Algoritmo genético

Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solución a un problema
específico.

En los años 1970, de la mano de John Henry Holland, surgió una de las líneas más
prometedoras de la inteligencia artificial, la de los algoritmos genéticos, (AG).1 2
Son llamados así porque se inspiran en la evolución biológica y su base genético-
molecular.

Estos algoritmos hacen evolucionar una población de individuos sometiéndola a

acciones aleatorias semejantes a las que actúan en la evolución biológica
(mutaciones y recombinaciones genéticas), así como también a una selección de
acuerdo con algún criterio, en función del cual se decide cuáles son los individuos
más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados.

Los algoritmos genéticos se enmarcan dentro de los algoritmos evolutivos, que

incluyen también las estrategias evolutivas, la programación evolutiva y la
programación genética.

La antena 2006 de la nave espacial

de la NASA ST5. Esta forma
Índice complicada fue encontrada por un
programa evolutivo del diseño de
Introducción
computadora para crear el mejor
Funcionamiento
patrón de la radiación. Se conoce
Cuándo usar estos algoritmos
como una antena evolucionada.
Funcionamiento de un algoritmo genético básico
Desventajas y limitaciones
Aplicaciones
Metodología
Problemas de optimización
Inicialización
Selección
Operadores genéticos
Terminación

La hipótesis del bloque de construcción

Limitaciones
Variantes
Representación del cromosoma
Elitismo
Implementaciones paralelas
Algoritmo genético adaptativo
Dominios de problemas
Historia
Productos comerciales
Ejemplo
Codificación
Técnicas relacionadas
Campos de los padres
 Campos relacionados
Algoritmos evolutivos
Inteligencia de enjambre
Otros algoritmos evolutivos de computación
Otros métodos metaheurísticos
Otros métodos de optimización estocástica

Véase también
Bibliografía
Referencias
Enlaces externos
Recursos
Tutoriales

Introducción

Funcionamiento
Los algoritmos genéticos (AG) funcionan entre el conjunto de soluciones de un problema llamado fenotipo, y el conjunto de
individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada
cromosoma. Los símbolos que forman la cadena son llamados genes. Cuando la representación de los cromosomas se hace con
cadenas de dígitos binarios se le conoce como genotipo. Los cromosomas evolucionan a través de iteraciones, llamadas generaciones.
En cada generación, los cromosomas son evaluados usando alguna medida de aptitud. Las siguientes generaciones (nuevos
cromosomas), son generadas aplicando los operadores genéticos repetidamente, siendo estos los operadores de selección,
cruzamiento, mutación y reemplazo.

Cuándo usar estos algoritmos

Los algoritmos genéticos son de probada eficacia en caso de querer calcular funciones no derivables (o de derivación muy compleja)
aunque su uso es posible con cualquier función.
Deben tenerse en cuenta también las siguientes consideraciones:

Si la función a optimizar tiene muchos máximos/mínimos locales se requerirán más iteraciones del algoritmo para
"asegurar" el máximo/mínimo global.
Si la función a optimizar contiene varios puntos muy cercanos en valor al óptimo, solamente podemos "asegurar"
que encontraremos uno de ellos (no necesariamente el óptimo).

Funcionamiento de un algoritmo genético básico

Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo se aplican los operadores genéticos (cruzamiento,
mutación), de cómo se realiza la selección y de cómo se decide el reemplazo de los individuos para formar la nueva población. En
general, el pseudocódigo consiste de los siguientes pasos:

Inicialización: Se genera aleatoriamente la población inicial, que está constituida por un conjunto de cromosomas
los cuales representan las posibles soluciones del problema. En caso de no hacerlo aleatoriamente, es importante
garantizar que dentro de la población inicial, se tenga la diversidad estructural de estas soluciones para tener una
representación de la mayor parte de la población posible o al menos evitar la convergencia prematura.
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 esta 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 Algoritmo genético i: inicialización, f(X):
genéticos, se seleccionan los mejores individuos para evaluación, ?: condición de término, Se:selección,
conformar la población de la generación siguiente.
Cr: cruzamiento, Mu: mutación, Re: reemplazo, X*:
mejor solución.

Desventajas y limitaciones
Entre otras podemos mencionar:

Para problemas de alta complejidad la función de evaluación puede tornarse demasiado costosa en términos de
tiempo y recursos. Por ejemplo existen casos en la vida real para los cuales recrear una simulación de la solución
propuesta por una iteración puede tardar muchos días y consumir gran cantidad de procesamiento y recursos
asociados.

Puede haber casos en los cuales dependiendo los parámetros que se utilicen para la evaluación el algoritmo podría
no llegar a converger en una solución óptima o bien terminar en una convergencia prematura con resultados no
satisfactorios (la convergencia prematura podría significar una convergencia en un óptimo local o punto arbitrario
afectando los resultados a largo plazo).

Se dice que no poseen una buena escalabilidad con la complejidad, por ejemplo para sistemas que están
compuestos por muchas variables, componentes o elementos su respectivo espacio de búsqueda crece de manera
exponencial debido entre otras cosas a las relaciones que puedan surgir, por lo tanto el problema del diseño de una
aeronave debe desglosarse en representaciones simples, como perfiles aerodinámicos, tomando en cuenta que la
recombinación de los elementos puede perjudicar el rendimiento individual.

La "mejor" solución lo es solo en comparación a otras soluciones por lo que no se tiene demasiado claro un criterio
de cuándo detenerse ya que no se cuenta con una solución específica.

No es recomendable utilizarlos para problemas que buscan respuesta a problemas que convergen en soluciones
simples como Correcto/Incorrecto ya que el algoritmo difícilmente convergerá y el resultado será tan válido como
escogerlo al azar.

El diseño, la creación de la función de aptitud (fitness) y la selección de los criterios de mutación entre otros,
necesitan de cierta pericia y conocimiento del problema para obtener buenos resultados.

