Está en la página 1de 15

2nd February 2012

INDICE
Algoritmos Genticos
Introduccin...
Definicin....
Aplicaciones de los Algoritmos Genticos..
El Algoritmo Gentico Simple......
Tipos de Representacin........
Tamao de la Polacin.....
Polacin Inicial.......
!uncin "#eti$o......
"perador de Seleccin.....
"perador de %ruce..
"perador de &utacin..
Rempla'o de la Polacin ( %ondicin de Parada
Aplicando "peradores Genticos...
A)G"RIT&"S GE*+TI%"S PARA)E)"S.....
A)G,*"S E-E&P)"S ESPE%I!I%"S DE AG
a. Ingenier.a aeroespacial...
. Astronom.a ( astrof.sica...
c. /u.mica...
d. Ingenier.a elctrica....
0enta#as ( des$enta#as..
0enta#as.......
Des$enta#as..
%onclusiones..
1iliograf.a ..
ALGORITMOS GENETICOS
Introduccin
-o2n 3olland desde pe4ueo5 se preguntaa cmo logra la naturale'a5 crear seres cada $e' m6s
ALGORITMOS GENETICOS
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
1 de 15 01/09/2014 0:18
perfectos5 )o curioso era 4ue todo se lle$a a cao a ase de interacciones locales entre indi$iduos5 (
entre estos ( lo 4ue les rodea. *o sa.a la respuesta5 pero ten.a una cierta idea de como 2allarla7
tratando de 2acer pe4ueos modelos de la naturale'a5 4ue tu$ieran alguna de sus caracter.sticas5 ( $er
cmo funcionaan5 para luego e8trapolar sus conclusiones a la totalidad. De 2ec2o5 (a de pe4ueo
2ac.a simulaciones de atallas cleres con todos sus elementos7 copiaa mapas ( los cur.a luego de
pe4ueos e#rcitos 4ue se enfrentaan entre s..
En los aos 9: entr en contacto con los primeros ordenadores5 donde pudo lle$ar a cao algunas de
sus ideas5 aun4ue no se encontr con un amiente intelectual frtil para propagarlas. !ue a principios
de los ;:5 en la ,ni$ersidad de &ic2igan en Ann Aror5 donde5 dentro del grupo )ogic of
%omputers5 sus ideas comen'aron a desarrollarse ( a dar frutos. < fue5 adem6s5 le(endo un liro
escrito por un ilogo e$olucionista5 R. A. !is2er5 titulado )a teor.a gentica de la seleccin
natural5 como comen' a descurir los medios de lle$ar a cao sus propsitos de comprensin de la
naturale'a. De ese liro aprendi 4ue la e$olucin era una forma de adaptacin m6s potente 4ue el
simple aprendi'a#e5 ( tom la decisin de aplicar estas ideas para desarrollar programas ien adaptados
para un fin determinado.
En esa uni$ersidad5 3olland impart.a un curso titulado Teor.a de sistemas adaptati$os. Dentro de este
curso5 ( con una participacin acti$a por parte de sus estudiantes5 fue donde se crearon las ideas 4ue
m6s tarde se con$ertir.an en los algoritmos genticos.
Por tanto5 cuando 3olland se enfrent a los algoritmos genticos5 los o#eti$os de su in$estigacin
fueron dos7
imitar los procesos adaptati$os de los sistemas naturales5 (
disear sistemas artificiales =normalmente programas> 4ue retengan los mecanismos importantes
de los sistemas naturales.
,nos ?9 aos m6s adelante5 Da$id Golderg5 actual delf.n de los algoritmos genticos5 conoci a
3olland5 ( se con$irti en su estudiante. Golderg era un ingeniero industrial traa#ando en diseo
de pipelines5 ( fue uno de los primeros 4ue trat de aplicar los algoritmos genticos a prolemas
industriales. Aun4ue 3olland trat de disuadirle5 por4ue pensaa 4ue el prolema era e8cesi$amente
complicado como para aplicarle algoritmos genticos5 Golderg consigui lo 4ue 4uer.a5 escriiendo un
algoritmo gentico en un ordenador personal Apple II. Estas ( otras aplicaciones creadas por
estudiantes de 3olland con$irtieron a los algoritmos genticos en un campo con ase suficiente
aceptado para celerar la primera conferencia en ?@A95 I%GABA9. Tal conferencia se sigue celerando
ianualmente.
Definicin
)os algoritmos genticos son mtodos adaptati$os 4ue pueden usarse para resol$er prolemas de
Cs4ueda ( optimi'acin. Est6n asados en el proceso gentico de los organismos $i$os. A lo largo de
las generaciones5 las polaciones e$olucionan en la naturale'a de acorde con los principios de la
seleccin natural ( la super$i$encia de los m6s fuertes5 postulados por DarDin en ?A9@. Por imitacin
de este proceso5 los algoritmos genticos son capaces de ir creando soluciones para prolemas del
mundo real. )a e$olucin de dic2as soluciones 2acia $alores ptimos del prolema depende en uena
medida de una adecuada coeducacin de las mismas.
)os principios 6sicos de los algoritmos genticos fueron estalecidos por 3olland en ?@E9.
)os algoritmos genticos usan una analog.a directa con el comportamiento natural. Traa#an con una
polacin de indi$iduos5 cada uno de los cuales representa una solucin factile a un prolema dado. A
cada indi$iduo se le asigna un $alor o puntuacin5 relacionado con la ondad de dic2a solucin. En la
naturale'a esto e4ui$aldr6 al grado de efecti$idad de un organismo para competir por unos
determinados recursos. %uanto ma(or sea la adaptacin de un indi$iduo al prolema5 ma(or ser6 la
proailidad de 4ue el mismo sea seleccionado para reproducirse5 cru'ando su material gentico con
otro indi$iduo seleccionado de igual forma. Este cruce producir6 nue$os indi$iduos descendientes de los
anteriores los cuales comparten algunas de las caracter.sticas de sus padres. %uanto menor sea la
adaptacin de un indi$iduo5 menor ser6 la proailidad de 4ue dic2o indi$iduo sea seleccionado para la
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
2 de 15 01/09/2014 0:18
reproduccin5 ( por tanto de 4ue su material gentico se propague en sucesi$as generaciones.
De esta manera se produce una nue$a polacin de posiles soluciones5 la cual rempla'a a la anterior
( $erifica la interesante propiedad de 4ue contiene una ma(or proporcin de uenas caracter.sticas en
comparacin con la polacin anterior. A lo largo de las generaciones las uenas caracter.sticas se
propagan a tra$s de la polacin. !a$oreciendo el cruce de los indi$iduos me#or adaptados5 $an siendo
e8ploradas las 6reas m6s prometedoras del espacio de Cs4ueda. Si el algoritmo gentico 2a sido ien
diseado5 la polacin con$erger6 2acia una solucin ptima del prolema.
El poder de los algoritmos genticos pro$iene del 2ec2o de 4ue se trata de una tcnica rousta (
pueden tratar con 8ito una gran $ariedad de prolemas pro$enientes de diferentes 6reas5 inclu(endo
a4uellos en los 4ue otros mtodos encuentran dificultades. Si ien no se garanti'a 4ue el algoritmo
gentico encuentre la solucin optima del prolema5 e8iste e$idencia emp.rica de 4ue se encuentran
soluciones de un ni$el aceptale5 en un tiempo competiti$o con el resto de algoritmos de optimi'acin
cominatoria. En el caso de 4ue e8istan tcnicas especiali'adas para resol$er un determinado
prolema5 lo m6s proale es 4ue superen al algoritmo gentico5 tanto en rapide' como eficacia. El
gran campo de aplicacin de los algoritmos genticos se relaciona con a4uellos prolemas para los
cuales no e8isten tcnicas especiali'adas. Incluso en el caso en 4ue dic2as tcnicas e8istan5 (
funcionen ien5 pueden efectuarse me#oras de las mismas 2irid6ndolas con los algoritmos genticos.
Aplicciones de los Algoritmos Genticos
)a aplicacin de los AG es mu( amplia5 ( en general se pueden implementar a muc2os de los
prolemas de la $ida cotidiana5 de igual forma a di$ersos prolemas ( modelos en ingeniar.a ( en la
ciencia en general5 cae destacar entre ellos7
"ptimi'acin7 Se trata de un campo especialmente aonado para el uso de los AG5 por las
caracter.sticas intr.nsecas de estos prolemas. *o en $ano fueron la fuente de inspiracin para los
creadores estos algoritmos. )os AG se 2an utili'ado en numerosas tareas de optimi'acin5 inclu(endo
la optimi'acin numrica5 ( los prolemas de optimi'acin cominatoria.
