Documentos de Académico
Documentos de Profesional
Documentos de Cultura
265 240 157 1 PDF
265 240 157 1 PDF
por
MONTSERRAT HERNÁNDEZ LÓPEZ
Departamento de Economía de las Instituciones, Estadística Económica y Econometría
Facultad de Ciencias Económicas y Empresariales
Universidad de La Laguna
RESUMEN
(1) La autora de este trabajo desea agradecer sinceramente al Dr. D. José Juan Cáceres
Hernández y al evaluador anónimo de la Revista sus útiles y acertados comentarios que, sin
duda, han contribuido a mejorar notablemente la versión final de este trabajo.
390 ESTADÍSTICA ESPAÑOLA
(3) Los algoritmos genéticos se han utilizado con el fin de predecir el valor de una mag-
nitud económica (véase, por ejemplo, Mahfoud y Main, 1996; Álvarez-Díaz y Álvarez, 2002; o
Venkatesan y Kumar, 2002). Sin embargo, no se tiene constancia del uso de esta herramienta
con la finalidad de predecir cambios en la composición de una población de agentes econó-
micos, excepto en Hernández López (2002).
392 ESTADÍSTICA ESPAÑOLA
Con ayuda de los términos propios del lenguaje de programación Borland C++, la
estructura básica del código que define un algoritmo genético puede representarse,
de forma simplificada, del siguiente modo(4):
t=0;
Lectura de valores de los parámetros;
(4) Consúltense las obras de Holland (1975), Goldberg (1989), Michalewicz (1994), Da-
wid (1996), Bagchi (1999) y Moreno y Moreno (1999).
PREDICCIÓN ECONÓMICA CON ALGORITMOS GENÉTICOS: OPERADORES GENÉTICOS VERSUS MATRIZ DE TRANSICIÓN 393
Return
Como se observa en esta estructura, una vez que la codificación de las cadenas
ha sido establecida, la población inicial ha quedado determinada y la función de
calidad ha sido definida, la transformación de una población inicial en otra final se
deja en manos del procedimiento de selección y los llamados operadores genéti-
cos, los cuales, de forma probabilística, son los encargados de introducir cambios
en la población inicial de tal forma que se obtenga una nueva población que, se
espera, tendrá un mayor valor de la calidad media.
Desde este punto de vista, el estado de la población en el momento t+1 depen-
de sólo del estado en el momento t. Si se conoce el estado Ω t , no se conseguirá
más información sobre el estado Ω t+1 a partir de cualquier estado previo de la
población. Como la actuación de los operadores que producen la nueva población
en t+1 dependen de la ocurrencia de sucesos tales como que una cadena determi-
nada pase al fondo de emparejamiento o se produzca la señal para mutar un
determinado bit, la dependencia del estado Ω t+1 respecto del estado Ω t es esto-
cástica.
Estas consideraciones implican que el cambio en la población descrito por el al-
goritmo genético puede considerarse un proceso estocástico { Ω t }, t=1,...,T, de
naturaleza markoviana; es decir, cuando el proceso está en el estado i en el mo-
mento t, hay una probabilidad fija, pij, de que el proceso realice una transición al
estado j en el momento t+1:
(5) Los criterios de parada suelen ser, entre otros, que se haya procesado el algoritmo
un número determinado de veces, que el valor medio de la función de calidad haya alcanza-
do un determinado umbral, o que un determinado porcentaje de individuos haya superado
un determinado nivel en su valor de calidad.
(6) Nótese que se están considerando probabilidades de transición estacionarias en el
tiempo. El análisis de las cadenas de Markov ha sido utilizado para calcular el ratio de con-
vergencia hacia la solución óptima de los algoritmos genéticos. Consúltense los artículos de
Goldberg y Segrest (1987), Nix y Vose (1992), Rudolph (1994) y Suzuki (1995).
394 ESTADÍSTICA ESPAÑOLA
∞
p ij ≥ 0, i, j ≥ 0, ∑p
j= 0
ij = 1, con i = 0,1,...
