Algoritmo genético aplicado a la

optimización de una función.

AGUIRRE CEVALLOS BRYAN ALEXANDER
CODIGO: 1030
Bryan.aguirre@espoch .edu.ec

Resumen—En este informe se presentan los resultados de la
aplicación de algoritmos genéticos, para optimizar un problema de
generación distribuida (GD) de potencia que debe cumplir ciertas
restricciones. Para la implementación del algoritmo genético se
utiliza el toolbox de Matlab ya implementado variando algunos
parámetros como fracción de mutación, población etc.
Palabras Claves—Optimización con restricciones, Algoritmos
Genéticos, Matlab, Generación.
Abstract- In this report we present the results of the application of
genetic algorithms, to improve a distributed generation (GD)
power problem that must comply with certain restrictions. For the
implementation of the genetic algorithm, the Matrix toolbox and
the application are used.
Keywords-Constrained Optimization, Genetic Algorithm, Matlab,
Generation.
I. INTRODUCCION
La optimización con restricciones plantea el problema de
encontrar un punto o puntos mínimos de una función restringida
a ciertas restricciones, a unos valores de banda, (Up-Down), y a
una función de restricción. En nuestro problema vamos a
optimizar una función objetivo y encontrar el mínimo relativo.
Para solucionar este problema se usan algoritmos genéticos,
algoritmo específicamente elaborado para solucionar
problemas de este tipo, es Heurísticos, que dependen mucho de
los parámetros de entrada. Se usa el toolbox de Matlab ya
implementado variando diferentes propiedades.
II. MARCO TEÓRICO
C. Ventajas y Desventajas
A. Algoritmos Genéticos
Los algoritmos genéticos son un tipo de algoritmo de No necesitan conocimientos específicos sobre el problema que
optimización que se utilizan para encontrar una solución intentan resolver.
óptima, a un problema computacional, en el cual se imitan
procesos biológicos de reproducción y selección natural. Al
igual que en la evolución, muchos de esto procesos de
algoritmos genéticos son la alzar, aunque mediante el toolbox
de Matlab y en general se puede establecer el nivel de
aleatoriedad y control.
Debido a que los algoritmos genéticos simulan procesos
biológicos mucha terminología relevante de biología debe ser
usada, Los componentes básicos de un algoritmo genético son:
 Una función de optimización, denominada función
fitness.
 Población de cromosomas.
 Selección de reproducción de cromosomas
 Mezcla de los productos de la siguiente generación de
cromosomas y un factor aleatorio de mutación en la
nueva generación.
En el toolbox de Matlab, ya vienen integrados todos estos
parámetros, además de diversas funciones de selección de
individuos, tales como selección estocástica, ruleta y elitista.
Los Algoritmos Genéticos (AGs) son métodos adaptativos que
pueden usarse para resolver problemas de búsqueda y
optimización. Están basados en el proceso genético de los
organismos vivos. A lo largo de las generaciones, las
poblaciones evolucionan en la naturaleza de acorde con los
principios de la selección natural y la supervivencia de los más
fuertes, postulados por Darwin. Por imitación de este proceso,
los Algoritmos Genéticos son capaces de ir creando soluciones
para problemas del mundo real. La evolución de dichas
soluciones hacia valores óptimos del problema depende en
buena medida de una adecuada codificación de las mismas.
B. Problemática
Los Algoritmos Genéticos usan una analogía directa con el
comportamiento natural. Trabajan con una población de
individuos, cada uno de los cuales representa una solución
factible a un problema dado. A cada individuo se le asigna un
valor ó puntuación, relacionado con la bondad de dicha solución.
En la naturaleza esto equivaldría al grado de efectividad de un
organismo para competir por unos determinados recursos.
Cuanto mayor sea la adaptación de un individuo al problema,
mayor será la probabilidad de que el mismo sea seleccionado
para reproducirse, cruzando su material genético con otro
individuo seleccionado de igual forma. Este cruce producirá
nuevos individuos. descendientes de los anteriores. los cuales
comparten algunas de las características de sus padres. Cuanto
menor sea la adaptación de un individuo, menor será la
probabilidad de que dicho individuo sea seleccionado para la
reproducción, y por tanto de que su material genético se
propague en sucesivas generaciones.
 Operan de forma simultánea con varias soluciones, en
vez de trabajar de forma secuencial como las técnicas
tradicionales.
 Cuando se usan para problemas de optimización
maximizar una función objetivo- resultan menos
afectados por los máximos locales (falsas soluciones)
que las técnicas tradicionales.
 Resulta sumamente fácil ejecutarlos en las modernas
arquitecturas masivamente paralelas.
 Usan operadores probabilísticos, en vez de los típicos
operadores determinísticos de las otras técnicas.
 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, etc.-.
 Pueden converger prematuramente debido a una serie de
problemas de diversa índole.
 Una vez creada nuestra función objetivo procedemos ah ver los
parámetros de la PG utilizamos el comando:

