UN ALGORITMO GENTICOS SIMPLE (A SIMPLE GENETIC ALGORITHMS ) La mecnica de un algoritmo gentico simple es sorprendentemente sencillo, involucra cero complicacin

mas que copiar series e intercambiar series parciales. La explicacin es que este proceso simple de trabajo es mucho mas apto y poderoso. La simplicidad de operacin y potencia de su efecto son dos de las principales atracciones de el advenimiento del algoritmo gentico. La seccin previa no mostraba como el algoritmo gentico procesa la poblacin en series. Recordando el problema de permutacin de la caja negra, la poblacin inicial tena cuatro series: 01101 11000 01000 10011 Tambin recuerde que esta poblacin se elega al azar a travs de 20 sucesivos lanzamiento imparciales de una moneda. Ahora debemos definir un conjunto de operaciones simples que tomen esta poblacin inicial y generen sucesivas poblaciones que mejoren en el tiempo. Un algoritmo gentico simple que produce buen rendimiento en muchos problemas prcticos, esta compuesto por tres operaciones: 1- Reproduccin 2- Cruce (croosover) 3- Mutacin Reproduccin es un proceso en el cual series individuales son reproducidas de acuerdo con su valor de funcin objetivo. F(los bilogos llaman a esta funcin, funcin conveniente [fitness]). Intuitivamente podemos pensar en la funcin f como alguna medida de beneficio o utilidad que queremos para maximizar. Reproduciendo series de acuerdo a su valor medio conveniente, aquellas series con un alto valor tienen una alta probabilidad de contribucin nica o mas descendencia en la prxima generacin. Este operador, de curso, es una versin artificial de seleccin natural, a Darwinian survival of the fittest among string creatures. En poblaciones naturales convenientes se determina para una criatura habilidad para sobrevivir a depredadores, pestes y otros obstculos en adultez y subsiguiente reproduccin. En nuestro escenario artificial , la funcin objetivo es el juez final de la vida o muerte de las series de criaturas. El operador de reproduccin puede ser implementado en algoritmo constituido en un nmero de procedimientos. Quiz el ms sencillo es crear una rueda de ruleta donde tome series actuales en la poblacin y asignen un lugar de tamao proporcionado a su valor conveniente en la rueda de la ruleta. Suponga la muestra poblacional de cuatro series en el problema de la caja negra, el valor de la funcin conveniente f es mostrada en Tabla 1.1 (por ahora aceptamos estos valores como la salida de algo desconocido y arbitrario de la caja negra - luego examinaremos una funcin y codificacin que generan estos mismos valores).

Tabla 1.1 Muestra del problema, series y valores convenientes Nro 1 2 3 4 Total Serie 01101 11000 01000 10011 Fitness 169 576 64 361 1170 % del Total 14.4 49.2 5.5 50.9 100.0

Sumando la conveniencia general de las cuatro series, obtenemos un total de 1170. El porcentaje de poblacin total conveniente es tambin mostrada en la tabla. La correspondiente carga de la rueda de ruleta para esta generacin de reproduccin es mostrada en la figura 1.7. Para reproducir, simplemente damos vuelta la rueda de la ruleta cargada y as definimos cuatro veces. Para el problema de ejemplo, la serie nmero 1 tiene un valor conveniente de 169, el cual representa un 14.4% de el total de valores convenientes. Como resultado, la serie 1 da un 14.4 por ciento de la predisposicin de la rueda de ruleta., y cada giro ocurre la serie 1 con probabilidad 0.144. Cada vez que requerimos otro descendiente una simple vuelta de la rueda de ruleta cargada producir la reproduccin candidata. En este forma, las series mas adecuadas tienen un alto nmero de descendientes en acertar la generacin. Una vez que una serie ha sido seleccionada para la reproduccin, una rplica exacta de la serie es producida. Esta serie es entonces ingresada dentro del cruce combinado [mating pool], una nueva poblacin tentativa, para favorecer la accin del operador gentico.