Programacin autom6tica7 )os AG se 2an empleado para desarrollar programas para tareas
espec.Fcas5 ( para disear otras estructuras computacionales tales como el autmata celular5 ( las
redes de clasiFcacin.
Aprendi'a#e m64uina7 )os AG se 2an utili'ado tamin en muc2as de estas aplicaciones5 tales como la
prediccin del tiempo o la estructura de una prote.na. 3an ser$ido asimismo para desarrollar
determinados aspectos de sistemas particulares de aprendi'a#e5 como pueda ser el de los pesos en una
red neuronal5 las reglas para sistemas de clasiFcacin de aprendi'a#e o sistemas de produccin
simlica5 ( los sensores para roots.
Econom.a7 En este caso5 se 2a 2ec2o uso de estos algoritmos para modelar procesos de inno$acin5 el
desarrollo estrategias de pu#a5 ( la aparicin de mercados econmicos.
Sistemas inmunes7 A la 2ora de modeli'ar $arios aspectos de los sistemas inmunes naturales5
inclu(endo la mutacin som6tica durante la $ida de un indi$iduo ( el descurimiento de familias de
genes mCltiples en tiempo e$oluti$o5 2a resultado Ctil el empleo de esta tcnica.
Ecolog.a7 En la modeli'acin de fenmenos ecolgicos tales como las carreras de armamento iolgico5
la coGe$olucin de par6sitoG2usped5 la simiosis5 ( el Hu#o de recursos.
Gentica de polaciones7 En el estudio de preguntas del tipo IJ1a#o 4u condiciones ser6 $iale
e$oluti$amente un gene para la recominacinKI.
E$olucin ( aprendi'a#e7 )os AG se 2an utili'ado en el estudio de las relaciones entre el aprendi'a#e
indi$idual ( la e$olucin de la especie.
Sistemas sociales7 En el estudio de aspectos e$oluti$os de los sistemas sociales5 tales como la
e$olucin del comportamiento social en colonias de insectos5 ( la e$olucin de la cooperacin ( la
comunicacin en sistemas multiGagentes.
El Algoritmo Gentico Simple
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
3 de 15 01/09/2014 0:18
El algoritmo gentico simple5 tamin denominado %annico necesita una codificacin o representacin
del prolema5 4ue resulte adecuada al mismo. Adem6s se re4uiere una funcin de a#uste o adaptacin
al prolema5 la cual asigna un nCmero real a cada posile solucin codificada. Durante la e#ecucin del
algoritmo5 los padres deen ser seleccionados para la reproduccin5 a continuacin dic2os padres
seleccionados se cru'aran generando dos 2i#os5 sore cada uno de los cuales actuar6 un operador de
mutacin. El resultado de la cominacin de las anteriores funciones ser6 un con#unto de indi$iduos
=posiles soluciones al prolema>5 los cuales en la e$olucin del algoritmo gentico formaran parte de
la siguiente polacin.
1EGI* LM Algoritmo Gentico Simple ML
Generar una polacin inicial.
%omputar la funcin de e$aluacin de cada indi$iduo.
N3I)E *"T Terminado D"
1EGI* LM Producir nue$a generacin ML
!"R Tamao polacinLO D"
1EGI* LM%iclo Reproducti$o ML
Seleccionar dos indi$iduos de la anterior generacin5 para el cruce =proailidad de seleccin
proporcional a la funcin de e$aluacin del indi$iduo>.
%ru'ar con cierta proailidad los dos indi$iduos oteniendo dos descendientes.
&utar los dos descendientes con cierta proailidad.
%omputar la funcin de e$aluacin de los dos descendientes mutados.
Insertar los dos descendientes mutados en la nue$a generacin.
E*D
I! la polacin 2a con$ergido T3E*
Terminado7P TR,E
E*D
E*D
Tipos de Representcin
Durante los primeros aos el tipo de representacin utili'ado era siempre inario5 deido a 4ue se
adapta perfectamente al tipo de operaciones ( el tipo de operadores 4ue se utili'an en un AG. Sin
emargo5 las representaciones inarias no son siempre efecti$as por lo 4ue se empe'aron a utili'ar
otro tipo de representaciones.
En general5 una representacin 2a de ser capa' de identiFcar las caracter.sticas constitu(entes de un
con#unto de soluciones5 de forma 4ue distintas representaciones dan lugar a distintas perspecti$as (
por tanto distintas soluciones. Podemos considerar tres tipos 6sicos de representaciones7
Representacin inaria7 %ada gen es un $alor ? :.
? : ? ? : ?
Representacin entera7 %ada gen es un $alor entero.
? : Q G? : R
Representacin real7 %ada gen es un $alor real.
?5EA O5; E : G?5O ;59
Tm!o de l "o#lcin
,na cuestin 4ue se puede plantear es la relacionada con el tamao idneo de la polacin. Parece
intuiti$o 4ue las polaciones pe4ueas corren el riesgo de no curir adecuadamente el espacio de
Cs4ueda5 mientras 4ue el traa#ar con polaciones de gran tamao puede acarrear prolemas
relacionados con el e8cesi$o costo computacional. Golderg efectu un estudio terico5 oteniendo
como conclusin 4ue el tamao ptimo de la polacin para ristras de longitud I5 con codiFcacin
inaria5 crece e8ponencialmente con el tamao de la ristra.
Este resultado traer.a como consecuencia 4ue la aplicailidad de los AG en prolemas reales ser.a mu(
limitada5 (a 4ue resultar.an no competiti$os con otros mtodos de optimi'acin cominatoria. Alander5
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
4 de 15 01/09/2014 0:18
as6ndose en e$idencia emp.rica sugiere 4ue un tamao de polacin comprendida entre l ( O? es
suFciente para atacar con 8ito los prolemas considerados por el.
"o#lcin Inicil
3aitualmente la polacin inicial se escoge generando ristras al a'ar5 pudiendo contener cada gen uno
de los posiles $alores del alfaeto con proailidad uniforme. Se podr.a preguntar 4ue es lo 4ue
suceder.a si los indi$iduos de la polacin inicial se otu$iesen como resultado de alguna tcnica
2eur.stica o de optimi'acin local. En los pocos traa#os 4ue e8isten sore este aspecto5 se constata
4ue esta iniciali'acin no aleatoria de la polacin inicial5 puede acelerar la con$ergencia del AG. Sin
emargo en algunos casos la des$enta#a resulta ser la prematura con$ergencia del algoritmo5
4ueriendo indicar con esto la con$ergencia 2acia ptimos locales.
)a polacin inicial de un AG puede ser creada de mu( di$ersas formas5 desde generar aleatoriamente
el $alor de cada gen para cada indi$iduo5 utili'ar una funcin 6$ida o generar alguna parte de cada
indi$iduo ( luego aplicar una Cs4ueda local.
$uncin O#%eti&o
Dos aspectos 4ue resultan cruciales en el comportamiento de los AG son la determinacin de una
adecuada funcin de adaptacin o funcin o#eti$o5 as. como la codiFcacin utili'ada.
Idealmente nos interesar.a construir funciones o#eti$o con Sciertas regularidadesT5 es decir funciones
o#eti$o 4ue $eriF4uen 4ue para dos indi$iduos 4ue se encuentren cercanos en el espacio de Cs4ueda5
sus respecti$os $alores en las funciones o#eti$o sean similares. Por otra parte una diFcultad en el
comportamiento del AG puede ser la e8istencia de gran cantidad de ptimos locales5 as. como el 2ec2o
de 4ue el ptimo gloal se encuentre mu( aislado.
)a regla general para construir una uena funcin o#eti$o es 4ue sta dee reHe#ar el $alor del
indi$iduo de una manera SrealT5 pero en muc2os prolemas de optimi'acin cominatoria5 donde e8iste
gran cantidad de restricciones5 uena parte de los puntos del espacio de Cs4ueda representan
indi$iduos no $6lidos.
Para este planteamiento en el 4ue los indi$iduos est6n sometidos a restricciones5 se 2an propuesto
$arias soluciones. )a primera ser.a la 4ue se podr.a denominar asolutista5 en la 4ue a4uellos
indi$iduos 4ue no $eriFcan las restricciones5 no son considerados como tales5 ( se siguen efectuando
cruces ( mutaciones 2asta otener indi$iduos $6lidos5 o ien5 a dic2os indi$iduos se les asigna una
funcin o#eti$o igual a cero.
"tra posiilidad consiste en reconstruir a4uellos indi$iduos 4ue no $eriFcan las restricciones. Dic2a
reconstruccin suele lle$arse a cao por medio de un nue$o operador 4ue se acostumra a denominar
reparador.
