Algoritmos Genéticos PDF

Universidad Tecnológica Nacional
Facultad Regional Buenos Aires
ALGORITMOS GENÉ
GENÉTICOS
Inteligencia Artificial
Ciclo lectivo – 2013
Cursos: M. I ng. María Florencia Pollo Cattaneo
M. I ng. Pablo Pytel
I ng. Cinthia Vegega
INTELIGENCIA ARTIFICIAL
Problemas que no se pueden resolver por un enfoque algorítmico
tradicional
Nueva forma de manejar la imprecisión y la incertidumbre
ALGORITMOS GENÉTICOS
“Los Algoritmos Genéticos son algoritmos matemáticos de
optimización de propósito general basados en mecanismos
naturales de selección y genética, proporcionando
excelentes soluciones en problemas complejos con gran
número de parámetros.”
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

TEORÍ
TEORÍA EVOLUTISTA
PRINCIPALES POSTULADOS
• Las formas de vida no son estáticas sino que evolucionan.
• El proceso de la evolución es gradual, lento y continuo.

• Los organismos parecidos se hallan emparentados y descienden de un
antepasado común.
• La selección natural es la llave, que explica todo el sistema.

TEORÍ
TEORÍA EVOLUTISTA
SELECCIÓN NATURAL
- La producción de variabilidad: generación de modificaciones

espontáneas en los individuos.
- La supervivencia del más fuerte (apto) en la lucha por la vida.

TEORÍ
TEORÍA EVOLUTISTA
CONCEPTOS
 Ecosistema
 Población
 Individuo

TEORÍ
TEORÍA EVOLUTISTA
CONCEPTOS
 Genotipo
 Fenotipo

ALGORITMOS GENÉ
GENÉTICOS
Teoría Evolución Algoritmos Genéticos
Ecosistema / Ambiente Problema
Individuo Posible solución
Genotipo / Cromosoma Descripción de la solución
Gen Característica o Atributo
Fenotipo Función de Aptitud

EJEMPLO: “el acertijo de Einstein”
Tenemos 5 casas de cinco colores diferentes y en cada una de ellas vive una persona de una
nacionalidad diferente. Cada uno de los dueños bebe una bebida diferente, fuma una marca de
cigarrillos diferente y tiene una mascota diferente.
Se tienen las siguientes pistas:

• El británico vive en la casa roja.
• El sueco tiene un perro.
• El danés toma té.
• La casa verde esta a la izquierda de la blanca.
• El dueño de la casa verde toma café.
• La persona que fuma Pall Mall tiene un pájaro.
• El dueño de la casa amarilla fuma Dunhill.
• El que vive en la casa del centro toma leche.
• El noruego vive en la primera casa.
• La persona que fuma Brends vive junto a la que tiene un gato.
• La persona que tiene un caballo vive junto a la que fuma Dunhill.
• El que fuma Bluemasters bebe cerveza.
• El alemán fuma Prince.
• El noruego vive junto a la casa azul.
• El que fuma Brends tiene un vecino que toma agua.
Se pregunta: ¿quién es el dueño del pececito?


Casa
1. Definición del Cromosoma tiene

bebe fuma
Bebida Dueño Cigarrillo
Conceptos:
tiene
Mascota
Variables:
• Nac ionalidad del Dueño = { británico, sueco, danés, alemán, noruego } Gen Principal
• Ubicación de la Casa = { primera, segunda, tercera, cuarta, quinta }
• Color de la Casa = { roja, verde, blanca, am arilla, az ul }
• Tipo de Bebida = { té, café, lec he, cerveza, agua } Genes Auxiliares
• Nom bre del Cigarrillo = {Pall Mall, Dunhill, Brends, Bluem asters, Prince }
• Tipo de Mascota
= { perro, pájaro, gato, caballo, pececito }
británico sueco danés alemán noruego
casa-ubic. casa-color bebida cigarrillo mascota

2. Definición de la Función de Aptitud
Analizar pistas:
• Determ inar condiciones que debe cumplir la solución Aume ntan valor de aptitud
• Determ inar restricciones que no puede cumplir la solución Disminuyen valor de aptitud
Analizar estructura del cromosoma definido:
• Determ inar combinaciones inválidas en los genes Penalizan valor de aptitud

ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Selección
Cruzamiento
Mutación
No Sí
Paro?
Población
Final
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
?
Selección
Cruzamiento
Mutación
No Sí
Paro?
Población
Final
GENERAR POBLACIÓN INICIAL
• Método
– Al Azar
– Ad-Hoc
• Población
– Cantidad de Individuos
– Varianza
o Constante
o Variable

ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
Selección
PS
Cruzamiento
Mutación
No Sí
Paro?
Población
Final
MÉTODOS DE SELECCIÓN
• Torneo
• Ranking
• Ruleta
• Control sobre número esperado