Aplicaciones
Diseño automatizado, incluyendo investigación en diseño de materiales y diseño multiobjetivo de componentes
automovilísticos: mejor comportamiento ante choques, ahorros de peso, mejora de aerodinámica, etc.
Diseño automatizado de equipamiento industrial.
Diseño automatizado de sistemas de comercio en el sector financiero.
Construcción de árboles filogenéticos.
Optimización de carga decontenedores.
Diseño de sistemas de distribución de aguas.
Diseño de topologías de circuitos impresos.
Diseño de topologías de redes computacionales.
En teoría de juegos, resolución de equilibrios.
Análisis de expresión de genes.
Aprendizaje de comportamiento de robots.
 Aprendizaje de reglas delógica difusa.
Análisis lingüístico, incluyendo inducción gramática, y otros aspectos de procesamiento de lenguajes naturales,
tales como eliminación de ambigüedad de sentido.
Infraestructura de redes de comunicaciones móviles.
Optimización de estructuras moleculares.
Planificación de producción multicriteria.
Predicción.
Aplicación de algoritmos genéticos aldilema del prisionero iterado.
Optimización de sistemas de compresión de datos, por ejemplo, usando wavelets.
Predicción de plegamiento de proteínas.
Optimización de Layout.
Predicción de estructura deARN.
En bioinformática, alineamiento múltiple de secuencias.
Aplicaciones en planificación de procesos industriales, incluyendo planificación job-shop.
Selección óptima de modelos matemáticos para la descripción de sistemas biológicos.
Manejo de residuos sólidos.
Ingeniería de software.
Construcción de horarios en grandes universidades, evitando conflictos de clases.
Problema del viajante.
Hallazgo de errores en programas.
Optimización de producción y distribución de energía eléctrica.
Diseño de redes geodésicas (problemas de diseño).
Calibración y detección de daños en estructuras civiles.

Metodología

Problemas de optimización
En un algoritmo genético, una población de soluciones candidatas (llamadas individuos, criaturas o fenotipos) a un problema de
optimización se desarrolla hacia mejores soluciones. Cada solución candidata tiene un conjunto de propiedades (sus cromosomas o
genotipos) que pueden ser mutados y alterados. Tradicionalmente, las soluciones se representan en binario como cadenas de ceros y
unos, pero también son posibles otras codificaciones.

La evolución suele partir de una población de individuos generados al azar, y es un proceso iterativo, con la población en cada
iteración llamada generación. En cada generación, se evalúa la aptitud de cada individuo en la población. La aptitud suele ser el valor
de la función objetivo en el problema de optimización que se está resolviendo. Los individuos más aptos son seleccionados
estocásticamente de la población actual, y el genoma de cada individuo es modificado (recombinado y posiblemente mutado al azar)
para formar una nueva generación. La nueva generación de soluciones candidatas se utiliza entonces en la siguiente iteración del
algoritmo. Comúnmente, el algoritmo termina cuando se ha producido un número máximo de generaciones, o se ha alcanzado un
nivel de aptitud satisfactorio para la población.

Un algoritmo genético típico requiere:

1. Una representación genética del dominio de la solución.

2. Una función de aptitud para evaluar el dominio de la solución.
Una representación estándar de cada solución candidata es como una matriz de bits. Las matrices de otros tipos y estructuras se
pueden utilizar esencialmente de la misma manera. La propiedad principal que hace convenientes estas representaciones genéticas es
que sus partes son fácilmente alineadas debido a su tamaño fijo, lo que facilita las operaciones de cruce simple. También se pueden
usar representaciones de longitud variable, pero la implementación del entrecruzamiento cromosómicoes más compleja en este caso.
Las representaciones arborescentes se exploran en laprogramación genéticay las representaciones en forma de gráfico se exploran en
la programación evolutiva. Una mezcla de ambos cromosomas lineales y árboles se explora en la programación de expresión
génetica.
Una vez que se define la representación genética y la función de acondicionamiento físico, un AG procede a inicializar una población
de soluciones y luego a mejorarla mediante la aplicación repetitiva de los operadores de mutación, entrecruzamiento cromosómico,
inversión y selección.

Inicialización
El tamaño de la población depende de la naturaleza del problema, pero normalmente contiene varios cientos o miles de posibles
soluciones. A menudo, la población inicial se genera aleatoriamente, permitiendo toda la gama de posibles soluciones (el espacio de
búsqueda). Ocasionalmente, las soluciones pueden ser "sembradas" en áreas donde es probable encontrar soluciones óptimas.

Selección
Durante cada generación sucesiva, una parte de la población existente se selecciona para criar una nueva generación. Las soluciones
individuales se seleccionan a través de un proceso basado en la aptitud, donde las soluciones de acondicionamiento (como medido
por una función de acondicionamiento físico) son típicamente más probables de ser seleccionadas. Ciertos métodos de selección
evalúan la aptitud de cada solución y preferentemente seleccionan las mejores soluciones. Otros métodos califican solo a una muestra
aleatoria de la población, ya que el proceso anterior puede llevar mucho tiempo.

La función de fitness se define sobre la representación genética y mide la calidad de la solución representada. La función de
acondicionamiento físico depende siempre del problema. Por ejemplo, en el problema de la mochila se quiere maximizar el valor
total de los objetos que se pueden poner en una mochila de alguna capacidad fija. Una representación de una solución puede ser una
matriz de bits, donde cada bit representa un objeto diferente, y el valor del bit (0 o 1) representa si el objeto está o no en la mochila.
No todas las representaciones son válidas, ya que el tamaño de los objetos puede exceder la capacidad de la mochila. La aptitud de la
solución es la suma de valores de todos los objetos en la mochila si la representación es válida, o 0 de lo contrario.

En algunos problemas, es difícil o incluso imposible definir la expresión de la condición física. En estos casos, se puede utilizar una
simulación para determinar el valor de la función de aptitud de un fenotipo (por ejemplo, la dinámica de fluidos computacionalse usa
para determinar la resistencia al aire de un vehículo cuya forma se codifica como fenotipo) o incluso algoritmos genéticos
interactivos.

Operadores genéticos
El siguiente paso es generar una población de segunda generación, de soluciones de las seleccionadas a través de una combinación de
operadores genéticos: entrecruzamiento cromosómico (también llamado crossover o recombinación) y mutación.

Para cada nueva solución que se ha producido, se ha seleccionado un par de soluciones "padre" para la cría de la agrupación
seleccionada previamente. Al producir una solución de "cría" usando los métodos de entrecruzamiento cromosómico y mutación
arriba mencionados, se crea una nueva solución que típicamente comparte muchas de las características de sus "padres". Se
seleccionan nuevos padres para cada nueva cría, y el proceso continúa hasta que se genere una nueva población de soluciones de
tamaño apropiado. Aunque los métodos de reproducción que se basan en el uso de dos padres son más "biología inspirada", algunos
temas de investigación sugieren que más de dos "padres" puedan generar cromosomas de mayor calidad.

