del mejor
diseo, obtengan la mejor configuracin.

La optimizacin de redes Blaster muestra un ahorro del 4% con

respecto a los sistemas implementados por diseadores ayudados
con software de diseo.

176

BIBLIOGRAFIA

CODE

OF

Chapter

1:

FEDERAL

REGULATIONS.

Federal

Communications

Title

47-Telecommunications,

Commision

Multichannel video and cable television service.

Available

(FCC),

Part

U.S.A.:

from

76-

2001.
internet

<http://www.access.gpo.gov/nara/cfr/waisidx_01/47cfr76_01.html>

GENERAL

INSTRUMENT.

Blaster:

Broadband

layered

architecture

strategy to enhance reliability. USA. G.I. 2000. Available from internet

<http://www.gi.com>

COMMSCOPE. Cable specs. 2002. Available from internet

<http://www.commscope.com>

CHENG C. K. y HONG C.C. Applyng Refined Genetic Algorithm to

Network Reconfiguration for Loss Reduction. En: IEEE of Japan Power &
Energy. (1994).

RELLO, Ral. Algoritmos Genticos: Introduccin, Mtodos de bsqueda

y optimizacin. En: Mundo Electrnico No. 313 (2000).

MARN,

Francisco

SANDOVAL,

Francisco.

Algoritmos

Genticos:

Optimizacin de Redes Neuronales. En: Mundo Electrnico No. 266.

(1996).

177

DELGADO J.

Alberto.

Elementos de Redes Neuronales y Algoritmos

Genticos. Bogota: Universidad Nacional, 1992.

DIAZ A. y GLOVER F.

Optimizacin Heurstica y Redes Neuronales.

Espaa: Editorial Paraninfo. S.f .

GALLEGO, Ramn Et. Al. Un mtodo Aproximado de otimizacao Usado

na Reconfiguracao de Redes de Distribucao. En: XI CONGRESO CHILENO
DE INGENIERA ELCTRICA. (1995:Chile)

ROMERO,

Rubn. Introduccin a Algoritmos Genticos y Tcnicas de

Optimizacin Combinatorial. Pereira: Universidad Tecnolgica de Pereira,

maestra en Ingeniera Elctrica. 1999.

INSTITUTO COLOMBIANO DE NORMAS TCNICAS. Compendio tesis y

otros trabajos de grado. Marzo de 2002.

LEMA, Hector Daniel. Metodologa de la investigacin: Propuesta,

Anteproyecto y Proyecto. UTP. Enero de 1999.

178

A. EXPLICACION DE LAS TABLAS

179

B. DESCRIPCIN SISTEMA 11 NODOS 49 RAMAS, SUBZONA 2

GAMA.

180

C. DESCRIPCIN DE 35 NODOS Y 154 RAMAS, SISTEMA GAMA

CORALES.

181

182

183

C.1 RAMAS PARA INTEGRAR LAS CUATRO SUBZONAS EN UN

SOLO SISTEMA.

184

La mejor solucin se muestra en negro.

Subzonas 1 y 2 (Gama).

185

Subzonas 3 y 4 (Corales).

186

D. DESCRIPCIN SUBZONA 1 GAMA, 11 NODOS 49 RAMAS.

187

E. DESCRIPCIN SUBZONA 2 GAMA, 11 NODOS 40 RAMAS.

188

F. DESCRIPCIN SUBZONA 3 CORALES, 7 NODOS 11 RAMAS.

189

G. DESCRIPCIN SUBZONA 4 CORALES, 9 NODOS 24 RAMAS.

190

H. DETALLES DEL DISEO ENTREGADO POR LA APLICACIN

LODE DATA.

CLIENTE:
CONTRATO:

N:

NODO

SUBZONAS
1, 2
CENTRO
870MHz

SECTOR
FRECUENCIA DE DISEO
Strand

2534

Total Housecount
Ports
MDU Housecount
HC/Km red
Act/Km red

0
0
0
0
7.9

Receptor Optico
SA 6940 4Port

Fuente Elctrica
Lectro 90V 15A
Baterias

0
0

Activos
UBT-870-AGC
HGD-870-AGC
LEGM-870-MAN

0
9
11
20

Acopladores Internos
JUMPER
2 WAY
DC8
DC12

0
0
0
0

191

Pasivos
LEQ\RC EQ
SAS2MM
SAS3UMM
SADC8MM
SADC12MM
SAPIMM

0
3
0
4
6
0
13

Costo
Cable
QR-.540-UG
Categora 100
Categora 200
Total

1560000
0
0
0
0

QR-.540-AIR
Categora 100
Categora 200
Total
Costo

2039
0
0
2039

QR-.715-UG
Categora 100
Categora 200
Total

0
0
0
0

QR-.715-AIR
Categora 100
Categora 200
Total
Costo

495
0
0
495

10195000

3465000

TOTAL SUBZONAS 1, 2

14440000

192

CLIENTE:
CONTRATO:

N:

NODO

SUBZONAS
3, 4
CENTRO
870MHz

SECTOR
FRECUENCIA DE DISEO
Strand

3135

Total Housecount
Ports
MDU Housecount
HC/Km red
Act/Km red

0
0
0
0
5.4

Receptor Optico
SA 6940 4Port

Fuente Elctrica
Lectro 90V 15
Baterias

0
0

Activos
UBT-870-AGC
HGD-870-AGC
LEGM-870-MAN

0
9
8
17

Acopladores Internos
JUMPER
2 WAY
DC8
DC12

0
0
0
0

Pasivos
LEQ\RC EQ
SAS2MM
SAS3UMM
SADC8MM
SADC12MM
SAPIMM

0
2
0
0
8
0

193

10
Costo
Cable
QR-.540-UG
Categora 100
Categora 200
Total

1320000
38
0
0
38

QR-.540-AIR
Categora 100
Categora 200
Total
Costo

2204
0
0
2204

QR-.715-UG
Categora 100
Categora 200
Total

463
0
0
463

QR-.715-AIR
Categora 100
Categora 200
Total
Costo

430
0
0
430

11210000

6251000

TOTAL SUBZONAS 3, 4

18781000

TOTAL SISTEMA GAMA CORALES

34001000

194

I. SISTEMA GAMA CORALES 38 NODOS, 185 RAMAS.

195

196

197

198

199

J. MEJOR SOLUCIN PARA EL SISTEMA GAMA CUBA 38 NODOS,

185 RAMAS.

Subzonas 1 y 2 (Gama).

200

Subzonas 3 y 4 (Corales).

201