"tro enfo4ue est6 asado en la penali'acin de la funcin o#eti$o. )a idea general consiste en di$idir
la funcin o#eti$o del indi$iduo por una cantidad =la penali'acin> 4ue guarda relacin con las
restricciones 4ue dic2o indi$iduo $iola. Dic2a cantidad puede simplemente tener en cuenta el nCmero
de restricciones $ioladas ien el denominado costo esperado de reconstruccin5 es decir el coste
asociado a la con$ersin de dic2o indi$iduo en otro 4ue no $iole ninguna restriccin.
"tra tcnica 4ue se 2a $enido utili'ando en el caso en 4ue la computacin de la funcin o#eti$o sea
mu( comple#a es la denominada e$aluacin apro8imada de la funcin o#eti$o. En algunos casos la
otencin de n funciones o#eti$o apro8imadas puede resultar me#or 4ue la e$aluacin e8acta de una
Cnica funcin o#eti$o =supuesto el caso de 4ue la e$aluacin apro8imada resulta como m.nimo n $eces
m6s r6pida 4ue la e$aluacin e8acta>.
,n prolema 2aitual en las e#ecuciones de los AG surge deido a la $elocidad con la 4ue el algoritmo
con$erge. En algunos casos la con$ergencia es mu( r6pida5 lo 4ue suele denominarse con$ergencia
prematura5 en la cual el algoritmo con$erge 2acia ptimos locales5 mientras 4ue en otros casos el
prolema es #usto el contrario5 es decir se produce una con$ergencia lenta del algoritmo. ,na posile
solucin a estos prolemas pasa por efectuar transformaciones en la funcin o#eti$o. El prolema de la
con$ergencia prematura5 surge a menudo cuando la seleccin de indi$iduos se reali'a de manera
proporcional a su funcin o#eti$o.
En tal caso5 pueden e8istir indi$iduos con una adaptacin al prolema mu( superior al resto5 4ue a
medida 4ue a$an'a el algoritmo SdominanT a la polacin. Por medio de una transformacin de la
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
5 de 15 01/09/2014 0:18
funcin o#eti$o5 en este caso una comprensin del rango de $ariacin de la funcin o#eti$o5 se
pretende 4ue dic2os SsCper indi$iduosT no lleguen a dominar a la polacin.
El prolema de la lenta con$ergencia del algoritmo5 se resol$er.a de manera an6loga5 pero en este caso
efectuando una e8pansin del rango de la funcin o#eti$o.
)a idea de especies de organismos5 2a sido imitada en el diseo de los AG en un mtodo propuesto por
Golderg ( Ric2ardson5 utili'ando una modiFcacin de la funcin o#eti$o de cada indi$iduo5 de tal
manera 4ue indi$iduos 4ue estn mu( cercanos entre s. de$alCen su funcin o#eti$o5 con o#eto de
4ue la polacin gane en di$ersidad.
Operdor de Seleccin
El operador de Seleccin es el encargado de transmitir ( conser$ar a4uellas caracter.sticas de
soluciones 4ue se consideran $aliosas a lo largo de las generaciones. El principal medio para 4ue la
informacin Ctil se transmita es 4ue a4uellos indi$iduos me#or adaptados =me#or $alor de funcin de
e$aluacin> tengan m6s proailidades de reproducirse. Sin emargo5 es necesario tamin incluir un
factor aleatorio 4ue permita reproducirse a indi$iduos 4ue aun4ue no estn mu( ien adaptados5
puedan contener alguna informacin Ctil para posteriores generaciones5 con el o#eto de mantener as.
tamin una cierta di$ersidad en cada polacin. Algunas de las tcnicas de las cuales se dispone son
las siguientes7
Ruleta o Seleccin Proporcional7 %on este mtodo la proailidad 4ue tiene un indi$iduo de
reproducirse es proporcional a su $alor de funcin de e$aluacin5 es decir5 a su adaptacin. En este
mtodo se deFne un rango con las caracter.sticas de la seleccin por sorteo. El nCmero al a'ar ser6 un
nCmero aleatorio for'osamente menor 4ue el tamao del rango. El elemento escogido ser6 a4uel en
cu(o rango est el nCmero resultante de sumar el nCmero aleatorio con el resultado total 4ue sir$i
para escoger el elemento anterior. El comportamiento es similar al de una ruleta5 donde se deFne un
a$ance cada tirada a partir de la posicin actual. Tiene la $enta#a de 4ue no es posile escoger dos
$eces consecuti$as el mismo elemento5 ( 4ue puede ser for'ado a 4ue sea alta la proailidad de 4ue
no sean elementos pr8imos en la polacin esto Cltimo no es una $enta#a de por s.U sal$o 4ue algunos
de los otros operadores genticos5 es me#or utili'ar un mtodo de seleccin directa asado en la
posicin relati$a de los indi$iduos de la polacin.
Seleccin por RanVing7 Desarrollado por N2itle( =?@A@> consiste en calcular las proailidades de
reproduccin atendiendo a la ordenacin de la polacin por el $alor de adaptacin en $e' de atender
simplemente a su $alor de adecuacin. Estas proailidades se pueden calcular de di$ersas formas5
aun4ue el mtodo 2aitual es el ranVing lineal =1aVer =?@A9>>.
Seleccin por Torneo7 Reporta un $alor computacional mu( a#o deido a su sencille'. Se selecciona
un grupo de t indi$iduos =normalmente t P O5 torneo inario> ( se genera un nCmero aleatorio entre :
( ?. Si este nCmero es menor 4ue un cierto umral W =usualmente :5E9>5 se selecciona para
reproducirse al indi$iduo con me#or adaptacin5 ( si este nCmero es menor 4ue W5 se selecciona5 por el
contrario5 al indi$iduo con peor adaptacin.
Esta tcnica tiene la $enta#a de 4ue permite un cierto grado de elitismo el me#or nunca $a a morir5 (
los me#ores tienen m6s proailidad de reproducirse ( de emigrar 4ue los peoresG pero sin producir una
con$ergencia gentica prematura5 si la polacin es5 al menos5 un orden de magnitud superior al del
nCmero de elementos in$olucrados en el torneo. En caso de 4ue la diferencia sea menor no 2emos
oser$ado muc2a diferencia entre emplear el torneo o no.
'() Operdor de Cruce
El operador de cruce permite reali'ar una e8ploracin de toda la informacin almacenada 2asta el
momento en la polacin ( cominarla para crear me#ores indi$iduos. Dentro de los mtodos 2aituales
destacamos los siguientes7
%ruce de un punto7 Es el mtodo de cruce m6s sencillo. Se selecciona una posicin en las cadenas de
los progenitores5 ( se intercamian los genes a la i'4uierda de esta posicin.
%ruce de n puntos7 Es una generali'acin del mtodo anterior. Se seleccionan $arias posiciones =n> en
las cadenas de los progenitores ( se intercamian los genes a amos lados de estas posiciones.
%ruce ,niforme7 Se reali'a un test aleatorio para decidir de cual de los progenitores se toma cada
posicin de la cadena.
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
6 de 15 01/09/2014 0:18
%ruces para permutacin7 E8iste una familia de cruces espec.Fcas para los prolemas de permutacin5
siendo algunos de ellos7
%ruce de mapeamiento parcial7 Toma una su secuencia del genoma del padre ( procura preser$ar el
orden asoluto de los fenotipos Ges decir5 orden ( posicin en el genomaG del resto del genoma lo m6s
parecido posile de la madre.
%ruce de orden7 toma una suGsecuencia del genoma del padre ( procura preser$ar el orden relati$o
de los fenotipos del resto del genoma lo m6s parecido posile de la madre.
%ruce de ciclo7 Tomamos el primer gen del genoma del padre5 ponindolo en la primera posicin del
2i#o5 ( el primer gen del genoma de la madre5 ponindolo dentro del genoma del 2i#o en la posicin 4ue
ocupe en el genoma del padre. El fenotipo 4ue est6 en la posicin 4ue ocupa el gen del genoma del
padre igual al primer gen del genoma de la madre se $a a colocar en la posicin 4ue ocupe en el
genoma del padre5 ( as. 2asta rellenar el genoma del 2i#o.
Es una uena idea 4ue5 tanto la codiFcacin como la tcnica de cruce5 se 2agan de manera 4ue las
caracter.sticas uenas se 2eredenU o5 al menos5 no sea muc2o peor 4ue el peor de los padres. En
prolemas en los 4ue5 por e#emplo5 la adaptacin es funcin de los pares de genes colaterales5 el
resultante del cruce uniforme tiene una adaptacin completamente aleatoria.
'') Operdor de Mutcin
)a mutacin se considera un operador 6sico5 4ue proporciona un pe4ueo elemento de aleatoriedad
en la $ecindad =entorno> de los indi$iduos de la polacin.