Estos procesos finalmente resultan en la siguiente generación de población de cromosomas, que es diferente a la generación inicial.
En general, la aptitud física promedio se ha incrementado por este procedimiento para la población, ya que solo los mejores
organismos de la primera generación son seleccionados para la cría, junto con una pequeña proporción de soluciones menos aptas.
Estas soluciones menos aptas aseguran la diversidad genética dentro del grupo genético de los padres y, por lo tanto, aseguran la
diversidad genética de la siguiente generación de hijos.

La opinión se divide en la importancia del cruce versus la mutación. Hay muchas referencias en Fogel (2006) que apoyan la
importancia de la búsqueda basada en mutaciones.

Aunque el cruce y la mutación se conocen como los principales operadores genéticos, es posible utilizar otros operadores como el
reagrupamiento, la colonización-extinción o la migración en algoritmos genéticos.
Vale la pena ajustar parámetros como la probabilidad de mutación, la probabilidad de entrecruzamiento cromosómicoy el tamaño de
la población para encontrar ajustes razonables para la clase de problema que se está trabajando. Una tasa de mutación muy pequeña
puede conducir a la deriva genética (que es de naturaleza no ergódica). Una tasa de recombinación que es demasiado alta puede
conducir a la convergencia prematura del algoritmo genético. Una tasa de mutación demasiado alta puede conducir a la pérdida de
buenas soluciones, a menos que se utilice una selección elitista.

Terminación
Este proceso generacional se repite hasta que se alcanza una condición de terminación. Las condiciones de terminación comunes son:

Se encuentra una solución que satisface los criterios mínimos.

Se alcanza un número fijado de generaciones.
Se alcanza el presupuesto asignado (tiempo de cálculo / dinero).
La aptitud de la solución de la clasificación más alta está alcanzando o ha alcanzado una meseta tal que las
sucesivas iteraciones ya no producen mejores resultados.
Inspección manual.
Combinaciones de las anteriores.

La hipótesis del bloque de construcción

Los algoritmos genéticos son sencillos de implementar, pero su comportamiento es difícil de entender. En particular, es difícil
entender por qué estos algoritmos con frecuencia tienen éxito en la generación de soluciones de alta aptitud cuando se aplica a
problemas prácticos. La hipótesis del bloque de construcción (BBH) consiste en:

Una descripción de una heurística que realiza la adaptación identificando y recombinando "bloques de
construcción", es decir, orden bajo, esquemas de definición de longitud baja con una aptitud superior al promedio.
Una hipótesis de que un algoritmo genético realiza adaptación implícita y eficientemente implementando esta
heurística.
Goldberg describe la heurística de la siguiente manera:

Los esquemas cortos, de bajo orden y de alto ajuste son muestreados, recombinados (cruzados) y remuestreados para formar cadenas
de aptitud potencialmente más alta. En cierto modo, al trabajar con estos esquemas particulares (los bloques de construcción), hemos
reducido la complejidad de nuestro problema. En lugar de construir cadenas de alto rendimiento mediante el intento de todas las
combinaciones concebibles, construimos mejores y mejores cadenas de las mejores soluciones parciales de los últimos muestreos.

"Debido a que los esquemas altamente ajustados de baja definición de longitud y bajo orden desempeñan un papel tan importante en
la acción de los algoritmos genéticos, ya les hemos dado un nombre especial: bloques de construcción. Como un niño crea magníficas
fortalezas a través de la disposición de bloques simples de madera, también lo hace un algoritmo genético buscando acercarse a un
rendimiento óptimo a través de la yuxtaposición de corto, de bajo orden, de alto rendimiento esquemas, o bloques de construcción."

A pesar de la falta de consenso en cuanto a la validez de la hipótesis de bloques de construcción, se ha evaluado y utilizado como
referencia a lo largo de los años. Muchas estimaciones de los algoritmos de distribución, por ejemplo, se han propuesto en un intento
de proporcionar un entorno en el que la hipótesis se cumpliría. Aunque se han reportado buenos resultados para algunas clases de
problemas, todavía queda escepticismo con respecto a la generalidad y / o practicidad de la hipótesis del bloque de construcción
como explicación de la eficiencia de los AG. De hecho, hay una cantidad razonable de trabajo que intenta entender sus limitaciones
desde la perspectiva de la estimación de los algoritmos de distribución.

Limitaciones
Existen limitaciones en el uso de un algoritmo genético en comparación con algoritmos de optimización alternativos:

La evaluación repetida de la función de aptitud para problemas complejos es a menudo el segmento más prohibitivo
y limitante de los algoritmos evolutivos artificiales. Encontrar la solución óptima a problemas tridimensionales y
multimodales complejos requiere a menudo evaluaciones de la función de acondicionamiento muy costosas. En
problemas del mundo real tales como problemas de optimización estructural, una evaluación de una sola función
 puede requerir varias horas a varios días de simulación completa. Métodos típicos de optimización no pueden hacer
frente a este tipo de problemas. En este caso, puede ser necesario renunciar a una evaluación exacta y utilizar una
aptitud aproximada que sea computacionalmente eficiente. Es evidente que la amalgama de modelos aproximados
puede ser uno de los enfoques más prometedores para usar de manera convincente AG para resolver complejos
problemas de la vida real.
Los algoritmos genéticos no se adecuan bien a la complejidad. Es decir, cuando el número de elementos expuestos
a la mutación es grande, a menudo hay un aumento exponencial en el tamaño del espacio de búsqueda. Esto hace
extremadamente difícil el uso de la técnica en problemas tales como el diseño de un motor, una casa o un avión.
Con el fin de hacer que tales problemas sean tratables a la búsqueda evolutiva, deben ser descompuestos en la
representación más simple posible. Por lo tanto, normalmente vemos algoritmos evolutivos que codifican diseños
para álabes de ventilador en lugar de motores, formas de construcción en lugar de planes detallados de
construcción y perfiles aerodinámicos en lugar de diseños completos de aeronaves. El segundo problema de la
complejidad es la cuestión de cómo proteger partes que han evolucionado para representar buenas soluciones de
una mutación destructiva adicional, particularmente cuando su evaluación de la aptitud requiere que se combinen
bien con otras partes.
La solución "mejor" es sólo en comparación con otras soluciones. Como resultado, el criterio de parada no está
claro en cada problema.
En muchos problemas, los AG pueden tener una tendencia a converger hacia óptima local o incluso puntos
arbitrarios en lugar del óptimo global del problema. Esto significa que no "sabe cómo" sacrificar la aptitud a corto
plazo para ganar aptitud a más largo plazo. La probabilidad de que esto ocurra depende de la forma del paisaje de
fitness: ciertos problemas pueden proporcionar un ascenso fácil hacia un óptimo global, otros pueden hacer que sea
más fácil para la función encontrar la óptima local. Este problema puede ser aliviado mediante el uso de una función
de fitness diferentes, el aumento de la tasa de mutación, o mediante el uso de técnicas de selección que mantienen
una diversa población de soluciones [12], aunque el almuerzo libre teorema [13] demuestra que no hay una solución
general A este problema. Una técnica común para mantener la diversidad es imponer una "pena de nicho", en la
cual, cualquier grupo de individuos de similar similitud (radio de nicho) tiene una penalización agregada, lo que
reducirá la representación de ese grupo en generaciones posteriores, permitiendo otros) A mantener en la
población. Este truco, sin embargo, puede no ser eficaz, dependiendo del paisaje del problema. Otra técnica posible
sería simplemente reemplazar parte de la población con individuos generados al azar, cuando la mayoría de la
población es demasiado similar entre sí. La diversidad es importante en los algoritmos genéticos (y en la
programación genética) porque cruzar una población homogénea no genera nuevas soluciones. En las estrategias
de evolución y la programación evolutiva, la diversidad no es esencial debido a una mayor dependencia de la
mutación.
Operar en conjuntos de datos dinámicos es difícil, ya que los genomas comienzan a converger tempranamente
hacia soluciones que ya no son válidas para datos posteriores. Se han propuesto varios métodos para remediar
esto, aumentando la diversidad genética de alguna manera y evitando la convergencia temprana, ya sea
aumentando la probabilidad de mutación cuando cae la calidad de la solución (llamada hipermutación
desencadenada) o introduciendo ocasionalmente nuevos elementos generados aleatoriamente en el conjunto
genético (Llamados inmigrantes aleatorios). Una vez más, las estrategias de evolución y la programación evolutiva
se pueden implementar con una llamada "estrategia de coma" en la que los padres no se mantienen y los nuevos
padres se seleccionan sólo a partir de la descendencia. Esto puede ser más eficaz en problemas dinámicos.
Los GAs no pueden resolver problemas en los que la única medida correcta es una medida correcta / incorrecta
(como problemas de decisión), ya que no hay forma de converger en la solución (no hay colina para escalar). En
estos casos, una búsqueda aleatoria puede encontrar una solución tan rápidamente como una AG. Sin embargo, si
la situación permite que el ensayo de éxito / fracaso se repita dando (posiblemente) resultados diferentes, entonces
la proporción de éxitos a fracasos proporciona una medida de aptitud adecuada.
Para problemas específicos de optimización e instancias problemáticas, otros algoritmos de optimización pueden
ser más eficientes que los algoritmos genéticos en términos de velocidad de convergencia. Los algoritmos
alternativos y complementarios incluyen estrategias de evolución, programación evolutiva, recocido simulado,
adaptación gaussiana, escalada de colinas e inteligencia de enjambre (por ejemplo: optimización de hormigas,
optimización de enjambre de partículas) y métodos basados en programación lineal entera. La idoneidad de los
algoritmos genéticos depende de la cantidad de conocimiento del problema; Los problemas bien conocidos suelen
tener enfoques mejores y más especializados.

Variantes

Representación del cromosoma

El algoritmo más simple representa cada cromosoma como una cadena de bits. Normalmente, los parámetros numéricos pueden ser
representados por números enteros, aunque es posible usar representaciones de coma flotante. La representación en coma flotante es
natural para las estrategias de evolución y la programación evolutiva. La noción de algoritmos genéticos de valor real se ha ofrecido
pero es realmente un nombre incorrecto porque no representa realmente la teoría del bloque de construcción que fue propuesta por
John Henry Holland en los años 70. Esta teoría no está sin apoyo, sin embargo, sobre la base de los resultados teóricos y
experimentales (véase más adelante). El algoritmo básico realiza el cruce y la mutación en el nivel de bits. Otras variantes tratan el
cromosoma como una lista de números que son índices en una tabla de instrucciones, nodos en una lista enlazada, hashes, objetos o
cualquier otra estructura de datos imaginable. El cruce y la mutación se realizan para respetar los límites de los elementos de datos.
Para la mayoría de los tipos de datos, se pueden diseñar operadores de variación específicos. Los diferentes tipos de datos
cromosómicos parecen funcionar mejor o peor para diferentes dominios de problemas específicos.

Cuando se utilizan representaciones de números de bits de números enteros, a menudo se emplea la codificación Gray. De esta
manera, pequeños cambios en el número entero pueden ser fácilmente afectados por mutaciones o crossovers. Esto se ha encontrado
para ayudar a prevenir la convergencia prematura en las paredes llamadas Hamming, en el que demasiadas mutaciones simultáneas (o
eventos de cruce) debe ocurrir con el fin de cambiar el cromosoma a una mejor solución.

Otros enfoques implican el uso de matrices de números de valor real en lugar de cadenas de bits para representar los cromosomas.
Los resultados de la teoría de los esquemas sugieren que en general, cuanto menor es el alfabeto, mejor es el rendimiento, pero
inicialmente fue sorprendente para los investigadores que se obtuvieron buenos resultados usando cromosomas de valor real. Esto se
explicó como el conjunto de valores reales en una población finita de cromosomas como la formación de un alfabeto virtual (cuando
la selección y la recombinación son dominantes) con una cardinalidad mucho menor de lo que se esperaría de una representación en
coma flotante [14] [15]

Una expansión del algoritmo genético accesible problema del dominio se puede obtener a través de la codificación más compleja de
la solución de agrupaciones por concatenación de varios tipos de genes heterogéneamente codificados en un cromosoma. [16] Este
enfoque particular permite resolver problemas de optimización que requieren dominios de definición sumamente dispares para los
parámetros del problema. Por ejemplo, en los problemas de ajuste en cascada del controlador, la estructura del controlador de bucle
interno puede pertenecer a un regulador convencional de tres parámetros, mientras que el bucle externo podría implementar un
controlador lingüístico (tal como un sistema difuso) que tiene una descripción inherentemente diferente. Esta forma particular de
codificación requiere un mecanismo especializado de cruce que recombina el cromosoma por sección, y es una herramienta útil para
el modelado y simulación de sistemas adaptativos complejos, especialmente procesos de evolución.

