Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Monografia Algoritmos Geneticos
Monografia Algoritmos Geneticos
CURSO:
INVESTIGACION DE OPERACIONES
PRESENTADO POR:
DOCENTE:
1
ÍNDICE
RESUMEN ......................................................................................................................................... 3
INTRODUCCIÓN .............................................................................................................................. 4
CAPITULO I ...................................................................................................................................... 5
1. HISTORIA DE LOS ALGORITMOS GENÉTICOS ......................................................... 5
2. CONCEPTUALIZACIÓN ..................................................................................................... 6
3. CARACTERÍSTICAS ........................................................................................................... 7
CAPITULO II ..................................................................................................................................... 8
1. TIPOS DE ALGORITMOS GENETICOS ......................................................................... 8
1.1. ALGORITMOS GENÉTICOS SIMPLES................................................................... 8
1.2. ALGORITMOS GENÉTICOS PARALELOS. .......................................................... 8
CAPITULO III .................................................................................................................................. 12
1. VENTAJAS Y DESVENTAJAS ....................................................................................... 12
1.1. VENTAJAS.................................................................................................................. 12
1.2. DESVENTAJAS ......................................................................................................... 13
2. FUNCIONAMIENTO DE UN ALGORITMO GENÉTICO BÁSICO ............................. 14
3. ALGUNAS APLICACIONES DE LOS ALGORITMOS GENÉTICOS ....................... 15
CONCLUSIÓN ................................................................................................................................ 17
BIBLIOGRAFÍA .............................................................................................................................. 18
2
RESUMEN
Este tipo de algoritmo selecciona entre una cantidad de postores los cuales son
codificados para luego ser comparados en el sistema fitnes es el que certifica la
mejor solución el mejor postor en caso de no ser el mejor postor se volverá de
nuevo a elegir a otro postor atraves de una ruleta aleatoria luego serán codificados
y se repetirá el ciclo.
3
INTRODUCCIÓN
los algoritmos genéticos, entre otras, conocidas en su conjunto como soft-
computing, se han venido aplicando para generar modelos que den cuenta de las
relaciones de entrada salida de diferentes sistemas, sin la necesidad de contar A
priori con información completa sobre la estructura explícita de ecuaciones
dinámicas que describan las relaciones entre variables y parámetros en estos
procesos complejos, Los algoritmos genéticos permite alcanzar soluciones
extremas que satisfagan criterios prescritos.
4
CAPITULO I
5
científicos, sobre todo en Alemania. El siguiente desarrollo importante en el
campo vino en 1966, cuando L.J. Fogel, A.J. Owens y M.J. Walsh
introdujeron en América una técnica que llamaron programación evolutiva.
En este método, las soluciones candidatas para los problemas se
representaban como máquinas de estado finito sencillas; al igual que en la
estrategia evolutiva de Rechenberg, su algoritmo funcionaba mutando
aleatoriamente una de estas máquinas simuladas y conservando la mejor de
las dos (Mitchell 1996; Goldberg 1989). También al igual que las estrategias
evolutivas, hoy en día existe una formulación más amplia de la técnica de
programación evolutiva que todavía es un área de investigación en curso.
2. CONCEPTUALIZACIÓN
6
serie de operaciones genéticas de entre las que destaca la recombinación
sexual. Cada uno de estos objetos matemáticos suele ser una cadena de
caracteres (letras o números) de longitud fija que se ajusta al modelo de las
cadenas de cromosomas, y se les asocia con una cierta función matemática
que refleja su aptitud.
3. CARACTERÍSTICAS
7
CAPITULO II
8
Paralelización de grano fino: la paralelización del programa se
realiza a nivel de instrucción. Cada procesador hace una parte de
cada paso del algoritmo (selección, cruce y mutación) sobre la
población común.
01101
11000
01000
10011
10
- Función de calidad f(x) = x 2
- Selección:
11
CAPITULO III
1. VENTAJAS Y DESVENTAJAS
Según (ARRANZ DE LA PEÑA & PARRA TRUYOL, pág. 7).
1.1. VENTAJAS
Los algoritmos genéticos son intrínsecamente paralelos, es decir,
operan de forma simultánea con varias soluciones, en vez de trabajar
de forma secuencial como las técnicas tradicionales. La cual significa
que mientras técnicas tradicionales sólo pueden explorar el espacio
de soluciones hacia una solución en una dirección al mismo tiempo, y
si la solución que descubren resulta subóptima, no se puede hacer
otra cosa que abandonar todo el trabajo hecho y empezar de nuevo.
Sin embargo, los algoritmos genéticos simplemente desechan esta
solución subóptima y siguen por otros caminos.
Cuando se usan para problemas de optimización resultan menos
afectados por los máximos locales (falsas soluciones) que las técnicas
tradicionales.
Muchos algoritmos de búsqueda pueden quedar atrapados en los
óptimos locales: si llegan a lo alto de una colina del paisaje adaptativo,
descubrirán que no existen soluciones mejores en las cercanías y
concluirán que han alcanzado la mejor de todas, aunque existan picos
más altos en algún otro lugar del mapa, situación que no sucede para
algoritmos genéticos.