Si ien se admite 4ue el operador de cruce es el responsale de efectuar la Cs4ueda a lo largo del
espacio de posiles soluciones5 tamin parece desprenderse de los e8perimentos efectuados por $arios
in$estigadores 4ue el operador de mutacin $a ganando en importancia a medida 4ue la polacin de
indi$iduos $a con$ergiendo =Da$is>. El o#eti$o del operador de mutacin es producir nue$as soluciones
a partir de la modiFcacin de un cierto nCmero de genes de una solucin e8istente5 con la intencin de
fomentar la $ariailidad dentro de la polacin.
E8isten mu( di$ersas formas de reali'ar la mutacin5 desde la m6s sencilla =Puntual>5 donde cada gen
muta aleatoriamente con independencia del resto de genes5 2asta conFguraciones m6s comple#as
donde se tienen en cuanta la estructura del prolema ( la relacin entre los distintos genes.
Sc2aer ( col. encuentran 4ue el efecto del cruce en la Cs4ueda es inferior al 4ue pre$iamente se
esperaa. ,tili'an la denominada e$olucin primiti$a5 en la cual5 el proceso e$oluti$o consta tan slo
de seleccin ( mutacin. Encuentran 4ue dic2a e$olucin primiti$a supera con creces a una e$olucin
asada e8clusi$amente en la seleccin ( el cruce. "tra conclusin de su traa#o es 4ue la
determinacin del $alor ptimo de la proailidad de mutacin es muc2o m6s crucial 4ue el relati$o a
la proailidad de cruce. Si ien en la ma(or.a de las implementaciones de AG se asume 4ue tanto la
proailidad de cruce como la de mutacin permanecen constantes5 algunos autores 2an otenido
me#ores resultados e8perimentales modiFcando la proailidad de mutacin a medida 4ue aumenta el
nCmero de iteraciones.
'*) Rempl+o de l "o#lcin , Condicin de "rd
%ada $e' 4ue se aplica el operador de cruce5 nos encontramos con un nCmero de nue$os indi$iduos =la
descendencia> 4ue se 2an de integrar en la polacin para formar la siguiente generacin. Esta
operacin se puede 2acer de di$ersas formas5 pero en general e8isten tres mtodos fundamentales
para reali'ar el rempla'o7
%uando el nCmero de indi$iduos llega a un cierto nCmero5 se elimina un sucon#unto de la polacin
conteniendo a los indi$iduos peor adaptados.
%ada $e' 4ue se crea un nue$o indi$iduo5 en la polacin se elimina el peor adaptado para de#ar su
lugar a este nue$o indi$iduo.
%ada $e' 4ue se crea un nue$o indi$iduo5 en la polacin se elimina aleatoriamente una solucin5
independientemente de su adaptacin.
En cuanto a el criterio de parada5 generalmente $iene determinado por criterios a priori sencillos5 como
un nCmero m68imo de generaciones o un tiempo m68imo de resolucin5 o m6s eFcientemente por
estrategias relacionadas con indicadores del estado de e$olucin de la polacin5 como por la prdida
de di$ersidad dentro de la polacin o por no 2aer me#ora en un cierto nCmero de iteraciones5 siendo
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
7 de 15 01/09/2014 0:18
por lo general una condicin mi8ta lo m6s utili'ado5 es decir5 limitar el tiempo de e#ecucin a un
nCmero de iteraciones ( tener en cuenta algCn indicador del estado de la polacin para considerar la
con$ergencia antes de alcan'ar tal limitacin.
'-) Aplicndo Operdores Genticos
En toda e#ecucin de un AG 2a( 4ue decidir con 4u frecuencia se $a a aplicar cada uno de los AGU en
algunos casos5 como en la mutacin o el cruce uniforme5 se dee de aadir algCn par6metro adicional5
4ue indi4ue con 4u frecuencia se $a a aplicar dentro de cada gen del cromosoma. )a frecuencia de
aplicacin de cada operador estar6 en funcin del prolemaU teniendo en cuenta los efectos de cada
operador5 tendr6 4ue aplicarse con cierta frecuencia o no. Generalmente5 la mutacin ( otros
operadores 4ue generen di$ersidad se suelen aplicar con poca frecuenciaU la recominacin se suele
aplicar con frecuencia alta.
En general5 la frecuencia de los operadores no $ar.a durante la e#ecucin del algoritmo5 pero 2a( 4ue
tener en cuenta 4ue cada operador es m6s efecti$o en un momento de la e#ecucin. Por e#emplo5 al
principio5 los m6s eFcaces son la mutacin ( la recominacinU posteriormente5 cuando la polacin 2a
con$ergido en parte5 la recominacin no es Ctil5 pues se est6 traa#ando con indi$iduos astante
similares5 ( es poca la informacin 4ue se intercamia. Sin emargo5 si se produce un estancamiento5
la mutacin tampoco es Ctil5 pues est6 reduciendo el AG a una Cs4ueda aleatoriaU ( 2a( 4ue aplicar
otros operadores. En todo caso5 se pueden usar operadores especiali'ados.
E#emplo simple de AG7
Se re4uiere calcular el m68imo de una funcin f=8> en un inter$alo Xa5 Y. Para esto solamente
se deri$a la funcin ( se iguala a cero. Pero se presenta un pe4ueo incon$eniente ( es 4ue no
se conoce a f=8>5 aun4ue s. se puede calcular o estimar su $alor en cual4uier punto. 3e a4u. los
pasos a seguir7 Se estiman la resolucin con la 4ue se desea traa#ar. Es decir5 se elige el
nCmero de puntos 4ue se $an a e8aminar dentro del inter$alo. Si5 por e#emplo5 el inter$alo es el
X:5?::Y ( se asigna una resolucin de :.95 entonces se otendr6n O:: puntos en el inter$alo.
Se genera una polacin inicial de n indi$iduosU 4ue ser6n n nCmeros =elegidos al a'ar>. Es
decir5 se otiene a 8?5 8O5...5 8n. Todos ellos se encuentran dentro del inter$alo Xa5 Y.
A2ora se le dee asignar ma(or capacidad de reproduccin a los me#or dotados. Si se esta
uscando el m68imo5 pues el me#or dotado ser6 a4uel cu(o $alor de f=8i> sea ma(or. De los n
indi$iduos 4ue se tienen5 se creara una polacin intermedia5 4ue ser6 la polacin de los
indi$iduos 4ue pasaran a ser recominados. )uego se calcula la frecuencia de cada uno de los n
genotipos en la primera polacin5 de la siguiente forma7 P =8i> Pf =8i>LsumaZtotal. A
continuacin deFnimos P =8i> como la funcin de distriucin7 P =8#> es la suma5 desde : 2asta #5
de los p =8i>.
'.) ALGORITMOS GEN/TICOS "ARALELOS
,n programa es paralelo si en cual4uier momento de su e#ecucin puede e#ecutar m6s de un proceso.
Para crear programas paralelos eFcientes 2a( 4ue poder crear5 destruir ( especiFcar procesos as. como
la interaccin entre ellos. 16sicamente e8isten tres formas de paraleli'ar un programa7 Paraleli'acin
de grano Fno7 la paraleli'acin del programa se reali'a a ni$el de instruccin. %ada procesador 2ace
una parte de cada paso del algoritmo =seleccin5 cruce ( mutacin> sore la polacin comCn.
Paraleli'acin de grano medio7 los programas se paraleli'an a ni$el de ucle. Esta paraleli'acin se
reali'a 2aitualmente de una forma autom6tica en los compiladores.
Paraleli'acin de grano grueso7 se asan en la descomposicin del dominio de datos entre los
procesadores5 siendo cada uno de ellos el responsale de reali'ar los c6lculos sore sus datos locales.
)a paraleli'acin de grano grueso tiene como atracti$o la portailidad5 (a 4ue se adapta perfectamente
tanto a multiprocesadores de memoria distriuida como de memoria compartida. Este tipo de
paraleli'acin se puede a su $e' reali'ar siguiendo tres estilos distintos de programacin7 paralelismo
en datos5 programacin por paso de mensa#es ( programacin por paso de datos.
Paralelismo en datos7 El compilador se encarga de la distriucin de los datos guiado por un con#unto
de directi$as 4ue introduce el programador. Estas directi$as 2acen 4ue cuando se compila el programa
las funciones se distriu(an entre los procesadores disponiles. %omo principal $enta#a presenta su
facilidad de programacin. )os lengua#es de paralelismo de datos mas utili'ados son el est6ndar 3P!
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
8 de 15 01/09/2014 0:18
=3ig2 Performance !ortran> ( el "pen&P.