Elitismo
Una variante práctica del proceso general de construcción de una nueva población es permitir que los mejores organismos de la
generación actual se trasladen a la siguiente, sin alterarse. Esta estrategia se conoce como selección elitista y garantiza que la calidad
de la solución obtenida por la GA no disminuirá de una generación a la siguiente

Implementaciones paralelas
Implementaciones paralelas de algoritmos genéticos vienen en dos sabores. Los algoritmos genéticos paralelos de grano grueso
asumen una población en cada uno de los nodos informáticos y la migración de individuos entre los nodos. Los algoritmos genéticos
paralelos suponen un individuo en cada nodo procesador que actúa con individuos vecinos para la selección y reproducción. Otras
variantes, como algoritmos genéticos para problemas de optimización en línea, introducen dependencia del tiempo o ruido en la
función de fitness.

Algoritmo genético adaptativo

Los algoritmos genéticos con parámetros adaptativos (algoritmos genéticos adaptativos, AGAs) es otra variante significativa y
prometedora de los algoritmos genéticos. Las probabilidades de crossover (pc) y mutación (pm) determinan en gran medida el grado
de exactitud de la solución y la velocidad de convergencia que los algoritmos genéticos pueden obtener. En lugar de utilizar valores
fijos de pc y pm, los AGs utilizan la información de población en cada generación y ajustan adaptativamente el pc y pm con el fin de
mantener la diversidad de población así como para sostener la capacidad de convergencia. En AGA (algoritmo genético adaptativo),
el ajuste de pc y pm depende de los valores de aptitud de las soluciones. En CAGA (algoritmo adaptativo basado en el clustering), a
través del uso de análisis de agrupación para juzgar los estados de optimización de la población, el ajuste de pc y pm depende de
estos estados de optimización. Puede ser muy eficaz combinar GA con otros métodos de optimización. GA tiende a ser bastante
bueno para encontrar en general buenas soluciones globales, pero bastante ineficiente para encontrar las últimas mutaciones para
encontrar el óptimo absoluto. Otras técnicas (como la simple subida de colinas) son bastante eficientes para encontrar el óptimo
absoluto en una región limitada. La alternancia de GA y escalada de colinas puede mejorar la eficiencia de GA [citación necesaria],
mientras que superar la falta de solidez de la subida de la colina.

Esto significa que las reglas de variación genética pueden tener un significado diferente en el caso natural. Por ejemplo - siempre que
los pasos se almacenan en orden consecutivo - cruce puede sumar una serie de pasos de ADN materno añadiendo una serie de pasos
de ADN paterno y así sucesivamente. Esto es como añadir vectores que más probablemente pueden seguir una cresta en el paisaje
fenotípico. Por lo tanto, la eficiencia del proceso puede aumentarse en muchos órdenes de magnitud. Además, el operador de
inversión tiene la oportunidad de situar los pasos en orden consecutivo o cualquier otra orden adecuada a favor de la supervivencia o
la eficiencia.

Una variación, en la que la población en su conjunto se desarrolla en lugar de sus miembros individuales, se conoce como
recombinación de grupos genéticos.

Se han desarrollado una serie de variaciones para intentar mejorar el rendimiento de los AGs en problemas con un alto grado de
epistasis de aptitud, es decir, cuando la aptitud de una solución consiste en interaccionar subconjuntos de sus variables. Tales
algoritmos tienen como objetivo aprender (antes de explotar) estas interacciones fenotípicas beneficiosas. Como tales, están alineados
con la hipótesis del bloque de construcción en la reducción adaptativa de la recombinación disruptiva.

Dominios de problemas
Los problemas que parecen ser particularmente apropiados para la solución mediante algoritmos genéticos incluyen problemas de
programación y muchos paquetes de software de programación se basan en AGs. Los AG también se han aplicado a la ingeniería.
Los algoritmos genéticos a menudo se aplican como un enfoque para resolver problemas de
optimización global.

Como regla general, los algoritmos genéticos pueden ser útiles en dominios problemáticos que tienen un paisaje de aptitud complejo,
ya que la mezcla, es decir, la mutación en combinación con crossover, está diseñada para alejar a la población de la óptima local de
que un algoritmo tradicional. Observe que los operadores de crossover de uso común no pueden cambiar ninguna población
uniforme. La mutación por sí sola puede proporcionar er
godicidad del proceso general del algoritmo genético (visto como unacadena
de Markov).

Historia
En 1950, Alan Turing propuso una "máquina de aprendizaje" que sería paralela a los principios de la evolución. La simulación por
computadora de la evolución comenzó tan pronto como en 1954 con el trabajo de Nils Aall Barricelli, que utilizaba la computadora
en el instituto para el estudio avanzado en Princeton, New Jersey. Su publicación de 1954 no fue ampliamente notada. A partir de
1957, el australiano cuantitativo genetista Alex Fraser publicó una serie de artículos sobre la simulación de la selección artificial de
organismos con múltiples loci controlando un rasgo mensurable. A partir de estos comienzos, la simulación por ordenador de la
evolución por los biólogos se hizo más común a principios de 1960, y los métodos fueron descritos en los libros de Fraser y Burnell
(1970) y Crosby (1973) Las simulaciones de Fraser incluían todos los elementos esenciales de los algoritmos genéticos modernos.
Además, Hans-Joachim Bremermann publicó una serie de artículos en los años sesenta que también adoptaron una población de
solución a problemas de optimización, sometidos a recombinación, mutación y selección. La investigación de Bremermann también
incluyó los elementos de los algoritmos genéticos modernos. Otros destacados primeros pioneros son Richard Friedberg, George
Friedman y Michael Conrad. Muchos de los primeros artículos han sido reimpresos por Fogel (1998).

