Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.”
TEORÍ
TEORÍA EVOLUTISTA
PRINCIPALES POSTULADOS
TEORÍ
TEORÍA EVOLUTISTA
CONCEPTOS
Ecosistema
Población
Individuo
TEORÍ
TEORÍA EVOLUTISTA
CONCEPTOS
Genotipo
Fenotipo
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.
Mascota
Variables:
• Nac ionalidad del Dueño = { británico, sueco, danés, alemán, noruego } Gen Principal
• 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 }
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
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Selección
Cruzamiento
Mutación
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
?
Selección
Cruzamiento
Mutación
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
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
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
MÉTODOS DE SELECCIÓN
• Torneo
• Ranking
• Ruleta
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
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
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
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
P0
Selección
PS
Cruzamiento
PC
Mutación
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
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
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 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
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 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
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 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
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
R1 = 0,3 X
R2 = 0,6 Y
R3 = 0,2 X Si R ≤ 0,5 X
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
P0
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
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
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
P0
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
CRITERIO DE PARO
• Cantidad de Vueltas
• Tiempo Transcurrido
• …
Pi = PM
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
ALGORITMOS GENÉ
GENÉTICOS
Generar
población inicial
Selección
PS
Cruzamiento
PC
Mutación
PM
No Sí PF = PM
Paro?
Población
Final
UNIVERSIDAD TECNOLOGI CA NACIONAL Inteligencia Artificial (AG v. 10)
Facultad Regional Buenos Aires
EJEMPLO 1 DE COMPORTAMIENTO
Población Final
Aptitud
Solución Interpretar