UNIVERSIDAD NACIONAL DE INGENIERA

FACULTAD DE INGENIERA INDUSTRIAL Y

DE SISTEMAS

TEMA:

ALGORITMO GENTICO

INTEGRANTES:

YOSIOKA BARAHONA, HARUMI

DELGADO CIFUENTES, ROQUE MARTN
YURIVILCA GOMEZ, JHOMAR DAVID

CURSO:

INVESTIGACIN DE OPERACIONES II

PROFESOR:

EYZAGUIRRE TEJADA, ROBERTO

2016
INTRODUCCIN

En los ltimos aos se ha generado un gran inters por el estudio de la relacin

entre el tiempo y el costo de los proyectos (Intercambio costo tiempo), siendo muy
til para disminuir la duracin de estos sin influir considerablemente en sus costos.
El tiempo que toma cada una de las actividades de construccin en una obra civil
y las relaciones existentes entre s, son de vital importancia para el desarrollo de
sta, ya que se encuentra estrechamente relacionada con su costo final.
En el presente trabajo se pretende analizar, con la ayuda de algoritmos genticos,
la relacin entre los cambios que se realicen en las duraciones de las actividades,
los costos de administracin y las penalizaciones generadas por retraso en
entregas del proyecto en el valor presente neto y la duracin total en la
construccin de un parque urbano.

Antes de continuar ahondando en la tcnica de los Algoritmos Genticos sera

interesante dejarla situada dentro de un marco ms amplio. Nos referimos a la
rama de la Inteligencia Artificial que se ha denominado Computacin Evolutiva.
El trmino Computacin Evolutiva se refiere al estudio de los fundamentos y
aplicaciones de ciertas tcnicas heursticas de bsqueda basadas en los
principios naturales de la evolucin. Una gran variedad de algoritmos
evolutivos han sido propuestos pero principalmente pueden clasificarse en:
Algoritmos Genticos, Programacin Evolutiva, Estrategias Evolutivas, Sistemas
Clasificadores y Programacin Gentica. Esta clasificacin se basa sobre todo
en detalles de desarrollo histrico ms que en el hecho de un funcionamiento
realmente diferente, de hecho las bases biolgicas en las que se apoyan son
esencialmente las mismas. Las diferencias entre ellos se centran en los
operadores que se usan en cada caso y en general en la forma de implementar
la seleccin, reproduccin y sustitucin de individuos en una poblacin.
Aunque los detalles de la evolucin no han sido completamente comprendidos,
incluso hoy en da, existen algunos puntos en los que se fundamentan:
La evolucin es un proceso que opera a nivel de cromosomas, y no a nivel de
individuos. Cada individuo es codificado como un conjunto de cromosomas.
La seleccin natural es el mecanismo mediante el cual los individuos mejor
adaptados son los que tienen mayores posibilidades de reproducirse.
El proceso evolutivo tiene lugar en la etapa de la reproduccin. Es en esta
etapa donde se producen la mutacin, que es la causante de que los
cromosomas de los hijos puedan ser diferentes a los de los padres, y el cruce,
que combina los cromosomas de los padres para que los hijos tengan
cromosomas diferentes.
De forma breve, pasamos a comentar cada una de los algoritmos mencionados
anteriormente, para que el lector pueda tener una idea de las similitudes y
diferencias entre ellos.
Los Algoritmos Genticos resuelven los problemas generando poblaciones
sucesivas a las que se aplican los operadores de mutacin y cruce. Cada
individuo representa una solucin al problema, y se trata de encontrar al
individuo que represente a la mejor solucin.
La Programacin Gentica funciona igual que la tcnica anterior pero se centra
en el estudio de problemas cuya solucin es un programa. De manera que los
individuos de la poblacin son programas que se acercan ms o menos a
realizar una tarea que es la solucin.
La Programacin Evolutiva es otro enfoque de los algoritmos genticos, en este
caso el estudio se centra en conseguir operadores genticos que imiten lo
mejor posible a la naturaleza, en cada caso, ms que en la relacin de los
padres con su descendencia. En este caso no se utiliza el operador de cruce,
tomando la mxima importancia el operador de mutacin.
3