Aunque Barricelli, en el trabajo que relató en 1963, había simulado la evolución de la capacidad de jugar un juego simple, la
evolución artificial se convirtió en un método de optimización ampliamente reconocido como resultado del trabajo de Ingo
Rechenberg y Hans-Paul Schwefel en los años 1960 Y principios de 1970 - el grupo de Rechenberg fue capaz de resolver problemas
complejos de ingeniería a través de estrategias de evolución.Otro enfoque fue la técnica de programación evolutiva de Lawrence J.
Fogel, que se propuso para generar inteligencia artificial. La programación evolutiva utilizó originalmente máquinas de estado finito
para predecir los entornos y utilizó la variación y la selección para optimizar las lógicas predictivas. Los algoritmos genéticos, en
particular, se hicieron populares a través del trabajo de John Henry Holland a principios de los años setenta, y particularmente de su
libro Adaptation in Natural and Artificial Systems (1975). Su trabajo se originó con estudios de autómatas celulares, conducidos por
Holanda y sus estudiantes en la Universidad de Michigan. Holanda introdujo un marco formalizado para predecir la calidad de la
próxima generación, conocido como el teorema del esquema de Holanda. La investigación en GAs permaneció en gran parte teórica
hasta mediados de los años 80, cuando la primera conferencia internacional en algoritmos genéticos fue llevada a cabo en Pittsburgh,
Pennsylvania.

Productos comerciales
A finales de 1980, General Electric comenzó a vender el primer producto de algoritmo genético del mundo, una caja de herramientas
basada en mainframe diseñada para procesos industriales. En 1989, Axcelis, Inc. lanzó Evolver, el primer producto AG comercial
para computadoras de escritorio. El escritor de la tecnología del New York Times John Markoff escribió sobre Evolver en 1990, y
siguió siendo el único algoritmo comercial interactivo hasta 1995. Evolver fue vendido a Palisade en 1997, traducido a varios
idiomas, y actualmente está en su sexta versión.

Ejemplo
Considérese el problema de insertar signos de suma o resta entre los dígitos 9 8 7 6 5 4 3 2 1 para construir una expresión cuyo valor
sea 100; no se vale añadir, retirar o desordenar a los dígitos. Una solución puede ser 98+7-6+5-4+3
-2-1 porque, al evaluar su valor, da
exactamente 100.

Hay 9 sitios (uno antes de cada dígito) donde colocar un signo de más (+), un signo de menos (-) o nada (lo cual implicará que dos o
más dígitos se unan para formar cantidades mayores; como 98 en el ejemplo anterior, donde se puso "nada" antes del 9 y antes del 8).
Existen, por lo tanto, 3 a la 9 = 19683 expresiones distintas (por combinatoria) entre las cuales buscar aquellas con la suma deseada.
Es posible desarrollar un algoritmo exhaustivo que las genere todas y, dada la relativa pequeñez de este ejemplo, determinar
completamente todas las posibles configuraciones. Sin embar
go, este reto se presta para ilustrar los pasos de un proceso genético.

Codificación
Existe una biyección entre las cadenas de "trits" (dígitos ternarios: 0, 1, 2) de longitud 9 y las posibles configuraciones de signos para
cada suma. Por ejemplo, si se adopta la convención de que "0" representa "nada", "1" representa "menos" y "2" representa "más",
entonces la cadena de "trits"002121211 corresponde a la solución 98+7-6+5-4+3-2-1.

Técnicas relacionadas

Campos de los padres

Los algoritmos genéticos son un subcampo de:

Algoritmos evolutivos
Computación evolutiva
Metaheurística
Optimización estocástica
Mejoramiento

Campos relacionados

Algoritmos evolutivos
Los algoritmos evolutivos son un sub-campo de la computación evolutiva.

Las estrategias de evolución (ES, véase Rechenberg, 1994) evolucionan a los individuos por medio de la mutación
y la recombinación intermedia o discreta. Los algoritmos ES están diseñados especialmente para resolver
problemas en el dominio de valor real. Utilizan la autoadaptación para ajustar los parámetros de control de la
búsqueda. La des-aleatorización de la auto-adaptación ha llevado a la actual Covariance Matrix Adaptation
Evolution Strategy (CMA-ES).

La programación evolutiva (EP) implica poblaciones de soluciones con mutación y selección y representaciones
arbitrarias. Utiliza la autoadaptación para ajustar los parámetros, y puede incluir otras operaciones de variación,
como combinar información de múltiples padres.

La estimación del algoritmo de distribución (EDA) sustituye a los operadores tradicionales de reproducción por
operadores guiados por modelos. Estos modelos son aprendidos de la población empleando técnicas de
aprendizaje automático y representados como Modelos Gráficos Probabilísticos, a partir de los cuales se pueden
muestrear nuevas soluciones [45] [46] o generadas a partir deentrecruzamiento cromosómicoguiado [47].

La programación de expresión génica (GEP) también utiliza poblaciones de programas informáticos. Estos
complejos programas informáticos están codificados en cromosomas lineales más simples de longitud fija, que
luego se expresan como árboles de expresión. Los árboles de expresión o programas informáticos evolucionan
porque los cromosomas experimentan mutación y recombinación de una manera similar a la GA canónica. Pero
gracias a la organización especial de los cromosomas GEP, estas modificaciones genéticas siempre dan lugar a
programas informáticos válidos. [48]

La programación genética (GP) es una técnica relacionada popularizada por John Koza en la que se optimizan los
programas informáticos, en lugar de los parámetros funcionales. La programación genética a menudo utiliza
estructuras de datos internas basadas en árboles para representar los programas informáticos para la adaptación
en lugar de las estructuras de lista típicas de los algoritmos genéticos.

La agrupación algoritmo genético (GGA) es una evolución de la AG donde el foco se desplaza de los elementos
individuales, como en las AG clásicas, a los grupos o subconjunto de elementos. [49] La idea detrás de esta
evolución de la GA propuesta por Emanuel Falkenauer es que la solución de algunos problemas complejos, como la
agrupación o problemas de partición donde un conjunto de elementos debe ser dividido en un grupo de elementos
disjuntos de una manera óptima, se lograría mejor mediante la toma de características de los grupos de artículos
equivalentes a los genes. Este tipo de problemas incluyen embalaje de contenedores, balanceo de líneas,
agrupación con respecto a una medida de distancia, pilas iguales, etc., en las que los GA clásicos demostraron un
mal desempeño. Hacer que los genes equivalgan a grupos implica cromosomas que son en general de longitud
variable, y operadores genéticos especiales que manipulan grupos enteros de elementos. Para el embalaje de los
recipientes, en particular, un GGA hibridado con el Criterio de Dominancia de Martello y Toth, es posiblemente la
mejor técnica hasta la fecha.

Los algoritmos evolutivos interactivos son algoritmos evolutivos que utilizan la evaluación humana. Por lo general,
se aplican a dominios donde es difícil diseñar una función de aptitud computacional, por ejemplo, la evolución de
imágenes, música, diseños artísticos y formas para ajustarse a la preferencia estética de los usuarios.