PRUEBA ALGORITMOS GENÉTICOS, OPCIONES POR
DEFECTO.
Se calibra el toolbox de Matlab incluido con las opciones de la
función objetivo que se vaya a minimizar, en nuestro caso las
potencias de generación, y se establecen los vectores de umbral
de cada una de los generadores. Las demás opciones como
Población (Population), Escala Fitness, etc, se dejan con los
valores predeterminados. La población inicial se toma como 20
potencias aleatorias que posiblemente minimizaran el
problema, el parámetro de selección por defecto es Estocástico
Uniforme, que, al ser de carácter no lineal, tiene en cuenta los
padres, es decir, las potencias iníciales y escoge la siguiente
generación en base a la expectativa de vida o en este caso a la
potencia producida, por medio de un parámetro aleatorio.
El parámetro de reproducción está determinado por defecto, en
2, es decir el número de individuos que sobrevivirán a la
siguiente generación, en todos los casos se debe tener en cuenta
que este parámetro determinado por elitismo, es decir donde los
mejores resultados pasen a la siguiente generación, debe ser
menor o igual al tamaño de la población. El factor de mezcla
debe ser un numero contendido entre 0 y 1, en este caso 0.8;
representando una tasa de reproducción al azar del 80% es decir
pasan a la siguiente generación con mayores
III.APLICACION DEL PROBLEMA
La función objetivo que se va a utilizar para demostrar el
funcionamiento del algoritmo genético es la siguiente:
Y si grafico es:
optimtool('ga')
Esta ventana de comandos nos permite realizar cambios poner
parámetros dependiendo de nuestro problema.
Después de llenar todos los parámetros y realizar los cambios
correspondientes le damos clic en start .
Por último, llamamos a nuestra función y ejecutamos, como
resultado optemos nuestro mínimo absoluto o aproximado.
III. CONCLUSIONES
 Dos aspectos que resultan cruciales en el comportamiento
de los Algoritmos Genéticos son la determinación de una
adecuada función de adaptación o función objetivo, así
como la codificación utilizada.
 Los parámetros de calibración son de vital importancia
para determinar las características de la población y su
reproducción, como se puede determinar por las pruebas
realizadas cambios en la forma de la mutación y selección
de los individuos hacen que la función converja, pero
ceñida a restricciones del algoritmo en utilización.
REFERENCES
[1] Mahamad Nabab Alama, “Particle Swarm Optimization: Algoritm and
it’s codes in MATLAB”, en revisión, Marzo 8 de 2016. Departamento
de Ingeniería Eléctrica del Instituto de Tecnología Roorke, India.
[2] Carr J, An An Introduction to Genetic, Peters, Ed. New York: McGraw-
Hill, 1964, pp. 15–64.
[3] Pohlheim H. Tutorial: Genetic and Evolutionary Algorithm Toolbox for
use with Matlab Documentation for: Genetic and Evolutionary
Algorithm Toolbox for use with Matlab version: toolbox 1.95
documentation 1.95 (August 1999)
[4] Help with Matlab Script. Available
http://www.mathworks.com/help/optim/ug/fmincon.html

Como se puede observar dicha función tiene dos mínimos, el

trabajo de nuestro algoritmo genético será encontrar cual es el
más mínimo.
Para ello declaramos nuestra función objetivo.

function y= optimizar(x)
if x<=20
y=-exp(-(x/20).^2);
else
y=-exp(-1)+(x-20)*(x-22);
end