Programacin por paso de mensa#es7 El mtodo mas utili'ado para programar sistemas de memoria
distriuida es el paso de mensa#es o alguna $ariante del mismo. )a forma mas 6sica consiste en 4ue
los procesos coordinan sus acti$idades mediante el en$.o ( la recepcin de mensa#es. )as lirer.as m6s
utili'adas son por este orden la est6ndar &PI =&essage Passing Interface> ( P0& =Parallel 0irtual
&ac2ine>.
Programacin por paso de datos7 A diferencia del modelo de paso de mensa#es5 la transferencia de
datos entre los procesadores se reali'a con primiti$as unilaterales tipo putGget5 lo 4ue e$ita la
necesidad de sincroni'acin entre los procesadores emisor ( receptor. Es un modelo de programacin
de mu( a#o ni$el pero mu( eFciente5 aun4ue en la actualidad son mu( pocos los faricantes 4ue los
soportan.
,na de las principales $enta#as de los AG es 4ue permite 4ue sus operaciones se puedan e#ecutar en
paralelo. Deido a 4ue la e$olucin natural trata con una polacin entera ( no con indi$iduos
particulares5 e8cepto para la fase de seleccin5 durante la cual e8iste una competencia entre los
indi$iduos ( en la fase de reproduccin5 en donde se presentan iteraciones entre los miemros de la
polacin5 cual4uier otra operacin de la polacin5 en particular la e$aluacin de cada uno de los
miemros de la polacin5 pueden 2acerse separadamente. Por lo tanto5 casi todas las operaciones en
los AG son impl.citamente paralelas.
Se 2a estalecido 4ue la eFciencia de los AG para encontrar una solucin optima5 esta determinada por
el tamao de la polacin. Por lo tanto5 una polacin grande re4uiere de mas memoria para ser
almacenada. Tamin se 2a proado 4ue toma ma(or cantidad de tiempo para con$erger. Si n es el
tamao de la polacin5 la con$ergencia esperada es n log=n>.
Al utili'ar computadores en paralelo5 no solamente se pro$ee de mas espacio de almacenamiento5 sino
tamin con el uso de ellos se podr6n producir ( e$aluar mas soluciones en una cantidad de tiempo
mas pe4ueo. Deido al paralelismo5 es posile incrementar el tamao de la polacin5 reducir el costo
computacional ( me#orar el desempeo de los AG.
Proalemente el primer intento 4ue se 2i'o para implementar los AG en ar4uitecturas en paralelo fue
en ?@A?5 por -o2n Grefenstette. )os primeros ensa(os consist.an en un paralelismo gloal. Esta
apro8imacin trataa por paraleli'ar e8pl.citamente las tareas paralelas impl.citas de los AG
secunciales5 por lo tanto la naturale'a de los prolemas permanec.a in$ariale. El algoritmo
simplemente mane#aa una sencilla polacin en donde cada indi$iduo pod.a cominarse con
cual4uiera de los otros5 pero la generacin de los nue$os 2i#os (Lo su e$aluacin se 2ac.a en paralelo.
)a idea 6sica es 4ue los diferentes procesadores puedan crear nue$os indi$iduos ( computar sus
aptitudes en paralelo5 sin tener 4ue comunicarse con los otros. )a e$aluacin de la polacin en
paralelo es simple de implementar. A cada procesador se le asigna un sucon#unto de indi$iduos para
ser e$aluados. Por e#emplo5 en un computador de memoria compartida5 los indi$iduos pueden estar
almacenados en la memoria5 ( cada uno de los procesadores puede leer los cromosomas asignados (
puede graar los resultados del computo de las aptitudes. Este mtodo solamente supone 4ue los AG
traa#an con una generacin actuali'ada de la polacin. Se necesita adem6s5 alguna sincroni'acin
entre las generaciones. Generalmente5 la ma(or parte del tiempo de computo en un AG se gasta en la
funcin o#eti$o. El tiempo 4ue se gasta en el mane#o de los cromosomas durante las fases de seleccin
( recominacin es despreciale. En un computador de memoria distriuida se puede almacenar la
polacin en un procesador ImaestroI5 el cual es responsale de en$iar los indi$iduos a los otros
procesadores Tescla$osI. El ImaestroI5 tamin es responsale por guardar los resultados de la
e$aluacin. ,na des$enta#a de esta implementacin es 4ue se pueden presentar cuellos de otella5
cuando los escla$os est6n desocupados ( solo el maestro esta traa#ando. Pero si se 2ace un uen uso
del procesador maestro5 se puede me#orar el factor de alance5 distriu(endo din6micamente los
indi$iduos a los procesadores escla$os5 cuando ellos terminen sus traa#os. ,na segunda clase de AG
paralelos consiste en di$idir la polacin en supolaciones5 ( cada una de ellas e#ecutarlas en un
procesador. El intercamio entre supolaciones es posile por medio de un operador de ImigracinI.
Se emplea el modelo de islas para mostrar como los AG se comportan como si el mundo fuera
constituido por islas 4ue se desarrollaran en forma independiente5 unas de las otras. En cada una de
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
9 de 15 01/09/2014 0:18
las islas5 la polacin es lire de con$erger 2acia un optimo diferente. El operador de migracin
permite e8traer de las diferentes supolaciones las uenas caracter.sticas5 para luego me'clarlas.
'0) Algunos e%emplos espec1ficos de AG [http://www.blogger.com/post-
create.g?blogID=9159822321577484689]
) Ingenier1 eroespcil [http://www.blogger.com/post-create.g?blogID=9159822321577484689]
"a(as2i et al. O::: utili'aron un algoritmo gentico de mCltiples o#eti$os para disear la forma del
ala de un a$in supersnico. 3a( tres consideraciones principales 4ue determinan la configuracin del
ala ( minimi'ar la resistencia aerodin6mica a $elocidades de $uelo supersnicas5 minimi'ar la
resistencia a $elocidades susnicas ( minimi'ar la carga aerodin6mica. Estos o#eti$os son
mutuamente e8clusi$os5 ( optimi'arlos todos simult6neamente re4uiere reali'ar contrapartidas.
El cromosoma de este prolema es una cadena de ;; nCmeros reales5 cada uno de los cuales
corresponde a un aspecto espec.fico del ala7 su forma5 su grosor5 su torsin5 etctera. Se simul una
e$olucin con seleccin elitista durante E: generaciones5 con un tamao de polacin de ;R indi$iduos.
Al final de este proceso 2a.a $arios indi$iduos paretianos5 cada uno representando una solucin no
dominada del prolema. El art.culo comenta 4ue estos indi$iduos ganadores ten.an caracter.sticas
f.sicamente ra'onales5 sealando la $alide' de la tcnica de optimi'acin. Para e$aluar me#or la
calidad de las soluciones5 las seis me#ores fueron comparadas con un diseo de ala supersnica
producido por el E4uipo de Diseo SST del )aoratorio Aeroespacial *acional de -apn. )as seis fueron
competiti$as5 con $alores de resistencia ( carga apro8imadamente iguales o menores a los del ala
diseada por 2umanosU en particular5 una de las soluciones e$olucionadas super al diseo del )A* en
los tres o#eti$os. )os autores sealan 4ue las soluciones del AG son similares a un diseo llamado ala
flec2a5 sugerido por primera $e' a finales de los aos 9:5 pero 4ue finalmente fue aandonado en fa$or
del diseo m6s con$encional con forma de delta.
En un art.culo posterior SasaVi et al. O::?5 los autores repitieron el e8perimento aadiendo un cuarto
o#eti$o5 a saer5 minimi'ar el momento de torsin =un conocido prolema en los diseos de alas flec2a
en el $uelo supersnico>. Tamin se aadieron puntos de control adicionales para el grosor al
con#unto de $ariales de diseo. Tras E9 generaciones de e$olucin5 se compararon dos de las me#ores
soluciones paretianas con el diseo de ala 4ue el )aoratorio Aeroespacial *acional #apons reali'
para el a$in supersnico e8perimental *E[STG?. Se descuri 4ue amos diseos5 adem6s de un
diseo ptimo de la simulacin anterior5 eran f.sicamente ra'onales ( superiores al diseo del )A* en
los cuatro o#eti$os.