Inteligencia de enjambre

La optimización de la colonia de hormigas (ACO) utiliza muchas hormigas (o agentes) equipadas con un modelo de
feromonas para recorrer el espacio de la solución y encontrar áreas productivas locales. Se considera una
estimación del algoritmo de distribución.

La optimización de enjambre de partículas (PSO) es un método computacional para la optimización

multiparamétrica que también utiliza un enfoque basado en la población. Una población (enjambre) de soluciones
candidatas (partículas) se mueve en el espacio de búsqueda, y el movimiento de las partículas es influenciado tanto
por su posición mejor conocida como por la posición global más conocida del enjambre. Al igual que los algoritmos
genéticos, el método de PSO depende del intercambio de información entre los miembros de la población. En
algunos problemas, el PSO es a menudo más eficiente desde el punto de vista computacional que los AG,
especialmente en problemas sin restricciones con variables continuas.

Otros algoritmos evolutivos de computación

El algoritmo Memetic (MA), a menudo llamado algoritmo genético híbrido, entre otros, es un método basado en la
población en el cual las soluciones también están sujetas a fases de mejora local. La idea de los algoritmos
meméticos proviene de los memes, que a diferencia de los genes, pueden adaptarse. En algunas áreas
problemáticas se demuestra que son más eficientes que los algoritmos evolutivos tradicionales.
 Los algoritmos bacteriológicos (BA) están inspirados en la ecología evolutiva y, más concretamente, en la
adaptación bacteriológica. La ecología evolutiva es el estudio de los organismos vivos en el contexto de su entorno,
con el objetivo de descubrir cómo se adaptan. Su concepto básico es que en un ambiente heterogéneo, no hay un
individuo que se ajuste a todo el entorno. Por lo tanto, uno tiene que razonar a nivel de la población. También se
cree que los BA podrían aplicarse con éxito a complejos problemas de posicionamiento (antenas para teléfonos
celulares, planificación urbana, etc.) o minería de datos. [52]

El algoritmo cultural (CA) consiste en el componente de la población casi idéntico al del algoritmo genético y,
además, un componente del conocimiento llamado el espacio de la creencia.

El algoritmo de búsqueda diferencial (DS) está inspirado en la migración de superorganismos.

La adaptación gaussiana (adaptación normal o natural, abreviada NA para evitar la confusión con GA) está
destinada a maximizar el rendimiento de fabricación de sistemas de procesamiento de señales. También se puede
utilizar para la optimización paramétrica ordinaria. Se basa en un cierto teorema válido para todas las regiones de
aceptabilidad y todas las distribuciones gaussianas. La eficiencia de la NA depende de la teoría de la información y
de un cierto teorema de la eficiencia. Su eficiencia se define como información dividida por el trabajo necesario para
obtener la información. Debido a que la NA maximiza la aptitud media más que la aptitud del individuo, el paisaje se
suaviza de tal manera que los valles entre picos pueden desaparecer. Por lo tanto, tiene una cierta "ambición" para
evitar los picos locales en el paisaje de fitness. La NA también es buena para escalar crestas afiladas mediante la
adaptación de la matriz de momentos, porque la NA puede maximizar el desorden (información promedio) del
gaussiano manteniendo simultáneamente la aptitud media constante.

Otros métodos metaheurísticos

El recocido simulado (SA) es una técnica de optimización global relacionada que atraviesa el espacio de búsqueda
mediante la prueba de mutaciones aleatorias en una solución individual. Una mutación que aumenta la aptitud
siempre se acepta. Una mutación que disminuye la aptitud se acepta probabilisticamente basándose en la
diferencia en aptitud y un parámetro decreciente de la temperatura. En la jerga del SA, se habla de buscar la
energía más baja en lugar de la aptitud máxima. El SA también se puede utilizar dentro de un algoritmo GA
estándar comenzando con una tasa relativamente alta de mutación y disminuyendo a lo largo del tiempo a lo largo
de un calendario dado.

La búsqueda tabú (TS) es similar al recocido simulado en que ambos atraviesan el espacio de la solución probando
mutaciones de una solución individual. Mientras que el recocido simulado genera sólo una solución mutada, la
búsqueda de tabú genera muchas soluciones mutadas y se mueve a la solución con la energía más baja de las
generadas. Con el fin de evitar bucles y fomentar un mayor movimiento a través del espacio de solución, se
mantiene una lista tabú de soluciones parciales o completas. Está prohibido pasar a una solución que contiene
elementos de la lista tabú, que se actualiza a medida que la solución atraviesa el espacio de la solución.

La Optimización Extrema (EO), a diferencia de los GAs, que trabajan con una población de soluciones candidatas,
desarrolla una única solución y realiza modificaciones locales a los peores componentes. Esto requiere que se
seleccione una representación adecuada que permita asignar a los componentes de solución individuales una
medida de calidad ("aptitud"). El principio de gobierno detrás de este algoritmo es el de la mejora emergente
mediante la eliminación selectiva de componentes de baja calidad y su sustitución por un componente seleccionado
al azar. Esto está decididamente en desacuerdo con un GA que selecciona buenas soluciones en un intento de
hacer mejores soluciones.

Otros métodos de optimización estocástica

El método de entropía cruzada (CE) genera soluciones de candidatos mediante una distribución de probabilidad
parametrizada. Los parámetros se actualizan mediante la minimización de la entropía cruzada, para generar
mejores muestras en la siguiente iteración.

La optimización de búsqueda reactiva (RSO) aboga por la integración de técnicas de aprendizaje sub-simbólicas en
la heurística de búsqueda para resolver problemas complejos de optimización. La palabra reactiva sugiere una
respuesta rápida a los eventos durante la búsqueda a través de un bucle interno de retroalimentación en línea para
el autoajuste de parámetros críticos. Las metodologías de interés para la búsqueda reactiva incluyen el aprendizaje
mecánico y las estadísticas, en particular el aprendizaje por refuerzo, el aprendizaje activo o de consulta, las redes
neuronales y las metaheurísticas.

