Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 6: Solemne
Unidad 2: Cadenas de Markov
Optimización II
Clase 7: Cadenas de Markov.
Clase 8: Ecuaciones de Chapman-Kolmogorov y
clasificación de estados.
9: Modelo de colas y Proceso de nacimiento y
muerte
Clase 10: Teoría de espera en procesos
exponenciales de nacimiento y muerte
Clase 11: Modelo de colas con distribuciones no
Unidad 3: Sistemas de Colas
exponenciales
Clase 12: Modelo de colas con disciplina de
prioridades y disciplina de cola.
Clase 13: Solemne
Estructura del curso
Clase 1: Heurística codiciosa.
Clase 6: Solemne
Unidad 2: Cadenas de Markov
Optimización II
Clase 7: Cadenas de Markov.
Clase 8: Ecuaciones de Chapman-Kolmogorov y
clasificación de estados.
9: Modelo de colas y Proceso de nacimiento y
muerte
Clase 10: Teoría de espera en procesos
exponenciales de nacimiento y muerte
Clase 11: Modelo de colas con distribuciones no
Unidad 3: Sistemas de Colas
exponenciales
Clase 12: Modelo de colas con disciplina de
prioridades y disciplina de cola.
Clase 13: Solemne
Resultado de Aprendizaje de la Clase
Utiliza el algoritmo genético para encontrar una mejor solución
que el óptimo local.
¿Por qué es importante este tema?
Este tema es importante debido a que presenta al estudiante el método de
algoritmo genético para encontrar mejores soluciones que las obtenidas en la
heurística codiciosa.
Introducción
En la clase 2 se definió la metaheurística, la cual en términos generales, está
diseñada para escapar del entrampamiento en el óptimo local con el
propósito de obtener una mejor solución.
Hasta el momento han sido estudiado los algoritmos de búsqueda tabú y
recocido simulado.
La clase de hoy contempla el estudio del algoritmo genético, el cual imita el
proceso de evolución biológica de sobrevivencia del más apto.
Algoritmo Genético
Tal como se mencionó en la introducción, el algoritmo genético (AG) imita el
proceso de evolución biológica de sobrevivencia del más apto.
1+2=3 1+4=5
Algoritmo Genético
Un conjunto de N soluciones factibles se conoce como población con N
cromosomas.
• La aptitud de un cromosoma se mide en términos de una función objetivo
apropiada.
• Un cromosoma más apto da un mejor valor a la función objetivo.
Algoritmo Genético
La idea general del AG es seleccionar dos padres a partir de una población.
Los genes de los dos padres se cruzan entonces y (posiblemente) mutan para
producir dos hijos.
La descendencia reemplaza a los dos cromosomas más débiles (menos aptos)
en la población, y el proceso de seleccionar nuevos padres se repite.
Las reglas para seleccionar padres y crear hijos pueden variar. Por ejemplo,
los padres pueden ser seleccionados totalmente al azar de una población, o
se pueden componer de los dos cromosomas más aptos.
Algoritmo Genético
Minimización de una función de una sola variable:
Se retornará el ejemplo visto en la clase 1 para aplicar la solución con el
algoritmo genético
Para el ejemplo dado, el dominio
factible es X = {1, 2, 3, 4, 5, 6, 7, 8}.
Se especifica de forma arbitraria una
población de tamaño N = 4 padres cuyos
cromosomas se determinan a partir de X
mediante muestreo aleatorio uniforme.
X 1 2 3 4 5 6 7 8
Probabilidad acumulativa, P(x) 0,125 0,250 0,375 0,500 0,625 0,750 0,875 1,000
Algoritmo Genético
Minimización de una función de una sola variable:
X 8 3 5 1
Probabilidad acumulativa, P(x) 0,250 0,500 0,750 1,000
Ri Padres F(xi)
0,2869 3 50
0,0281 8 70
Algoritmo Genético
Los dos hijos se crean con los dos padres seleccionados por medio de un
cruce genético. Hay varios métodos para implementar el cruce.
1. Cruce uniforme. En esta regla, los genes comunes se aplican a ambos
hijos. Los genes restantes de un hijo se determinan al azar, mientras que el
otro hijo obtiene el gen complemento.
2. Cruce de un punto. Los genes de los padres P1 y P2 se dividen al azar en el
mismo punto y luego se intercambian; es decir, P1 = (P11, P12) y P2 = (P21,
P22) producen los cromosomas hijos como C1 = {P11, P22} y C2 = {P21,
P12}.
3. Cruce de múltiples puntos. Esta regla amplía el cruce de un punto a
múltiples puntos aleatorios. Por ejemplo, en un cruce de dos puntos, P1 =
(P11, P12, P13) y P2 5 (P21, P22, P23) producen C1 = (P11, P22, P13) y C2
= (P21, P12, P23).
Algoritmo Genético
Este ejemplo utiliza la regla de cruce uniforme.
Para los dos padres (3,8) tenemos:
• P1 = (1 1 0 0)
• P2 = (0 0 0 1)
Para el cruce uniforme se asignará de manera arbitraria como gen común el
tercer gen, los restantes se seleccionarán al azar de acuerdo al criterio
siguiente:
el gen es 1 si 0 ≤ R < 0,5
• Para el hijo 1:
el gen es 0 si 0,5 ≤ R ≤ 1
Sujeto a:
n
L j x j U j , j 1, 2, ..., n
x j entera, j 1, 2, ..., n
Aplicación de Metaheurística a Programas
Lineales Enteros
Los elementos básicos de una metaheurística de PLE incluyen:
1. Selección de la solución de inicio: La metaheurística utiliza la solución
óptima continua redondeada como solución de inicio.
2. Definición de la vecindad: Es más manejable computacionalmente buscar
las variables una a la vez
Las vecindades para la variable xj se definen como:
N(xj) = {(x1, ..., xj - 1, ... , xn), (x1, ..., xj + 1, ... , xn)}
Las soluciones no factibles que violan las cotas superior e inferior se
excluyen de la vecindad.
3. Determinación del siguiente movimiento de búsqueda.
Aplicación de Metaheurística a Programas
Lineales Enteros
3. Determinación del siguiente movimiento de búsqueda: El siguiente
movimiento de búsqueda se determina a partir de una vecindad como la
solución X = (x1,x2, … ,xn) con no factibilidad mínima.
La medida de no factibilidad se calcula como:
n n
I X máx{0, aij x j bi } máx{0, bi aij x j }
() j 1 () j 1
n n
máx{0, aij x j bi } (máx{0, L j x j } máx{0, x j U j })
() j 1 j 1
Aplicaciones de la
Algoritmo
metaheurística en
Genético
la solución de PLE
Minimización de
una función de
una variable
Bibliografía
Bibliografía Obligatoria:
• Investigación de Operaciones
– Taha Hamdy (2004), Pearson Educación.
Taller Práctico Colaborativo
Título
• Algoritmo Genético. Función de una sola
variable
Resultado de Aprendizaje
• Utiliza el algoritmo genético para encontrar
una mejor solución que el óptimo local.
Tiempo
• 80 minutos (5 min. organización, 75 min. desarrollo del
taller)
Actividad on line Clase 4
Guía
• Algoritmo Genético. Secuencia de tareas
• Tiempo de Desarrollo: 40 minutos
• Lleve el desarrollo de la Guía y las principales dudas a la siguiente
Clase presencial
Control
• Control sumativo
• Tiempo para el desarrollo: 40 minutos