Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2013 - 2014
PARTE I. INTRODUCCIÓN
Tema 1. Computación Basada en Modelos Naturales
PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence)
Tema 2. Introducción a los Modelos Basados en Adaptación Social
Tema 3. Optimización Basada en Colonias de Hormigas
Tema 4. Optimización Basada en Nubes de Partículas (Particle Swarm)
PARTE III. COMPUTACÍON EVOLUTIVA
Tema 5. Introducción a la Computación Evolutiva
Tema 6. Algoritmos Genéticos I. Conceptos Básicos
Tema 7. Algoritmos Genéticos II. Diversidad y Convergencia
Tema 8. Algoritmos Genéticos III. Múltiples Soluciones en Problemas Multimodales
Tema 9. Estrategias de Evolución y Programación Evolutiva
Tema 10. Algoritmos Basados en Evolución Diferencial (Diferential Evolution – DE)
Tema 11. Modelos de Evolución Basados en Estimación de Distribuciones (EDA)
Tema 12. Algoritmos Evolutivos para Problemas Multiobjetivo
Tema 13. Programación Genética
Tema 14. Modelos Evolutivos de Aprendizaje
PARTE IV. OTROS MODELOS DE COMPUTACIÓN BIOINSPIRADOS
Tema 15. Sistemas Inmunológicos Artificiales
Tema 16. Otros Modelos de Computación Natural/Bioinspirados
1
BIOINFORMÁTICA
TEMA 6: ALGORITMOS GENÉTICOS I:
CONCEPTOS BÁSICOS
2
BIBLIOGRAFÍA
3
1. INTRODUCCIÓN A LOS ALGORITMOS
GENÉTICOS
LOS INGREDIENTES
El CICLO DE LA EVOLUCIÓN
4
¿Qué es un Algoritmo Genético?
Evolución Natural
y
Evolución Genética
5
Los Ingredientes
t reproducción t+1
selección
mutación
cruce
6
El ciclo de la Evolución
Selección
PADRES
Cruce
Mutación
POBLACIÓN
Reemplazamiento
DESCENDIENTES
7
Estructura de un Algoritmo Genético
MUTACIÓN
con prob. Pm
t t+1
Pactual(t+1) Phijos
H1 H1= C’’m1
REEMPLAZAMIENTO
H2
… H2=C’m2
con elitismo (se
HM-1 mantiene el mejor de P(t))
…
Cmejor HM=C’’M 10
Modelo Estacionario
Pactual(t)
SELECCIÓN Ppadres CRUCE Pintermedia
C1
C’1 C’’1
C2 (dos cromo- con prob 1
somas de C)
C’2 C’’2
…
CM
MUTACIÓN
con prob. Pm
13
Ejemplo: Representación binaria
CROMOSOMA
GEN
14
Ejemplo: Representación binaria
Fenotipo
8 bits Genotipo • Entero
• Número real
• secuencia
• ...
• Cualquier otra?
15
Ejemplo: Representación Real
16
Ejemplo: Representación Real
18
Inicialización
19
Correspondencia entre Genotipo y
Fenotipo
En otras ocasiones el
genotipo puede ser un Algoritmo
conjunto de parámetros de obtención
para algún algoritmo, el
cual trabaja sobre los
datos de un problema
para obtener un fenotipo
Fenotipo
20
Evaluación de un individuo
21
¿CÓMO SE CONSTRUYE UN AG?
Selección
PADRES
Representación
Inicialización
Población
Función
POBLACIÓN Evaluación
22
Estrategia de Selección
24
Estrategia de Selección
Algunos esquemas de selección
Selección por Torneo (TS): Escoge al individuo de mejor fitness
de entre Nts individuos seleccionados aleatoriamente
(Nts=2,3,…).