30.9%
3

14.4% 49.2%
2

5.5%

Figura 1.7 Reproduccin simple destina series descendente usando una rueda de ruleta con tamaos de lugares de acuerdo a la conveniencia [fitnnes]. La rueda de muestra es para dimensionar el problema de la tabla 1.1 y 1.2.

Despus de reproducir, un simple cruce [crossever] (figura 1.8) puede hacerse en dos pasos. Primero, el miembro de la serie reproducida recientemente en el mating pool es cruzada al azar. Segundo, cada par de series experimenta cruce como sigue: una posicin entera k junto a la serie es seleccionada uniformemente al azar entre 1 y la longitud de la serie menos uno [1, longitud serie 1]. Dos nuevas series son creadas para intercambiar todos los caracteres entre posicin k +1 y l (longitud de la serie) inclusive. Por ejemplo, considere la serie A1 y A2 desde nuestro ejemplo de poblacin inicial. A1 = 0 1 1 0 | 1 A2 = 1 1 0 0 | 0 Suponga elegir un nmero aleatorio entre 1 y 4, obtenemos a k = 4 ( como indica el smbolo separador | ). El resultado del cruce produce dos nuevas series donde la prime ( ) denota que la serie es parte de la nueva generacin. A1 = 0 1 1 0 0 A2 = 1 1 0 0 1 Figura 1.8 Un esquema de simple cruce muestra la alineacin de dos series y el cambio parcial de informacin, usando un cruce de sitio [croos site] elegido al azar. La mecnica de reproduccin y cruce es sorprendentemente simple, involucra generacin de nmeros al azar, reproduccin de series, y algn intercambio parcial en las series. No obstante, el nfasis por combinar reproduccin y la estructura, a travs de aleatorizacin, intercambio de informacin por cruces[crossover] concede al algoritmo gentico mucho de su poder. Al principio parece sorprendente. Como pueden dos operadores tan simples resultar tan til, y mucho menos, un rpido y robusto mtodo de bsqueda? Adems, no parece un poco extrao que el azar debe jugar un rol fundamental en un proceso de bsqueda dirigido? Examinaremos una parcial respuesta a la primera de las dos preguntas en un momento: la respuesta a la segunda pregunta fue bien reconocida por el matemtico Hadamard (1949): Veremos un poco mas tarde que la posibilidad de atribuir descubrimientos por pura casualidad es ya excluida. Por el contrario, interviene el azar pero tambin un trabajo inconsciente, implicando lo ltimo y no contradiciendo lo anterior.....Actualmente, es obvio que inventar o descubrir es en matemtica o en cualquier parte falso, toma lugar la combinacin de ideas. Hadamard sugiere que an cuando descubrir no es un resultado- no puede ser un resultadode puro casualidad, es casi naturalmente guiada para dirigir hallazgo casuales. Adems, Hadamard, indica que una correcta interpretacin para un evento fortuito en un mecanismo de descubrimiento mas en forma humana es causado por yuxtaposicin de diferentes conceptos. Es interesante que los algoritmos genticos adoptados por Hadamars mezclan direccin y evento fortuito en una manera que eficientemente construye nuevas soluciones desde la mejor solucin parcial de pruebas previas.

