ALGORITMOS

GENÉTICOS
Inteligencia Artificial

1
ITESA
 Instituto Tecnológico Superior de Oriente del Estado de Hidalgo

Inteligencia Artificial

D.C.C Rene Cruz Guerrero

Algoritmos Genéticos

Matricula Integrantes
16030565 Ciro Canales Castillo
16030583 David Williams Cuevas Ordoñez.
16030671 Froylan Emanuel Quintos Villazana
16030546 Manolo Téllez Meneses
2
ITESA
 CONCEPTOS

Un algoritmo genético es cuando se usan Los Algoritmos Genéticos (AGs) son

mecanismos que simulan los pasos de la métodos adaptativos que pueden
evolución de las especies de la biología para usarse para resolver problemas de
formular su continuidad. (Soberanis, 2020) búsqueda y optimización. (Riera, 2017)

Algoritmo Genético

3
ITESA
 CONCEPTOS(2)

Es un un ciclo iterativo que directamente toma
a la especie (el total de los ejemplares) y crea
una nueva generación que reemplaza a la
antigua una cantidad de veces determinada
por su propio diseño. (Irizar Mesa, 2020)
Un algoritmo genético consiste en una función
matemática o una rutina de software que
toma como entradas a los ejemplares y
retorna como salidas cuales de ellos deben
generar descendencia. (Oviedo, 2020)

Algoritmo Genético

4
ITESA
 CARACTERÍSTICAS

Inicialización

Generación aleatoria en la Evaluación

población, constituida por un
conjunto de cromosomas los
A cada uno de los
cuales representan una
cromosomas de esta población
posible solución.
se aplicará la función de Condiciones
• Fenotipo aptitud para saber qué tan
"buena" es la solución que se El AG se deberá detener
• Genotipo está codificando. cuando se alcance la solución
(Mallawaarachchi, 2017) óptima, pero ésta
generalmente se desconoce,
por lo que se deben utilizar
otros criterios de detención.

5
ITESA
 CARACTERÍSTICAS CONDICIONES DE TÉRMINO

Selección
Recombinación o
Después de saber la
cruzamiento
aptitud de cada
cromosoma se procede a La recombinación es el
principal operador genético, Mutación
elegir los cromosomas
opera sobre dos
que serán cruzados en la
cromosomas a la vez para
Remplazo
siguiente generación. Modifica al azar parte
generar dos descendientes del cromosoma de los
• Torneo donde se combinan las individuos, y permite Una vez aplicados los
• Ruleta características. alcanzar zonas del operadores genéticos,
espacio de búsqueda. se seleccionan los
• Proporcional mejores individuos
para conformar la
población de la
generación siguiente.

6
ITESA
 PASOS DE UN AG

7
ITESA
 PASOS DE UN AG(2)

8
ITESA
 CICLO DE AG

9
ITESA
 VENTAJAS DE LOS AG

• Operan de forma simultánea con varias soluciones

• Desechan esta solución subóptima y siguen por otros caminos.
• No necesitan conocimientos específicos sobre el problema que intentan
resolver.
• Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivas en
paralelo.

10
ITESA
 DESVENTAJAS DE LOS AG

• Definir una representación del problema.

• El lenguaje utilizado para especificar soluciones candidatas debe ser robusto
• Pueden converger prematuramente debido a una serie de problemas
• Si un individuo que es más apto que la mayoría de sus competidores emerge
muy pronto en el curso de la ejecución

11
ITESA
 FORMAS DE TRABAJO
Algoritmos genéticos generacionales

Es semejante a la forma de reproducción de los insectos.

Algoritmos genéticos de estado fijo

Utilizan el esquema generacional de los mamíferos y otros animales de vida larga

Algoritmos genéticos paralelos

Utilizar la búsqueda genética consiste en que es inherentemente paralela, ya que al evolucionar se
recorren de forma simultánea
12
ITESA
 ÁREAS DE APLICACIÓN

Medicina

Química

Sociales

Epidemiología

Finanzas

Probabilidad

Biología
13
ITESA
 EJEMPLO DE ALGORITMO GENÉTICO BÁSICO

Inicio (1) t = 0;
inicializar P(t);
evaluar P(t);
Mientras (no se cumpla la condición de parada) hacer Inicio(2)
t= t+1
seleccionar P(t) desde P(t-1) recombinar P(t)
mutación P(t)
evaluar P(t)
Final(2)
Final(1)

14
ITESA
 EJEMPLO DE AG (2) EN PYTHON

15
ITESA
 EJEMPLOS DE AG(2)

16
ITESA
 EJEMPLOS DE AG(3)

17
ITESA
 EJEMPLOS DE AG(4)

Enrutamiento de tráfico y envío(Problema del vendedor ambulante) ,Este es un

problema famoso y ha sido adoptado de manera eficiente por muchas
compañías basadas en ventas ya que ahorra tiempo y es económico. También
se puede solucionar usando un algoritmo genético.

Robótica
En la actualidad, el algoritmo genético se utiliza para crear robots de
aprendizaje que se comportarán como humanos y realizarán tareas más
humanas y no tan automatizables.

18
ITESA
 LENGUAJE DE PROGRAMACIÓN

• GA • Genetic NumPy • Lsqnonlin

• Global Optimization Toolbox
• MultiStart.

• JGAP (java genetic algorithms

package)

19
ITESA
 REFERENCIAS BIBLIOGRÁFICAS

Mallawaarachchi, V. (07 de 06 de 2017). towardsdatascience. Obtenido de towardsdatascience:

https://towardsdatascience.com/introduction-to-genetic-algorithms-including-example-
code-e396e98d8bf3.
Banzhaf, W. (22 de 1 de 2020). Algoritmos genéticos . Obtenido de
http://www.ecobachillerato.com/experto/algoritmo.pdf
Irizar Mesa, M. I. (22 de 1 de 2020). EcuRed. Obtenido de Algoritmo genético:
https://www.ecured.cu/Algoritmo_gen%C3%A9tico
Mallawaarachchi, V. (07 de 06 de 2017). towardsdatascience. Obtenido de towardsdatascience:
https://towardsdatascience.com/introduction-to-genetic-algorithms-including-example-
code-e396e98d8bf3

20
ITESA
 REFERENCIAS BIBLIOGRÁFICAS(2)

Oviedo, U. d. (22 de 01 de 2020). SISTEMAS INTELIGENTES . Obtenido de

http://www.aic.uniovi.es/ssii/ssii-t4-algoritmosgeneticos.pdf
Riera, D. (9 de Marzo de 2017). Inteligencia artificial: algoritmos genéticos. Obtenido de
http://informatica.blogs.uoc.edu/2017/03/09/inteligencia-artificial-algoritmos-geneticos/
Soberanis, M. C. (01 de 22 de 2020). Algoritmos Genéticos en Inteligencia Artificial. Obtenido de
Soldai: https://medium.com/soldai/algoritmos-gen%C3%A9ticos-en-inteligencia-artificial-
parte-i-introducci%C3%B3n-c87b1f52c34f
Banzhaf,W. (2015).“The “molecular” traveling salesman”. Biological Cybernetics, 64, 7-14.
Fisher R. A. (2009). “The Use of Multiple Measurements in Taxonomic Problems”. Annual Eugenics,
7, 179-188.

21
ITESA