12
Su habilidad para manipular muchos parámetros simultáneamente,
resulta interesante en caso de tener varios objetivos a resolver.
No necesitan conocimientos específicos sobre el problema que
intentan resolver. Realizan cambios aleatorios en sus soluciones
candidatas y luego utilizan la función de aptitud para determinar si
esos cambios producen una mejora o no.
Resulta sumamente fácil ejecutarlos en las modernas arquitecturas
masivas en paralelo.
Usan operadores probabilísticos, en vez de los típicos operadores
determinísticos de las otras técnicas.
1.2. DESVENTAJAS
Definir una representación del problema. El lenguaje utilizado para
especificar soluciones candidatas debe ser robusto, debe ser capaz
de tolerar cambios aleatorios que no produzcan constantemente
errores fatales o resultados sin sentido. Se puede solucionar mediante
la definición de los individuos como listas de números donde cada
número representa algún aspecto de la solución candidata.
Pueden tardar mucho en converger, o no converger en absoluto,
dependiendo en cierta medida de los parámetros que se utilicen
tamaño de la población, número de generaciones.
Pueden converger prematuramente debido a una serie de problemas.
Si un individuo que es más apto que la mayoría de sus competidores
emerge muy pronto en el curso de la ejecución, se puede reproducir
tan abundantemente que merme la diversidad de la población
demasiado pronto, provocando que el algoritmo converja hacia el
óptimo local que representa ese individuo, en lugar de rastrear el
paisaje adaptativo lo bastante a fondo para encontrar el óptimo global.
Esto es un problema especialmente común en las poblaciones
pequeñas, donde incluso una variación aleatoria en el ritmo de
13
reproducción puede provocar que un genotipo se haga dominante
sobre los otros.
14
Evaluación: A cada uno de los cromosomas de esta población se aplicará
la función de aptitud para saber cómo de "buena" es la solución que se
está codificando.
Condición de término: El AG se deberá detener cuando se alcance la
solución óptima, pero ésta generalmente se desconoce, por lo que se
deben utilizar otros criterios de detención. Normalmente se usan dos
criterios: correr el AG un número máximo de iteraciones (generaciones) o
detenerlo cuando no haya cambios en la población. Mientras no se cumpla
la condición de término se hace lo siguiente:
Selección Después de saber la aptitud de cada cromosoma se procede a
elegir los cromosomas que serán cruzados en la siguiente generación. Los
cromosomas con mejor aptitud tienen mayor probabilidad de ser
seleccionados.
Recombinación o Cruzamiento La recombinación es el principal
operador genético, representa la reproducción sexual, opera sobre dos
cromosomas a la vez para generar dos descendientes donde se combinan
las características de ambos cromosomas padres.
Mutación modifica al azar parte del cromosoma de los individuos, y
permite alcanzar zonas del espacio de búsqueda que no estaban cubiertas
por los individuos de la población actual.
Reemplazo una vez aplicados los operadores genéticos,
se seleccionan los mejores individuos para conformar la población de la
generación siguiente.
15
fueron la fuente de inspiración para los creadores estos algoritmos. Los AG se
han utilizado en numerosas tareas de optimización, incluyendo la optimización
numérica, y los problemas de optimización combinatoria.
Programación automática: Los AG se han empleado para desarrollar pro-
gramas para tareas específicas, y para diseñar otras estructuras
computacionales tales como el autómata celular, y las redes de clasificación.
Aprendizaje máquina: Los AG se han utilizado también en muchas de es- tas
aplicaciones, tales como la predicción del tiempo o la estructura de una
proteína. Han servido asimismo para desarrollar determinados aspectos de
sistemas particulares de aprendizaje, como pueda ser el de los pesos en una
red neuronal, las reglas para sistemas de clasificación de aprendizaje o
sistemas de producción simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para modelar
procesos de innovación, el desarrollo estrategias de puja, y la aparición de
mercados económicos.
Sistemas inmunes: A la hora de modelar varios aspectos de los sistemas
inmunes naturales, incluyendo la mutación somática durante la vida de un
individuo y el descubrimiento de familias de genes múltiples en tiempo
evolutivo, ha resultado útil el empleo de esta técnica.
Ecología: En la modelización de fenómenos ecológicos tales como las
carreras de armamento biológico, la coevolución de parásito-huesped, la
simbiosis, y el flujo de recursos.
Genética de poblaciones: En el estudio de preguntas del tipo "¿Bajo qué
condiciones será viable evolutivamente un gene para la recombinación?".
Evolución y aprendizaje: Los AG se han utilizado en el estudio de las
relaciones entre el aprendizaje individual y la evolución de la especie.
Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas
sociales, tales como la evolución del comportamiento social en colonias de
insectos, y la evolución de la cooperación y la comunicación en sistemas
multiagentes.
16
CONCLUSIÓN
En esta monografía hemos presentado los conceptos genéricos vinculados con las
técnicas de computación evolutiva y ha comentado en detalle las características de
los algoritmos genéticos en particular, al considerarlos como mecanismos de
resolución de problemas de optimización combinatoria y problemas análogos en
otras áreas de aplicación.
17
BIBLIOGRAFÍA
18