Estrategias Evolutivas se centran en el estudio de problemas de optimizacin e

incluyen una visin del aprendizaje en dos niveles: a nivel de genotipo, y a
nivel de fenotipo. Y por ltimo los Sistemas Clasificadores engloban el estudio
de problemas en los que la solucin buscada se corresponde con toda una
poblacin.
Para finalizar se muestra un esquema en el que se sitan las tcnicas
mencionadas con respecto a otros procedimientos de bsqueda conocidos.
Comparacin con otros mtodos de optimizacin
Algoritmos Genticos y Matemticos
Existen problemas de optimizacin que pueden ser resueltos por la
implementacin de un algoritmo tradicional. En este caso lo ms conveniente
es utilizarlo.
Por ejemplo: Si tenemos la funcin "Es el doble de sta puede ser interpretada
como :
Ecuacin 1

Esto tambin es vlido para funciones booleanas (retornan un valor de

Verdadero o Falso).
Por ejemplo la funcin "Es mayor que, puede ser interpretada como
Ecuacin 2

Para resolver un problema que requiera como solucin saber solamente cual
nmero es ms grande, resulta ms eficaz utilizar el algoritmo matemtico
directamente.
Sin embargo, stos no son aplicables a problemas que posean algunas de estas
caractersticas:
La funcin representativa del problema no es continua. En este caso el mismo
no es computable. Los algoritmos genticos pueden trabajar con todo tipo de
funciones ya que encontrarn un mnimo aceptable si no es posible encontrar
el ptimo.
La funcin representativa es dinmica: La relacin entre las variable cambia
4

dependiendo de los valores que tomen las mismas. Esta relacin puede ser
advertida o no. Las reglas del tipo
"X es igual a Y si el valor de X es chico;
X es 1.5 de y si el valor de X es grande
no se sabe que pasa para valores medios de X"
no pueden ser convertidas en un algoritmo algebraico ya que existen valores
que se desconocen.
A diferencia de un algoritmo tradicional, un algoritmo gentico puede ser
diseado para trabajar bajo estas condiciones.
Algoritmos Genticos y Mtodos Enumerativos
Existe la posibilidad terica de encontrar soluciones a problemas a
optimizacin enumerando todas las soluciones posibles para todos los casos y
posteriormente buscando la misma en la base de datos resultante. Los
problemas se limitan entonces a un sistema de bsqueda eficiente del caso
concreto. Por ejemplo los libros con tablas de logaritmos tradicionales constan
de una larga serie de clculos para todos los valores usuales. La solucin
consiste simplemente en buscar en la lista el nmero decimal y retornar el
logaritmo dado.
La memorizacin de las tablas de multiplicar que se ensean a los nios es otro
ejemplo usual. Se espera que ante la pregunta Cunto es siete por cinco? los
nios respondan instantneamente "35" sin tener que estar calculando
mentalmente la multiplicacin.
Este mtodo es factible siempre que el nmero de valores sea manejable. De
otra manera el simple clculo de los mismos se vuelve imposible.
Ejemplo: Generar una tabla que contenga todas las movidas de todos los
partidos posibles de un juego de damas resultara imposible de hacer en la
prctica.
La " memorizacin " de una serie de datos no es otra cosa que la construccin
en la memoria del equivalente a una base de datos en donde se busca la
pregunta y se encuentra automticamente la respuesta.
Los algoritmos genticos usan heurstica para la resolucin de problemas, lo
cual limita drsticamente el nmero de datos a utilizar.
Algoritmos Genticos y Sistemas Expertos
Un Sistema Experto es un programa de computadora que encuentra soluciones
a problemas del tipo condicional con la estructura:
Si ocurren los hechos A, B, C, D, cul sera el valor del suceso E

