Documentos de Académico
Documentos de Profesional
Documentos de Cultura
0 0 0 0 0 0 0 1
0 0 0 0 0 1 0 0 Representación binaria
0 0 1 0 0 0 0 0 de un individuo (tablero
0 0 0 0 1 0 0 0 de ajedrez)
0 0 0 0 0 0 0 1
1 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 1
0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 1
1 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1
Penalizaciones
por columnas = 1 1 0 1 0 0 1 1 =5
Ejemplo de 0 0 0 0 0 0 0 1
diagonal 0 0 0 0 0 1 0 0 0
hacia abajo o 0 0 1 0 0 0 0 0 0
negativa 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 1 0
1 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 Numero de
0 0 0 0 0 0 0 1 0 penalizaciones por
diagonales hacia
0 0 0 0 0 0 0 1 abajo = 1
0 0 0 0 0 0 0 1
Ejemplo de 0 0 0 0 0 1 0 0
diagonal 0 0 1 0 0 0 0 0 Giro de la matriz
hacia arriba o 0 0 0 0 1 0 0 0 hacia la derecha
inversa 0 0 0 0 0 0 0 1 → Cambio de la
1 0 0 0 0 0 0 0 diagonal hacia
1 0 0 0 0 0 0 0 arriba por
0 0 0 0 0 0 0 1 diagonal hacia
abajo
1 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0
0 0 0 1 0 0 0 0 0
1 0 0 0 0 0 0 0 0 Numero de
0 0 0 0 0 0 0 1 0 penalizaciones por
0 0 0 0 0 0 0 1 0 diagonales hacia
1 0 0 0 0 0 0 0 1 arriba = 2
0 0 0 0 0 0 0 1
0.31 0.12 0.14 0.25 0.36 0.07 0.56 0.16 0.27 0.32 0.13
Rangos de la ruleta
dependiendo del fitness
5. Proceso de cruza
▪ Selección de padres de acuerdo con la probabilidad de cruza → los individuos
que tenga una probabilidad menor a la probabilidad de cruza se convertirán en
padres por lo que se genera una probabilidad aleatoria a cada individuo de la
población seleccionada
▪ Se realizó una validación para que el numero resultante de padres fuera par
Si consideramos una
probabilidad de cruza
de 0.5
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2
Punto
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2
de
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2 cruza
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2
p1 p1 p1 p1 p1 p2 p2 p2 p2 p2
p2 p2 p2 p2 p2 p1 p1 p1 p1 p1
p2 p2 p2 p2 p2 p1 p1 p1 p1 p1
p2 p2 p2 p2 p2 p1 p1 p1 p1 p1
Hijo 1 Hijo 2
Primer hijo = primera parte del primer padre + segunda parte del segundo padre
Segundo hijo = primera parte del segundo padre + segunda parte del primer
padre
▪ Al final se reemplazan los padres por los hijos obtenidos en el proceso de cruza
en la nueva población
6. Proceso de mutación
Mariana Quiroz Becerril Grupo 2
▪ Se generó una probabilidad aleatoria para cada gen (fila del tablero de
ajedrez), es decir una matriz de dimensiones de Número de filas del tablero x
Tamaño de la población
▪ Selección de que genes se van a mutar a partir de la probabilidad de muta →
genes con una probabilidad menor a la probabilidad de muta se van a mutar
▪ Se crea una matriz con números aleatorios, con dimensiones de número de
filas por el tamaño de población.
▪ Se obtiene en qué posición este valor es menor a la probabilidad de muta
definiendo en que filas del tablero de la matriz (tablero de ajedrez) se realizará
la mutación.
▪ Cambio de valores
0→1
1→0
▪ Se busca la posición donde esté localizado el 1 (es decir, en donde exista una
reina) y se niega, a continuación, en ese mismo renglón se genera una nueva
posición aleatoria que será donde se colocará un 1 (la nueva reina)
asegurando que la nueva posición no sea igual a la anterior.
0 0 0 0 0 0 0 1 Gen para
0 0 0 0 0 1 0 0 mutar
0 0 1 0 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 1
1 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1
0 0 0 1 0 0 0 0 Gen mutado
0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 1
1 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1
Población actual
Población nueva
Mariana Quiroz Becerril Grupo 2
5 98 21 54 63 21 52 49 68 95
5 98 21 54 63 21 52 49 68 95
5 21 21 49 52 54 63 68 95 98
1 3 6 8 7 4 5 9 10 2
5 21 21 49 52 54 63 68 95 98
1 3 6 8 7 4 5 9 10 2
Población resultante
1 0 0 0 0 0 0 0
Tablero de ajedrez con fitness =2
0 0 0 1 0 0 0 0
0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0
0 0 0 0 0 0 1 0
0 1 0 0 0 0 0 0
0 0 0 0 1 0 0 0
Corrida 1 2 3 4 5 6 7 8 9 10
Fitness -1.60 -0.98 -1.70 -0.98 -1 -1 -1 -0.990 -0.95 -1.97
Mariana Quiroz Becerril Grupo 2
Media=-1.2170 Varianza=0.1470
Prueba 2
Tampob=50
Numgen=50
Pcruza=0.5
Pmuta=0.1
Corrida 1 2 3 4 5 6 7 8 9 10
Fitness -2.58 -2.72 -2.54 -2.46 -2.74 -2.36 -2.66 -2.58 -2.70 -2.66
Mariana Quiroz Becerril Grupo 2
Media=-2.6000 Varianza=0.0148
No encuentra fitness tan buenos porque las generaciones e iteraciones no le alcanzan,
en los otros los mejores fitness se alcanzan o encuentran después de las 50
iteraciones
No hay convergencia
Prueba 3
Tampob=100
Numgen=20
Pcruza=0.5
Pmuta=0.1
Corrida 1 2 3 4 5 6 7 8 9 10
Fitness -2.38 -2.56 -2.65 -2.77 -2.39 -2.36 -2.59 -2.84 -2.73 -2.82
Media=-2.6090 Varianza=0.0339
Prueba 4
Tampob=100
Numgen=50
Pcruza=0.7
Pmuta=0.1
Corrida 1 2 3 4 5 6 7 8 9 10
Fitness -1 -1.70 -0.93 -1.78 -1.22 -1.44 -1.58 -1.19 -0.99 -1.67
Mariana Quiroz Becerril Grupo 2
Prueba 5
Tampob=100
Numgen=50
Pcruza=0.1
Pmuta=0.01
Corrida 1 2 3 4 5 6 7 8 9 10
Fitness -0.99 -1 -1.96 -1 -2 -1 -1 -1 -3 -1
Conclusiones
Convergencia con 50 iteraciones
En los fitness no se observa que ningún resultado se exactamente 0 debido a que se
trata de la media de los valores de cada individuo, sin embargo esto no significa que el
algoritmo no encuentra ningún individuo con fitness de 0