Para ver esto, considere una poblacin de n series (quiz las cuatro series de la poblacin para el problema de la caja negra) sobre alguna propiedad alfabtica, codifique de esta manera para que cada idea completa desempee una tarea particular ( en este caso, cada serie es una idea completa switch-setting). Subseries dentro de cada serie (idea) contiene varios conceptos de que es importante o relevante para la tarea. Visto en esta forma, la poblacin no contiene exactamente una muestra de n ideas; mas bien, contiene una multitud de conceptos y rankings de estos conceptos para desempeo de tareas. Algoritmo genticos explota implacablemente esta riqueza de informacin para (1) reproducir alta calidad de conceptos de acuerdo a su rendimiento y (2) cruzar estos conceptos con muchos otros conceptos de alto rendimiento desde otras series. As la accin de cruzamiento con reproducciones previas especula sobre nuevas ideas construidas desde el alto desempeo, construyendo bloques (conceptos) de pruebas pasadas. En transicin, notamos que a pesar de la definicin poco clara de un concepto, no tenemos limitado un concepto para combinaciones lineales simples de caractersticas simples o pares de caractersticas. Los bilogos tienen hace mucho tiempo reconocido que la evolucin se debe a eficientes procesos de epistasis originado en la naturaleza. En una manera similar, el concepto de procesamiento de algoritmo gentico se debe efectivamente a procesos de conceptos an cuando dependen sobre sus caractersticas no lineales y formas complejas. Cambiando de conceptos para formar nuevas ideas es apelar intuitivamente, si pensamos en trminos de procesos de innovacin. Qu es una idea innovadora? Como Hadamard sugiere, con mayor frecuencia es una yuxtaposicin de cosas que tiene bien trabajadas en el pasado. En gran medida el mismo camino, reproduccin y cruce, combinan para la bsqueda potencialmente nuevas ideas. Esta experiencia de nfasis y cruzamiento es anloga para la interaccin humana, muchos de nosotros hemos observado a una exposicin profesional o conferencia cientfica. En una conferencia por ejemplo, varios expertos de todo el mundo se juntan para discutir lo ltimo en tecnologa. Despus de la sesin de lectura, todos los pares se juntan en un bar para intercambiar historias. Los expertos mas reconocidos del curso son los mas demandados e intercambian ideas, pensamientos y conceptos con sus colegas menos conocidos. Cuado termina la conferencia la gente retorna a sus laboratorios para probar todas las innovaciones recogidas. El proceso de reproduccin y cruce en algoritmo gentico es esta clase de cambio. Conceptos de alto desempeos son repetidamente probados y cambiados en la bsqueda mejor y mejor rendimiento. Si reproducir conforme a convenientes combinaciones con cruce brinda el algoritmo gentico el aumento de su poder de procesamiento, cul es entonces el propsito de el operador de mutacin? No sorprendentemente, hay mucha confusin acerca el papel de la mutacin en gentica (tanto artificial como natural). Quiz es el resultado de muchas pelculas detallando la explosin de berenjenas mutantes que consumen cantidades masas de gente de Tokio o Chicago, pero cualquiera sea la causa de la confusin, encontramos que la mutacin juega un papel secundario en la operacin de algoritmos genticos. La mutacin se necesit porque an cuando reproduccin y cruce buscan y recombinan conceptos actuales, ocasionalmente pueden perder potencialmente algn material gentico til (unos o ceros en una localizacin particular). En sistemas genticos artificiales, el operador de mutacin protege contra tales prdidas irrecuperables. En el algoritmo gentico simple, mutacin es la ocasional alteracin aleatoria de el valor de la posicin de una serie. En la codificacin binaria del problema de la caja negra, este simplemente cambia un 1 por un 0 y viceversa. Por si mismo , mutacin es un andar aleatorio a travs del espacio de la

serie. Cuando se usa reproduccin y cruce con moderacin, es una poltica segura contra prdida prematura de importantes conceptos. Lo que el operador de mutacin juega en el algoritmo gentico simple es un papel secundario, simplemente notamos que la frecuencia de mutacin para obtener buenos resultados en estudios de algoritmo genticos empricos es sobre el orden de una mutacin por mil bits (posicin) transferido. El ndice de mutaciones es similarmente pequeo en poblaciones naturales. Concluimos que mutacin es apropiadamente considerada como un mecanismo secundario de adaptacin de algoritmo gentico. Otros operadores genticos y esquemas reproductivos han sido abstrado del estudio de ejemplos biolgicos. Sin embargo, los tres examinados en esta seccin, reproduccin, cruce simple [simple crossover] y mutacin, han probado ser computacionalmente simples y efectivos en atacar un nmero de importantes problemas de optimizacin. En la prxima seccin realizaremos una simulacin a mano de un algoritmo gentico simple para mostrar el mecanismo y la potencia.