Nilliams5 %rossle( ( )ang O::? aplicaron algoritmos genticos a la tarea de situar ritas de satlites
para minimi'ar los apagones de coertura. &ientras la tecnolog.a de telecomunicaciones sigue
progresando5 los 2umanos somos cada $e' m6s dependientes de las funciones $itales 4ue reali'an los
satlites en rita alrededor de la Tierra5 ( uno de los prolemas con los 4ue se enfrentan los
ingenieros es el diseo de las tra(ectorias oritales. )os satlites 4ue se encuentran en una rita
terrestre alta5 a unos Q9.::: Vilmetros de altitud5 pueden $er amplias secciones del planeta al mismo
tiempo ( estar en contacto con las estaciones terrestres5 pero son muc2o m6s caros de lan'ar ( m6s
$ulnerales a las radiaciones csmicas. Es m6s econmico colocar satlites en ritas a#as5 en algunos
casos a slo unos pocos cientos de VilmetrosU pero5 a causa de la cur$atura de la Tierra5 es ine$itale
4ue estos satlites pierdan durante un tiempo la l.nea de $isin con los receptores terrestres5 ( por lo
tanto se $uel$en inCtiles. Incluso las constelaciones de $arios satlites tienen apagones ineludiles (
prdidas de coertura por esta ra'n. El reto consiste en colocar las ritas de los satlites para
minimi'ar este tiempo muerto. Esto es un prolema multiGo#eti$o 4ue implica la minimi'acin de el
tiempo medio de apagn para todas las locali'aciones ( el tiempo m68imo de apagn para cada una de
las locali'acionesU en la pr6ctica5 estos o#eti$os resultan ser mutuamente e8clusi$os.
%uando se utili' el AG en este prolema5 los resultados 4ue e$olucionaron para constelaciones de
tres5 cuatro ( cinco satlites eran e8traos5 configuraciones oritales mu( asimtricas5 con los satlites
colocados alternando 2uecos grandes ( pe4ueos5 en lugar de 2uecos de igual tamao como 2ar.an
2ec2o las tcnicas con$encionales. Sin emargo5 esta solucin redu#o significati$amente los tiempos
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
10 de 15 01/09/2014 0:18
medio ( m68imo de apagn5 en algunos casos 2asta en @: minutos. En un art.culo period.stico5 el Dr.
Nilliam %rossle( seal 4ue ingenieros con aos de e8periencia aeroespacial 4uedaron sorprendidos
con el rendimiento ofrecido por el diseo no con$encional.
Weane ( 1roDn ?@@; utili'ando un AG para producir un nue$o diseo para un ra'o o #irafa para
transportar carga 4ue pudiese montarse en rita ( utili'arse con satlites5 estaciones espaciales (
otros pro(ectos de construccin aeroespacial. El resultado5 una estructura retorcida con aspecto
org6nico 4ue se 2a comparado con un fmur 2umano5 no utili'a m6s material 4ue el diseo de ra'o
est6ndar5 pero es ligera5 fuerte ( mu( superior a la 2ora de amortiguar las $iraciones per#udiciales5
como confirmaron las prueas reales del producto final. < sin emargo *inguna inteligencia produ#o los
diseos. Simplemente e$olucionaron. )os autores del art.culo comentan adem6s 4ue su AG slo se
e#ecut durante ?: generaciones5 deido a la naturale'a computacionalmente costosa de la simulacin5
( la polacin no se 2a.a estancado toda$.a. 3aer proseguido la e#ecucin durante m6s generaciones
2ar.a producido indudalemente ma(ores me#oras de rendimiento.
#) Astronom1 , strof1sic [http://www.blogger.com/post-create.g?blogID=9159822321577484689]
%2aronneau ?@@9 sugiere la utilidad de los AG para prolemas de astrof.sica5 aplic6ndolos a tres
prolemas de e#emplo7 otener la cur$a de rotacin de una gala8ia as6ndose en las $elocidades
rotacionales oser$adas de sus componentes5 determinar el periodo de pulsacin de una estrella
$ariale as6ndose en series de datos temporales5 ( sacar los $alores de los par6metros cr.ticos de un
modelo magneto 2idrodin6mico del $iento solar. Son tres dif.ciles prolemas no lineales (
multidimensionales.
El algoritmo gentico de %2aronneau5 PIWAIA5 utili'a seleccin generacional ( proporcional a la
aptitud5 #unto con elitismo5 para asegurar 4ue el me#or indi$iduo se copia una $e' 2acia la siguiente
generacin sin ninguna modificacin. PIWAIA tiene un ritmo de cru'amiento de :5;9 ( un ritmo de
mutacin $ariale 4ue se pone a :5::Q inicialmente ( luego aumenta gradualmente5 mientras la
polacin se apro8ima a la con$ergencia5 para mantener la $ariailidad en el acer$o gentico.
En el prolema de la cur$a de rotacin gal6ctica5 el AG produ#o dos cur$as5 ( amas estaan ien
a#ustadas a losU oser$aciones posteriores pueden distinguir cu6l es la preferile. En el prolema de la
serie temporal5 el AG fue impresionantemente e8itoso5 generando un a#uste de los datos de gran
calidad5 aun4ue otros prolemas m6s dif.ciles no se a#ustaron tan. El art.culo sugiere 4ue un AG 2.rido
4ue emplee tanto e$olucin artificial como tcnicas anal.ticas est6ndar5 podr.a funcionar me#or.
!inalmente5 en el prolema de otener los seis par6metros cr.ticos del $iento solar5 el AG determin
con 8ito el $alor de tres con una precisin de menos del :5?\ ( los otros tres con precisiones entre el
? ( el ?:\.
1as6ndose en los resultados otenidos 2asta a2ora5 %2aronneau sugiere 4ue los AGs pueden ( deen
encontrar uso en otros prolemas dif.ciles de astrof.sica5 en particular5 prolemas in$ersos como las
im6genes por Doppler ( las in$ersiones 2elio s.smicos. Para terminar5 %2aronneau sostiene 4ue los
AGs son un contendiente poderoso ( prometedor en este campo5 del 4ue se puede esperar 4ue
complemente a las tcnicas tradicionales de optimi'acin5 ( conclu(e 4ue el punto decisi$o5 si es 4ue
tiene 4ue 2aer alguno5 es 4ue los algoritmos genticos funcionan5 ( a menudo colosalmente ien.
c) 2u1mic [http://www.blogger.com/post-create.g?blogID=9159822321577484689]
,n pulso l6ser ultracorto de alta energ.a puede romper molculas comple#as en molculas m6s
sencillas5 un proceso con aplicaciones importantes en la 4u.mica org6nica ( la microelectrnica. )os
productos espec.ficos de una reaccin as. pueden controlarse modulando la fase del pulso l6ser. Sin
emargo5 para molculas grandes5 otener la forma del pulso deseado de manera anal.tica es
demasiado dif.cil7 los c6lculos son demasiado comple#os ( las caracter.sticas rele$antes no se conocen
con suficiente precisin.
Assion et al. ?@@A resol$ieron este prolema utili'ando un algoritmo e$oluti$o para disear la forma
del pulso. En lugar de introducir informacin comple#a5 espec.fica del prolema5 sore las
caracter.sticas cu6nticas de las molculas iniciales5 para disear el pulso conforme a las
especificaciones5 el AE dispara un pulso5 mide las proporciones de las molculas producto resultantes5
muta aleatoriamente las caracter.sticas del ra(o con la esperan'a de conseguir 4ue estas proporciones
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
11 de 15 01/09/2014 0:18
se acer4uen a la salida deseada5 ( el proceso se repite. En lugar de afinar directamente las
caracter.sticas del ra(o l6ser5 el AG de los autores representa a los indi$iduos como un con#unto de ?OA
nCmeros5 en el 4ue cada nCmero es un $alor de $olta#e 4ue controla el .ndice de refraccin de uno de
los pi8eles del modulador l6ser. De nue$o5 no se necesita un conocimiento espec.fico del prolema
sore las propiedades del l6ser o de los productos de la reaccin. )os autores afirman 4ue su algoritmo5
cuando se aplica a dos sustancias de muestra5 encuentra autom6ticamente la me#or configuracin... no
importa lo complicada 4ue sea la respuesta molecular demostrando un control co2erente automati'ado
de los productos 4ue son 4u.micamente diferentes uno del otro ( de la molcula padre.
A principios ( mediados de los @:5 la amplia adopcin de una no$edosa tcnica de diseo de f6rmacos5
llamada 4u.mica cominatoria5 re$olucion la industria farmacutica. %on este mtodo5 en lugar de la
s.ntesis precisa ( meticulosa de un slo compuesto de una $e'5 los io4u.micos me'clan
delieradamente una gran $ariedad de reacti$os para producir una $ariedad aCn ma(or de productos
Gcientos5 miles o millones de compuestos diferentes en cada remesaG 4ue luego pueden aislarse
r6pidamente para su acti$idad io4u.mica. 3a( dos formas de disear las iliotecas de reacti$os en
esta tcnica7 diseo asado en los reacti$os5 4ue elige grupos optimi'ados de reacti$os sin considerar
4u productos saldr6n como resultado5 ( diseo asado en los productos5 4ue selecciona los reacti$os
4ue producir6n con ma(or proailidad los productos con las propiedades deseadas. El diseo asado
en los productos es m6s dif.cil ( comple#o5 pero se 2a demostrado 4ue genera iliotecas cominatorias
me#ores ( m6s di$ersas5 ( tiene m6s proailidades de ofrecer un resultado Ctil.