SELECCIÓ
SELECCIÓN - Torneo
Población f(x)
I1 61
I2 11 I1
I3 33 I4 I1
I4 25
44 I4
I5
I6 15 I5
I7 17

SELECCIÓ
SELECCIÓN - Ranking
Población f(x) Población f(x)

I1 61 I1 61
I2 11 I5 44
I3 33 I3 33
I4 25 I4 25
I5 44 I7 17
I6 15 I6 15
I7 17 I2 11
Población Población
original ordenada

SELECCIÓ
SELECCIÓN - Ruleta
Población f(x) p(x) P(x)

I1 61 0.2961 0.2961
I2 11 0.0534 0.3495
I3 33 0.1602 0.5097
I4 25 0.1214 0.6311
I5 44 0.2136 0.8447
I6 15 0.0728 0.9175
I7 17 0.0825 1.0000
Total 206 1

SELECCIÓ
SELECCIÓN - Ruleta
100%
I7
0.9175
90% I6
0.8447
80%
I5
70%
0.6311
60%
I4
0.5097
50%
I3
40%
0.3495
I2
30%
0.2961
20%
I1
10%
0%

SELECCIÓ
SELECCIÓN - Control s/nro. esperado
Población f(x) f(x) / Selecciona

Prom.
I1 61 2.0728 2
I2 11 0.3738 0
I3 33 1.1214 1
I4 25 0.8495 0
I5 44 1.4951 1
I6 15 0.5097 0
I7 17 0.5777 0
Total 206
Promedio 29.4286

SELECCIÓ
SELECCIÓN – Control s/nro. esperado
Población f'(x) p(x) P(x)
I1 0,0728 0,0243 0,0243

I2 0,3738 0,1246 0,1489
I3 0,1214 0,0405 0,1893
I4 0,8495 0,2832 0,4725
I5 0,4951 0,1650 0,6375
I6 0,5097 0,1699 0,8074
I7 0,5777 0,1926 1,0000
T otal 3 1
Promedio

SELECCIÓ
SELECCIÓN - Control s/nro. esperado
100%
90% I7
0.8074
80%
I6
70%
0.6375
60%
I5
50%
0.4725
40%
I4
30%
0.1893
20%
I3
0.1489
10% I2
0.0243
0% I1

ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
Selección
PS
Cruzamiento
Mutación
No Sí
Paro?
Población
Final
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
Selección
PS
Cruzamiento
PC
Mutación
No Sí
Paro?
Población
Final
MÉTODOS DE CRUZAMIENTO
• Simple
• Multipunto
• Binomial
– Máscara
• Complemento
• Doble
– Azar

Cruza Simple
PadreX PadreY
X X X X X X X X X X Y Y Y Y Y Y Y Y Y Y
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
HijoA HijoB
X X X X Y Y Y Y Y Y Y Y Y Y X X X X X X
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
PUNTO DE CORTE = 4

Cruza Multipunto
PadreX PadreY
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
HijoA HijoB
X X X X Y Y Y Y X X Y Y Y Y X X X X Y Y
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
PUNTOS DE CORTE = 4 y 8

Cruza Binomial – Máscara Complemento
PadreX PadreY
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
HijoA HijoB
X Y X X Y X X Y Y Y Y X Y Y X Y Y X X X
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
MÁSCARA A = XYXXYXXYYY MÁSCARA B = complemento A

Cruza Binomial – Máscara Doble
PadreX PadreY
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
HijoA HijoB
X Y X X Y X X Y Y Y X X Y Y X X Y X Y X
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
MÁSCARA A = XYXXYXXYYY MÁSCARA B = XXYYXXYXYX

Cruza Binomial - Azar
PadreX PadreY
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
R1 = 0,3  X
R2 = 0,6  Y
R3 = 0,2  X Si R ≤ 0,5  X
R4 = 0,4  X Si R > 0,5  Y
R5 = 0,1  X
R6 = 0,8  Y
HijoA
R7 = 0,9  Y X Y X X X Y Y X Y Y
R8 = 0,1  X 1 2 3 4 5 6 7 8 9 10
R9 = 0,7  Y
R10 = 0,6  Y HijoB = • complemento
• azar

ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
MUTACIÓN
PC
No Ejecuta Sí
Mutación?
ACTIVA
MUTACIÓN PM = PC PM = MUTA( PC )
No ejecuta Ejecuta
Mutación Mutación
PM

MUTACIÓN
PC
I1 1 1 1 0 0 1 1 0 1 0
I2 1 0 1 0 1 1 0 1 1 1
I3 1 1 1 0 0 1 1 0 1 0
I4 0 1 0 1 1 0 0 0 0 0
I5 1 1 1 0 1 1 0 1 1 1
EJECUTA - RandomM > ProbabilidadM  NO MUTA