Ejemplo: Si un anlisis mdico detecta los sntomas A, B, C y D en un paciente,

Cul ser la enfermedad del sujeto?
Ejemplo: Si el anlisis geolgico de una capa de suelo detecta la presencia de
los compuestos qumicos A , B , C y D Es factible que exista petrleo en la
misma?
Si bien existen en la literatura ejemplos de la utilidad de sta tcnica, las reglas
deben ser provistas por un especialista (o varios) en el tema. Por ende, se
requiere que los conocimientos estn disponibles, que sean estructurados o
factibles de ser estructurados (convertidos a reglas heursticas) y que los
hechos de la realidad sean relativamente estticos, es decir que las causas
para arribar a una determinada conclusin no cambien, ya que cada vez que
esto sucede, los expertos deben reelaborar las reglas, lo cual dificulta y retarda
considerablemente la operatoria del sistema.
Las condiciones bsicas necesarias para la implementacin efectiva de un
sistema experto pueden observarse en el cuadro GA005.
Los Sistemas Expertos tuvieron su apogeo en la dcada de los 80`s,
aproximadamente de 1979 a 1985. En esa poca se los lleg a considerar
verdaderas panaceas que resolveran muchos de los problemas cotidianos del
hombre. Incluso se formaron en ese entonces varias compaas con el objeto
especfico de realizarlos y comercializarlos. Algunos fueron exitosos y
funcionaron bien, pero las dificultades planteadas anteriormente no tardaron
en aparecer. En particular:
Existen temas en los cuales el conocimiento no es esttico, sino que la
aparicin de nueva informacin altera las pautas o reglas de inferencia de los
resultados. La necesidad permanentes de reevaluar las reglas por medio de
expertos humanos lleva al sistema a una operatoria lenta y burocrtica. Cada
conocimiento nuevo implica reentrenar manualmente el sistema. Los Sistemas
Expertos demostraron no ser tiles en este campo.
Existen temas en los cuales la interrelacin de ciertas variables no es
conocida. Si la informacin disponible de cierto asunto es limitada, y no se
conoce el comportamiento de algunas de sus variables, el Sistema experto
tendr grandes dificultades de programarse ya que sus reglas sern
imprecisas.
El Cuadro GA5 muestra las condiciones bsicas necesarias para la
implementacin efectiva de un sistema experto
Condiciones bsicas necesarias para la implementacin efectiva de un sistema
experto

 Los expertos no siempre estructuran su conocimiento. Existen numerosas

personas que razonan por mtodos empricos. Esto hace que les resulte muy
difcil traducir sus pensamientos o su mtodo deductivo a reglas que la
computadora pueda interpretar. Un Sistema experto no podr llegar a
resultados valederos cuando los especialistas en un tema no puedan tener
estructurados sus pensamientos.
Por ejemplo: supngase que se quiera programar un sistema experto para
calificar obras de arte. Difcilmente se encontrar un crtico de arte que pueda
estructurar las razones por las cuales considera "buena" o "mala" a una obra
de arte. En general las palabras que pueda decir resultarn a los odos del
programador del Sistema como una serie de subjetividades imposibles de
sistematizar.
Luego de observar todo esto, se empez a considerar a los Sistemas expertos
como aptos solamente para entornos reducidos y con condiciones de ejecucin
acotadas. La idea del Sistema Experto como " resolvedor universal de
problemas " qued sepultada.
Si bien la investigacin bsica de los algoritmos genticos es contempornea a
la de los sistemas expertos, la renovada importancia que se les dio en el
mbito cientfico se produjo en paralelo a la desvalorizacin que sufrieron estos
ltimos.
Los algoritmos genticos se revalorizaron ya que poseen las siguientes
ventajas competitivas:
7

 Solo necesitan asesoramiento del experto cuando se agregan o suprimen

variables al modelo. Los Sistemas Expertos requieren la presencia del mismo
ante cada modificacin del entorno.
Los algoritmos genticos solo requieren el asesoramiento del experto para
identificar las variables pertinentes, aunque no es necesario que stos definan
sus valores ni sus relaciones (las reglas) iniciales o finales. Los Sistemas
Expertos solo trabajan con las reglas y valores que les dictan los seres
humanos.

10

11

12

13

14

15

16

17

18

19

20

BIBLIOGRAFA
http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf
http://eddyalfaro.galeon.com/geneticos.html
http://sisbib.unmsm.edu.pe/bibvirtualdata/monografias/basic/riojas_ca/ca
p3.pdf
http://www.iol.etsii.upm.es/arch/metaheuristicas.pdf
http://www.redalyc.org/articulo.oa?id=84911948004

21