En un art.culo patrocinado por el departamento de in$estigacin ( desarrollo de Gla8oSmit2Wline5 Gillet
O::O descrie el uso de un algoritmo gentico multi o#eti$o para el diseo asado en los productos de
iliotecas cominatorias. Al elegir los componentes 4ue $an en una ilioteca particular5 deen
considerarse caracter.sticas como la di$ersidad ( peso molecular5 el coste de los suministros5 la
to8icidad5 la asorcin5 la distriucin ( el metaolismo. Si el o#eti$o es encontrar molculas similares
a una molcula e8istente con una funcin conocida5 tamin se puede tener en cuenta la similaridad
estructural. Este art.culo presenta un enfo4ue multi o#eti$o5 donde puede desarrollarse un con#unto
de resultados paretianos 4ue ma8imicen o minimicen cada uno de estos o#eti$os. El autor conclu(e
diciendo 4ue el AG fue capa' de satisfacer simult6neamente los criterios de di$ersidad molecular (
eficiencia sinttica m68ima5 ( tamin fue capa' de encontrar molculas parecidas a un f6rmaco 4ue
eran mu( similares a las molculas del o#eti$o dado5 tras e8plorar una fraccin mu( pe4uea del
espacio de Cs4ueda total.
En un art.culo relacionado5 Glen ( Pa(ne ?@@9 descrien el uso de algoritmos genticos para disear
autom6ticamente molculas nue$as desde cero 4ue se a#ustan a un con#unto de especificaciones dado.
Dada una polacin inicial5 ien generada aleatoriamente o utili'ando la sencilla molcula del etano
como semilla5 el AG aade5 elimina ( altera aleatoriamente 6tomos ( fragmentos moleculares con el
o#eti$o de generar molculas 4ue se a#usten a los re4uisitos dados. El AG puede optimi'ar
simult6neamente un gran nCmero de o#eti$os5 inclu(endo el peso molecular5 el $olumen molecular5 el
nCmero de enlaces5 el nCmero de centros 4uirales5 el nCmero de 6tomos5 el nCmero de enlaces
rotales5 la polari'ailidad5 el momento dipolar5 etctera5 para producir molculas candidatas con las
propiedades deseadas. 1as6ndose en prueas e8perimentales5 inclu(endo un dif.cil prolema de
optimi'acin 4ue implicaa la generacin de molculas con propiedades similares a la5 los autores
conclu(en 4ue el AG es un e8celente generador de ideas 4ue ofrece propiedades de optimi'acin
r6pidas ( poderosas ( puede generar un con#unto di$erso de estructuras posiles. %ontinCan
afirmando7 Es de inters especial la poderosa capacidad de optimi'acin del algoritmo gentico5 incluso
con tamaos de polacin relati$amente pe4ueos. %omo pruea de 4ue estos resultados no son
simplemente tericos5 )emle( O::? informa de 4ue la empresa ,nile$er 2a utili'ado algoritmos
genticos para disear nue$os componentes antimicroianos para su uso en productos de limpie'a5
algo 4ue 2a patentado.
d) Ingenier1 elctric [http://www.blogger.com/post-create.g?blogID=9159822321577484689]
,na matri' de puertas programale en campo5 es un tipo especial de placa de circuito con una matri'
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
12 de 15 01/09/2014 0:18
de celdas lgicas5 cada una de las cuales puede actuar como cual4uier tipo de puerta lgica5
interconectado con cone8iones fle8iles 4ue pueden conectar celdas. Estas dos funciones se controlan
por softDare5 as. 4ue simplemente cargando un programa especial en la placa5 puede alterarse al $uelo
para reali'ar las funciones de cual4uier dispositi$o de 2ardDare de la amplia $ariedad e8istente.
El Dr. Adrian T2ompson 2a e8plotado este dispositi$o5 en con#uncin con los principios de la e$olucin5
para producir un prototipo de circuito reconocedor de $o' 4ue puede distinguir ( responder a rdenes
2aladas utili'ando slo QE puertas lgicas Guna tarea 4ue se 2ar.a considerado imposile para
cual4uier ingeniero 2umano. Gener cadenas aleatorias de its de ceros ( unos ( las utili' como
configuraciones de la !PGA5 seleccionando los indi$iduos m6s aptos de cada generacin5
reproducindolos ( mut6ndolos aleatoriamente5 intercamiando secciones de su cdigo ( pas6ndolo
2acia la siguiente ronda de seleccin. Su o#eti$o era e$olucionar un dispositi$o 4ue pudiera en
principio discriminar entre tonos de frecuencias distintas entre ? ( ?: Vilo2ercios5 ( luego distinguir
entre las palaras 2aladas go =adelante> ( stop =para>.
Su o#eti$o se alcan' en Q.::: generaciones5 pero el 8ito fue ma(or de lo 4ue 2a.a anticipado. El
sistema 4ue e$olucion utili'aa muc2as menos celdas 4ue cual4uier cosa 4ue pudiera 2aer diseado
un ingeniero 2umano5 ( ni si4uiera necesita del componente m6s cr.tico de los sistemas diseados por
2umanos Gun relo#. J%mo funcionaaK T2ompson no tiene ni idea5 aun4ue 2a rastreado la seal de
entrada a tra$s de un comple#o sistema de ucles realimentados del circuito e$olucionado. De 2ec2o5
de las QE puertas lgicas 4ue utili'a el producto final5 cinco de ellas ni si4uiera est6n conectadas al
resto del circuito de ninguna manera Gpero si se les retira la alimentacin elctrica5 el circuito de#a de
funcionar. Parece 4ue la e$olucin 2a e8plotado algCn sutil efecto electromagntico de estas celdas
para alcan'ar su solucin5 pero el funcionamiento e8acto de la comple#a e intrincada estructura
e$olucionada sigue siendo un misterio.
Alts2uler ( )inden ?@@E utili'aron un algoritmo gentico para e$olucionar antenas de alamre con
propiedades especificadas a priori. )os autores sealan 4ue el diseo de tales antenas es un proceso
impreciso5 comen'ando con las propiedades deseadas ( luego determinando la forma de la antena
mediante con#eturas... intuicin5 e8periencia5 ecuaciones apro8imadas o estudios emp.ricos. Esta
tcnica re4uiere muc2o tiempo5 a menudo no produce resultados ptimos ( tiende a funcionar ien slo
con diseos simtricos ( relati$amente simples. En contraste5 con el mtodo del algoritmo gentico5 el
ingeniero especifica las propiedades electromagnticas de la antena5 ( el AG sinteti'a autom6ticamente
una configuracin 4ue sir$a.
'3) 4ent%s , des&ent%s
) 4ent%s5
El primer ( m6s importante punto es 4ue los AG son intr.nsecamente paralelos. )a ma(or.a de los
otros algoritmos son en serie ( slo pueden e8plorar el espacio de soluciones 2acia una solucin
en una direccin al mismo tiempo5 ( si la solucin 4ue descuren resulta suGptima5 no se puede
2acer otra cosa 4ue aandonar todo el traa#o 2ec2o ( empe'ar de nue$o. Sin emargo5 (a 4ue
los AG tienen descendencia mCltiple5 pueden e8plorar el espacio de soluciones en mCltiples
direcciones a la $e'. Si un camino resulta ser un calle#n sin salida5 pueden eliminarlo f6cilmente (
continuar el traa#o en a$enidas m6s prometedoras5 d6ndoles una ma(or proailidad en cada
e#ecucin de encontrar la solucin. Sin emargo5 la $enta#a del paralelismo $a m6s all6 de esto.
%onsidere lo siguiente7 todas las cadenas inarias de A d.gitos forman un espacio de Cs4ueda5
4ue puede representarse como MMMMMMMM =donde M signiFca So : o ?T>. )a cadena :??:?:?: es un
miemro de este espacio. Sin emargo5 tamin es un miemro del espacio :MMMMMMM5 del
espacio :?MMMMMM5 del espacio :MMMMMM:5 del espacio :M?M?M?M5 del espacio ?:M:?MM:5 etc.