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
POBLACIÓN Evaluación
26
Operador de Cruce
Población: ...
descendientes
1 1 1 0 0 0 0 0 0 0 1 1 1 1
28
Operador de Cruce
29
Ejemplo: Operador de cruce en dos
puntos para representación binaria
30
Ejemplo: Operador de cruce para
representación real
(a+A)/2 (b+B)/2 (c+C)/2 (d+D)/2 (e+E)/2 (f+F)/2
Dados 2 cromosomas
C1 = (c11,…, c1n) y C2 = (c21,…, c2n) ,
32
Ejemplo: Operador de cruce para
representación real: BLX-
Exploración Exploración
ai c1i c2i bi
Explotación
33
Ejemplo: Operador de cruce para
representación de orden
Padre 1 Padre 2
7 3 1 8 2 4 6 5 4 3 2 8 6 7 1 5
7, 3, 4, 6, 5
Orden
1 8 2 4, 3, 6, 7, 5
Hijo 1
7 5 1 8 2 4 3 6
34
¿CÓMO SE CONSTRUYE UN AG?
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
Mutación
POBLACIÓN Evaluación
DESCENDIENTES
35
Operador de mutación
36
Ejemplo: Mutación para
representación discreta binaria
antes 1 1 1 1 1 1 1
después 1 1 1 0 1 1 1
gen mutado
La mutación ocurre con una probabiliad pm
para cada gen
37
Ejemplo: Mutación para
representación real
7 3 1 8 2 4 6 5
7 3 6 8 2 4 1 5
39
¿CÓMO SE CONSTRUYE UN AG?
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
Mutación
POBLACIÓN Evaluación
Reemplazamiento
DESCENDIENTES
40
Estrategia de Reemplazamiento
43
Estudio comparativo de algunos modelos
estacionarios
44
Estudio comparativo de algunos modelos
estacionarios
Result
Resultados de las ados sin BL
16 combinaciones
50
45
40
35
Puntuación
30 LR
25 NAM
RS
20 TS
15
10
5
0
DC RTS RW WAMS
Algor itm o
46
¿CÓMO SE CONSTRUYE UN AG?
RESUMEN
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
Mutación
POBLACIÓN Evaluación
Reemplazamiento
DESCENDIENTES
48
5. EJEMPLO: VIAJANTE DE COMERCIO
Representación de orden
(3 5 1 13 6 15 8 2 17 11 14 4 7 9 10 12 16)
17 ciudades
Objetivo: Suma de la distancia entre las ciudades.
Población: 61 cromosomas - Elitismo
Cruce: OX (Pc = 0.6)
Mutación: Inversión de una lista (Pm = 0.01 – cromosoma)
49
Viajante de Comercio
Algoritmos Genéticos
61
COMENTARIOS FINALES
http://jclec.sf.net
62
Algoritmos Genéticos: Extensiones, estudios,
modelos, …
63
BIOINFORMÁTICA
2013 - 2014
PARTE I. INTRODUCCIÓN
Tema 1. Computación Basada en Modelos Naturales
PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence)
Tema 2. Introducción a los Modelos Basados en Adaptación Social
Tema 3. Optimización Basada en Colonias de Hormigas
Tema 4. Optimización Basada en Nubes de Partículas (Particle Swarm)
PARTE III. COMPUTACÍON EVOLUTIVA
Tema 5. Introducción a la Computación Evolutiva
Tema 6. Algoritmos Genéticos I. Conceptos Básicos
Tema 7. Algoritmos Genéticos II. Diversidad y Convergencia
Tema 8. Algoritmos Genéticos III. Múltiples Soluciones en Problemas Multimodales
Tema 9. Estrategias de Evolución y Programación Evolutiva
Tema 10. Algoritmos Basados en Evolución Diferencial (Diferential Evolution – DE)
Tema 11. Modelos de Evolución Basados en Estimación de Distribuciones (EDA)
Tema 12. Algoritmos Evolutivos para Problemas Multiobjetivo
Tema 13. Programación Genética
Tema 14. Modelos Evolutivos de Aprendizaje
PARTE IV. OTROS MODELOS DE COMPUTACIÓN BIOINSPIRADOS
Tema 15. Sistemas Inmunológicos Artificiales
Tema 16. Otros Modelos de Computación Natural/Bioinspirados
64