Existen varias definiciones para realizar esta selección previa de cadenas, pero
la más utilizada es la selección de tipo proporcional que, sobre una población inicial
de tamaño r obtiene una población intermedia de tamaño n del siguiente modo. Se
generan aleatoriamente los resultados de n pruebas multinomiales de tamaño r con
probabilidades p1,...,pr, siendo pi, con i=1,...,r, la probabilidad de que se copie el
individuo i de la población original en la posición en que finalmente quedará ubica-
do uno cualquiera de los n individuos de la población final. Dicha probabilidad se
define como el cociente entre la calidad del individuo i y la suma de las calidades
de los r individuos de la población inicial. Efectuadas las copias de los individuos de
la población inicial en el número adecuado, se obtiene una nueva población del
tamaño deseado.
(7) Nótese que los subíndices que irán apareciendo en estas descripciones acompañan-
do al símbolo Ω, no se refieren a poblaciones finales, sino a las poblaciones que van surgien-
do como consecuencia de la aplicación de los distintos operadores.
PREDICCIÓN ECONÓMICA CON ALGORITMOS GENÉTICOS: OPERADORES GENÉTICOS VERSUS MATRIZ DE TRANSICIÓN 395
fi
P(s(j) = I1,i ) = P(I2, j = I1,i ) = p i = r
i = 1,..., r; ∀j = 1,...n
∑ fi
i=1
Operador Cruce
Operador mutación
con las finales y, de estas cuatro cadenas, las dos con mayor calidad se transfieren
a la población final (Arifovic, 1989)(9).
(9) Nótese que cada par de individuos del fondo de emparejamiento se compara con el
par resultante de la aplicación de los operadores de cruce y mutación.
(10) Baker (1987) señalaba que un algoritmo genético debe generar poblaciones exactas,
consistentes y eficientes: exactas, en el sentido de que no hubiera diferencia —o hubiera la
menor posible— entre la población real y la esperada, es decir, el sesgo debería ser bajo;
consistentes o precisas, en el sentido de que la propagación —o el rango de valores posibles
para el número de descendientes de cada individuo— fuera la menor posible; y eficientes,
desde el punto de vista de que no provocaran incrementos en la complejidad del algoritmo
genético.
398 ESTADÍSTICA ESPAÑOLA
∑ P(m(x ) = x' ) = µ
x'i, g∈R g
i,g i,g .
x'i, g ≠ x i, g
(11) Nótese que, en una población real, varios individuos diferentes pueden tener las
mismas características y, por tanto, estar definidos por la misma cadena o estructura.
400 ESTADÍSTICA ESPAÑOLA
Ej (t+1)
E1 E2 .... Em
Ei (t)
E1 p11 = α p12 = β/δ12 p1m = β/δ1m
...
E2 p21 = β/δ21 p22 = α p2m = β/δ2m
...
E3 p31 = β/δ31 p32 = β/δ32 p3m = β/δ3m
...
... ... ... …
…
Em pm1 = β/δm1 pm2 = β/δm2 pmm = α
N2 N N
α + β N1 + β + β 3 + ... + β R = 1
2 3 R
R R
N1 = ∑ (n − 1) = ∑ n − R
i=1
i
i =1
i
PREDICCIÓN ECONÓMICA CON ALGORITMOS GENÉTICOS: OPERADORES GENÉTICOS VERSUS MATRIZ DE TRANSICIÓN 401
R R R R R R R R R R
N2 = ∑ ∑ (n − 1)(n − 1) = ∑ ∑ (n n ) −∑ ∑ (n ) −∑ ∑ (n ) +∑ ∑ 1 =
i=1 j=i+1
i j
i=1 j =i +1
i j
i =1 j =i+1
i
i=1 j=i+1
j
i=1 j=i+1
R R
= ∑ ∑ (n n ) −[(R − 1)n
i=1 j=i+1
i j 1 + (R − 2)n2 + ... + nR −1 ] −
R
− [(n2 + ... + nR ) + (n3 + ... + nR ) + ... + nR ] + ∑ (R − i) =
i=1
R R
R(R − 1)
= ∑ ∑ (n n ) −(R − 1)[n
i=1 j=i+1
i j 1 + n2 + ... + nR ] +
2
=
R R R
R
= ∑ ∑ (n n ) −(R − 1)∑ n
i=1 j=i+1
i j
i=1
i +
2
R R R R R R R R R
N3 = ∑ ∑ ∑ (n − 1)(n