E$aluando la aptitud de esta cadena particular5 un AG estar.a sondeando cada uno de los espacios
a los 4ue pertenece. Tras muc2as e$aluaciones5 ir.a oteniendo un $alor cada $e' m6s preciso de
la aptitud media de cada uno de estos espacios5 cada uno de los cuales contiene muc2os
miemros. Por tanto5 un AG 4ue e$alCe e8pl.citamente un nCmero pe4ueo de indi$iduos est6
e$aluando impl.citamente un grupo de indi$iduos muc2o m6s grande de la misma manera 4ue un
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
13 de 15 01/09/2014 0:18
encuestador 4ue le 2ace preguntas a un cierto miemro de un grupo tnico5 religioso o social
espera aprender algo acerca de las opiniones de todos los miemros de ese grupo5 ( por tanto
puede predecir con Failidad la opinin nacional sondeando slo un pe4ueo porcenta#e de la
polacin. De la misma manera5 el AG puede dirigirse 2acia el espacio con los indi$iduos m6s
aptos ( encontrar el me#or de ese grupo. En el conte8to de los algoritmos e$oluti$os5 esto se
conoce como teorema del es4uema5 ( es la $enta#a principal de los AG sore otros mtodos de
resolucin de prolemas.
"tra $enta#a notale de los AG es 4ue se desen$uel$en ien en prolemas con un paisa#e
adaptati$o comple#o Ga4ullos en los 4ue la funcin o#eti$o es discontinua5 ruidosa5 camia con el
tiempo5 o tiene muc2os ptimos locales. )a ma(or.a de los prolemas pr6cticos tienen un espacio
de soluciones enorme5 imposile de e8plorar e82austi$amenteU el reto se con$ierte entonces en
cmo e$itar los ptimos locales Gsoluciones 4ue son me#ores 4ue todas las 4ue son similares a
ella5 pero 4ue no son me#ores 4ue otras soluciones distintas situadas en algCn otro lugar del
espacio de soluciones. &uc2os algoritmos de Cs4ueda pueden 4uedar atrapados en los ptimos
locales7 si llegan a lo alto de una colina del paisa#e adaptati$o5 descurir6n 4ue no e8isten
soluciones me#ores en las cercan.as ( concluir6n 4ue 2an alcan'ado la me#or de todas5 aun4ue
e8istan picos m6s altos en algCn otro lugar del mapa.
. Des&ent%s5 Aun4ue los AG 2an demostrado su eFciencia ( potencia como
estrategia de resolucin de prolemas5 no son la panacea. )os AG tienen ciertas
limitacionesU sin emargo5 se demostrar6 4ue todas ellas pueden superarse ( 4ue
ninguna de ellas afecta a la $alide' de la e$olucin iolgica.
)a primera ( m6s importante consideracin al crear un AG es deFnir una representacin del
prolema. El lengua#e utili'ado para especiFcar soluciones candidatas dee ser roustoU es decir5
dee ser capa' de tolerar camios aleatorios 4ue no produ'can constantemente errores fatales o
resultados sin sentido.
3a( dos maneras principales para conseguir esto. )a primera5 utili'ada por la ma(or.a de los AG5
es deFnir a los indi$iduos como listas de nCmeros inarios5 enteros o realesG donde cada nCmero
representa algCn aspecto de la solucin candidata. Si los indi$iduos son cadenas inarias5 un : o ?
podr.a signiFcar la ausencia o presencia de una cierta caracter.stica. Si son listas de nCmeros5
estos nCmeros podr.an representar muc2as cosas distintas7 los pesos de las cone8iones en una
red neuronal5 el orden de las ciudades $isitadas en un recorrido dado5 la situacin espacial de
componentes electrnicos5 los $alores con los 4ue se alimenta a un controlador5 los 6ngulos de
torsin de los enlaces pptidos de una prote.na5 etc. As.5 la mutacin implica camiar estos
nCmeros5 camiar its o sumar o restar $alores aleatorios. En este caso5 el propio cdigo del
programa no camiaU el cdigo es lo 4ue dirige la simulacin ( 2ace un seguimiento de los
indi$iduos5 e$aluando sus aptitudes ( 4ui'6 asegurando 4ue slo se producen $alores realistas (
posiles para el prolema dado.
"tro prolema con el 4ue los AG tienen diFcultades son los prolemas con las funciones o#eti$o
SengaosasT5 en las 4ue la situacin de los puntos me#orados ofrecen informacin engaosa sore
dnde se encuentra proalemente el ptimo gloal. Por e#emplo7 imagine un prolema en el 4ue
el espacio de Cs4ueda est compuesto por todas las cadenas inarias de oc2o caracteres5 ( en el
4ue la aptitud de cada indi$iduo sea directamente proporcional al nCmero de unos en l es decir5
:::::::? ser.a menos apto 4ue ::::::??5 4ue ser.a menos apto 4ue :::::???5 etcteraU con
dos e8cepciones7 la cadena ???????? resulta tener una aptitud mu( a#a5 ( la cadena ::::::::
resulta tener una aptitud mu( alta. En este prolema5 un AG =al igual 4ue la ma(or.a de los
algoritmos> no tendr.a m6s proailidad de encontrar un ptimo gloal 4ue una Cs4ueda
aleatoria.
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
14 de 15 01/09/2014 0:18
,n prolema mu( conocido 4ue puede surgir con un AG se conoce como con$ergencia prematura.
Si un indi$iduo 4ue es m6s apto 4ue la ma(or.a de sus competidores emerge mu( pronto en el
curso de la e#ecucin5 se puede reproducir tan aundantemente 4ue merme la di$ersidad de la
polacin demasiado pronto5 pro$ocando 4ue el algoritmo con$er#a 2acia el ptimo local 4ue
representa ese indi$iduo5 en lugar de rastrear el paisa#e adaptati$o lo astante a fondo para
encontrar el ptimo gloal. Esto es un prolema especialmente comCn en las polaciones
pe4ueas5 donde incluso una $ariacin aleatoria en el ritmo de reproduccin puede pro$ocar 4ue
un genotipo se 2aga dominante sore los otros.
!inalmente5 $arios in$estigadores aconse#an no utili'ar AG en prolemas resolules de manera
anal.tica. *o es 4ue los AG no puedan encontrar soluciones uenas para estos prolemasU
simplemente es 4ue los mtodos anal.ticos tradicionales consumen muc2o menos tiempo (
potencia computacional 4ue los AG (5 a diferencia de los AG5 a menudo est6 demostrado
matem6ticamente 4ue ofrecen la Cnica solucin e8acta. Por supuesto5 como no e8iste una solucin
matem6tica perfecta para ningCn prolema de adaptacin iolgica5 este prolema no aparece en
la naturale'a.
'6) Conclusiones
%omo se 2a podido oser$ar5 una de las principales $enta#as de los AG puede oser$arse en su
sencille'U puesto 4ue se necesita mu( poca informacin sore el espacio de Cs4ueda (a 4ue se
traa#a sore un con#unto de soluciones o par6metros codiFcados. Al igual 4ue sus campos de
aplicacin5 se puede aFrmar 4ue es un mtodo mu( completo de optimi'acin5 puesto 4ue sus
6reas de estudio son mu( amplias5 ( se puede $er generali'ado en muc2os sucesos cotidianos.
Se 2a oser$ado de igual forma 4ue los AG est6n indicados para resol$er todo tipo de prolemas
4ue se puedan e8presar como un prolema de optimi'acin donde se deFne una representacin
adecuada para las soluciones ( para la funcin a optimi'ar. Se usca una solucin por
apro8imacin de la polacin5 en lugar de una apro8imacin punto a punto.
Proalemente el punto m6s delicado de todo se encuentra en la deFnicin de la funcin o#eti$o5
(a 4ue de su eFciencia depende la otencin de un uen resultado. El resto del proceso es
siempre el mismo para todos los casos. )a programacin mediante AG supone un nue$o enfo4ue
4ue permite aarcar todas a4uellas 6reas de aplicacin donde no se sae de ante mano como
resol$er el prolema.
'7) 8i#liogrf1
http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf [http://www.sc.ehu.es/ccwbayes/docencia
/mmcc/docs/temageneticos.pdf]
http://www.monografias.com/trabajos-pdf/algoritmos-geneticos/algoritmos-geneticos.pdf
[http://www.monografias.com/trabajos-pdf/algoritmos-geneticos/algoritmos-geneticos.pdf]
http://the-geek.org/docs/algen/ [http://the-geek.org/docs/algen/]
http://www.nebrija.es/~cmalagon/ia/apuntes/algoritmosgeneticos.pdf [http://www.nebrija.es/~cmalagon/ia/apuntes
/algoritmosgeneticos.pdf]
Publicado 2nd February 2012 por David martinez aguirre

0
Aadir un comentario
ALGORITMOS GENETICOS http://martinezinfo.blogspot.com.es/?view=timeslide
15 de 15 01/09/2014 0:18