MUTACIÓN?
- RandomM ≤ ProbabilidadM  MUTA

MUTACIÓN – NO MUTA
PC
I1 1 1 1 0 0 1 1 0 1 0
I2 1 0 1 0 1 1 0 1 1 1
RandomM > ProbabilidadM  NO MUTA
I3 1 1 1 0 0 1 1 0 1 0
I4 0 1 0 1 1 0 0 0 0 0
PM
I5 1 1 1 0 1 1 0 1 1 1
I1 1 1 1 0 0 1 1 0 1 0
I2 1 0 1 0 1 1 0 1 1 1
I3 1 1 1 0 0 1 1 0 1 0
I4 0 1 0 1 1 0 0 0 0 0
I5 1 1 1 0 1 1 0 1 1 1

MUTACIÓN – MUTA
PC
I1
1 1 1 0 0 1 1 0 1 0
I2
1 0 1 0 1 1 0 1 1 1
RandomM ≤ ProbabilidadM  MUTA
I3
1 1 1 0 0 1 1 0 1 0
I4
0 1 0 1 1 0 0 0 0 0
PM
I5
1 1 1 0 1 1 0 1 1 1
I1
1 1 1 0 0 1 1 0 1 0
I2
1 0 1 0 1 1 0 1 1 1
I3’
RP 1 1 1 0 0 1 0 0 1 0
( 77 ) I4
0 1 0 1 1 0 0 0 0 0
I5
1 1 1 0 1 1 0 1 1 1

MÉTODOS DE MUTACIÓN
• Simple
ProbabilidadM = constante
• Adaptativa por Convergencia

ProbabilidadM = G{ Promedio [ f(Ix) ] }
• Adaptativa por Temperatura

– Ascendente
– Descendente
ProbabilidadM = G( Cant. Vueltas )

ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
CRITERIO DE PARO
• Cantidad de Vueltas
• Tiempo Transcurrido
• f(Ix) > Valor
• Promedio [ f(Ix) ] ≈ Valor
• …

ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Pi = PM
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí PF = PM
Paro?
Población
Final
EJEMPLO 1 DE COMPORTAMIENTO

EJEMPLO 2 DE COMPORTAMIENTO

ANÁLISIS DE LA POBLACIÓN FINAL
Población Final
Aptitud
Solución  Interpretar

ANÁLISIS DE LA POBLACIÓN FINAL

Para leer:
Libro SI: "Capítulo 3" (puntos 3.1; 3.2; 3.3.3).


Algoritmos Genéticos PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algoritmos Genéticos PDF

Cargado por

Copyright:

Formatos disponibles

Universidad Tecnológica Nacional

Facultad Regional Buenos Aires

Nueva forma de manejar la imprecisión y la incertidumbre

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

• Las formas de vida no son estáticas sino que evolucionan.

• El proceso de la evolución es gradual, lento y continuo.

• La selección natural es la llave, que explica todo el sistema.

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

- La producción de variabilidad: generación de modificaciones

- La supervivencia del más fuerte (apto) en la lucha por la vida.

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Teoría Evolución Algoritmos Genéticos

Ecosistema / Ambiente Problema

Individuo Posible solución

Genotipo / Cromosoma Descripción de la solución

Gen Característica o Atributo

Fenotipo Función de Aptitud

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

EJEMPLO: “el acertijo de Einstein”

Se tienen las siguientes pistas:

Se pregunta: ¿quién es el dueño del pececito?

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

EJEMPLO: “el acertijo de Einstein”

1. Definición del Cromosoma tiene

• Ubicación de la Casa = { primera, segunda, tercera, cuarta, quinta }

• Color de la Casa = { roja, verde, blanca, am arilla, az ul }

británico sueco danés alemán noruego

casa-ubic. casa-color bebida cigarrillo mascota

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

2. Definición de la Función de Aptitud

Analizar estructura del cromosoma definido:

• Determ inar combinaciones inválidas en los genes Penalizan valor de aptitud

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

• Control sobre número esperado

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Población f(x) Población f(x)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Población f(x) p(x) P(x)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Población f(x) f(x) / Selecciona

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Población f'(x) p(x) P(x)

I1 0,0728 0,0243 0,0243

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

MÁSCARA A = XYXXYXXYYY MÁSCARA B = complemento A

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Cruza Binomial – Máscara Doble

MÁSCARA A = XYXXYXXYYY MÁSCARA B = XXYYXXYXYX

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

Cruza Binomial - Azar

R4 = 0,4  X Si R > 0,5  Y

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)

EJECUTA - RandomM > ProbabilidadM  NO MUTA