i=1 j=i+1l= j +1
i j )
− 1 (nl − 1) = ∑ ∑ ∑ (n n n ) −∑ ∑ ∑ (n n ) −
i=1 j =i+1l= j +1
i j l
i=1 j=i+1l= j +1
i j
R R R R R R R R R R R R
− ∑ ∑ ∑ (n n ) −∑ ∑ ∑ (n n ) + ∑ ∑ ∑ (n ) +∑ ∑ ∑ (n ) +
i=1 j =i+1l= j +1
i l
i=1 j =i+1l= j +1
j l
i=1 j=i+1l= j +1
i
i=1 j =i+1l= j+1
j
R R R R R R
+ ∑ ∑ ∑ (nl ) − ∑ ∑ ∑1 =
i=1 j =i+1l= j +1 i=1 j =i+1l= j +1
R R R
(R − 1)(R − 2) R R R
R
= ∑ ∑ ∑ (n n n ) − (R − 2)∑ ∑ (n n ) +
i=1 j=i+1l= j +1
i j l
2 ∑n i=1 j =i+1
i j
i=1
i −
3
En general:
NR = (n1 − 1)...(nR − 1) = n1...nR − ∑ ∑
ni1 ...niR + ... + (− 1)R1
i1 =1 i2 =i1 +1 iR −1 = iR − 2 +1
∑
limitar las estructuras distintas de la población final del momento t+1 a aquéllas
observadas en el momento t(12).
Para determinar en qué individuo I3,q se transforma el individuo I2,q, es decir, pa-
ra decidir en qué elemento Ej se transforma el individuo con estructura Ei, puede
realizarse una prueba multinomial de tamaño m, con probabilidades pi1,...,pim, que
vienen recogidas en la fila i-ésima de la matriz de transición.
(12) Es preciso admitir que esta restricción impide la aparición de nuevo material genéti-
co, pero de este modo se obtienen ventajas computacionales que permitirían la ejecución
práctica del algoritmo en ordenadores personales, en casos en los que los individuos hayan
sido definidos mediante un importante número de características y cada una de éstas pueda
presentar un número elevado de modalidades. Obviamente, esta suposición sólo podría ser
admitida si la información del contexto así lo aconsejara. No se pretende hacer de la misma
una hipótesis generalizable a cualquier caso.
PREDICCIÓN ECONÓMICA CON ALGORITMOS GENÉTICOS: OPERADORES GENÉTICOS VERSUS MATRIZ DE TRANSICIÓN 403
(13) En un entorno turístico, Hurley et al. (1998) proponen un algoritmo genético cuya
aplicación se refiere al problema de la localización de almacenes de venta al por menor de un
sitio turístico. Sin embargo, el algoritmo no se emplea con la finalidad de predecir cambios
en la composición de la población de turistas.
404 ESTADÍSTICA ESPAÑOLA
acuerdo con características relevantes para los gestores públicos y privados de esa
rama de actividad en el área geográfica correspondiente.
4. CONCLUSIONES
REFERENCIAS
BAKER, J.E. (1987) «Reducing bias and inefficiency in the selection algorithm»,
Genetic algorithms and their applications: Proceedings of the Second Interna-
tional Conference on Genetic Algorithms. John J. Grenfenstett (Ed.). Lawrence
Erlbaum Associates: 14-21. Hillsdale, NJ.
DAVIS, L. (1991) (Ed.) Handbook of Genetic Algorithm. Van Nostrand Reinhold. New
York.
HOLLAND, J.H. (1975) Adaptation in Natural and Artificial Systems. Ann Arbor. The
University of Michigan Press.
HURLEY, S.; MOUTINHO, L.; Y W ITT, S.F. (1998), «Genetic algorithms for tourism
marketing», Annals of Tourism Research, 25 (2): 498-514.
NIX, A. Y M.D. VOSE (1992) «Modeling genetic algorithm with Markov chains»,
Annals of Mathematics and Artificial Intelligence, 5: 79-88.
RUDOLPH, G. (1994) «Convergence analysis of canonical genetic algorithms», IEEE
Transactions Neural Netwoks, Special Issue on Evolutional Computing, 5(1):
96-101.
SUZUKI, J. (1995) «A Markov chain analysis on simple genetic algorithms», IEEE
Transactions on Systems, Man, and Cybernetics, 25(4): 655-659.
ABSTRACT