Véase también
Redes neuronales
Lógica difusa
 Red bayesiana
Mínimo/máximo local
Inteligencia Artificial
Robótica Evolutiva
Emergencia
Autómata celular
Codigo Santillan

Bibliografía
Banzhaf, Wolfgang; Nordin, Peter; Keller, Robert; Francone, Frank (1998). Genetic Programming - An Introduction.
San Francisco, CA: Morgan Kaufmann.ISBN 978-1558605107.
Bies, Robert R.; Muldoon, Matthew F.; Pollock, Bruce G.; Manuck, Steven; Smith, Gwenn; Sale, Mark E. (2006).
"The Genetic Algorithm-Based, Hybrid Machine Learning Approach to Model Selection". Journal of
Pharmacokinetics and Pharmacodynamics. Netherlands: Springer: 196-221.
Cha, Sung-Hyuk; Tappert, Charles C. (2009). "Genetic Algorithm for Constructing Compact Binary Decision Trees".
Journal of Pattern Recognition Research. 4 (1): 1-13. Doi: 10.13176 / 11.44.
Fraser, Alex S. (1957). "Simulation of Genetic Systems by Automatic Digital Computers, I. Introduction." Australian
Journal of Biological Sciences. 10: 484-491.
Goldberg, David (1989). Genetic Algorithms in Search, Optimization and Machine Learning. Reading, MA: Addison-
Wesley Professional. ISBN 978-0201157673.
Goldberg, David (2002). The Design of Innovation: Lessons from and for Competent Genetic Algorithms. Norwell,
MA: Kluwer Academic Publishers.ISBN 978-1402070983.
Fogel, David. Evolutionary Computation: Toward the New Philosophy of Machine Intelligence (3rd ed.). Piscataway,
NJ: IEEE Press. ISBN 978-0471669517.
Holland, John (1992). Adaptation in Natural and Artificial Systems. Cambridge, MA: MIT Press. ISBN 978-
0262581110.
Koza, John (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection.
Cambridge, MA: MIT Press.ISBN 978-0262111706.
Michalewicz, Zbigniew (1996). Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag. ISBN
978-3540606765.
Mitchell, Melanie (1996). An Introduction to Genetic Algorithms Cambridge, MA: MIT Press. ISBN 9780585030944.
Poly, R.; Langdon, W. B.; McPhee, N.F. (2008). A Field Guide to Genetic Programming. Lulu.com, freely available
from the internet. ISBN 978-1-4092-0073-4.
Rechenberg, Ingo (1994): Evolutionsstrategie '94, Stuttgart: Fromman-Holzboog.
Schmitt, Lothar M; Nehaniv, Chrystopher L; Fujii, Robert H (1998), Linear analysis of genetic algorithms, Theoretical
Computer Science 208: 111-148
Schmitt, Lothar M (2001), Theory of Genetic Algorithms, Theoretical Computer Science 259: 1-61
Schmitt, Lothar M (2004), Theory of Genetic Algorithms II: models for genetic operators over the string-tensor
representation of populations and convergence to global optimal for arbitrary fitness function under scaling,
Theoretical Computer Science 310: 181-231
Schwefel, Hans-Paul (1974): Numerische Optimierung von Computer-Modellen (PhD thesis). Reprinted by
Birkhäuser (1977).
Vose, Michael (1999). The Simple Genetic Algorithm: Foundations and Theory. Cambridge, MA: MIT Press. ISBN
978-0262220583.
Whitley, Darrell (1994). "A genetic algorithm tutorial". Statistics and Computing. 4 (2): 65-85. Doi: 10.1007 /
BF00175354.
Hingston, Philip; Barone, Luigi; Michalewicz, Zbigniew (2008). Design by Evolution: Advances in Evolutionary
Design. Springer. ISBN 978-3540741091.
Eiben, Agoston; Smith, James (2003). Introduction to Evolutionary Computing. Springer . ISBN 978-3540401841.

Referencias
2. D. E. Goldberg. Addison-Wesley Longman Publishing
1. J. H. Holland. University of Michigan Press, Ann Arbor. Co., Inc., Boston, MA, USA. 1989. Genetic Algorithms
1975. Adaptation in Natural and Artificial Systems. in Search, Optimization and Machine Learning
.
Enlaces externos

Recursos
(enlace roto) En esta Web se exponen varios algoritmos genéticos junto a sus códigos de programación y como se
pueden usar para encontrar el punto óptimo de un proceso.
Aplicación de los algoritmos genéticos a la optimización de laminados de material compuesto
Juego de estrategia masivo multijugador en línea basado en evolucionar y enfrentar especímenes mediante
Algoritmos Genéticos (enlace roto disponible en Internet Archive; véase el historial y la última versión).
(en inglés) A Practical Genetic Algorithm Tutorial Programming step by step a Genetic Algorithm.
(en inglés) Introduction to Genetic Algorithms with interactive Java applets
Tutorial de algoritmos genéticos
Un tutorial sencillo en español sobre los algoritmos genéticos
Introducción a los Algoritmos Genéticos
Algoritmos genéticos y computación evolutiva
Robot con Sistema de Navegación a base de Algoritmos Genéticos
Algoritmos genéticos en Ruby
Arquimedex.com Explicación sencilla y práctica de los algoritmos genéticos
Poli, R., Langdon, W. B., McPhee, N. F. (2008), A Field Guide to Genetic Programming, freely available via
Lulu.com, ISBN 978-1-4092-0073-4
(en inglés) Global Optimization Algorithms - Theory and Application
Trabajo de Tesis de grado
Implementación del problema de las 8 reinas en JA VA

Tutoriales
Genetic Algorithms - Computer programs that "evolve" in ways that resemble natural selection can solve complex
problems even their creators do not fully understand An excellent introduction to GA by John Holland and with an
application to the Prisoner's Dilemma
An online interactive GA tutorial for a reader to practise or learn how a GA works: Learn step by step or watch global
convergence in batch, change the population size, crossover rates/bounds, mutation rates/bounds and selection
mechanisms, and add constraints.
A Genetic Algorithm Tutorial by Darrell Whitley Computer Science Department Colorado State University An
excellent tutorial with lots of theory
"Essentials of Metaheuristics", 2009 (225 p). Free open text by Sean Luke.
Global Optimization Algorithms – Theory and Application

Obtenido de «https://es.wikipedia.org/w/index.php?title=Algoritmo_genético&oldid=114996581
»

Esta página se editó por última vez el 2 abr 2019 a las 19:12.

El texto está disponible bajo laLicencia Creative Commons Atribución Compartir Igual 3.0 ; pueden aplicarse cláusulas
adicionales. Al usar este sitio, usted acepta nuestrostérminos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de laFundación Wikimedia, Inc., una organización sin ánimo de lucro.