1
Algoritmos Genéticos
Mendoza. Jhony, Mite. Joel, Reyes. Eduardo
jxmendozaj@unl.edu.ec, jgmitey@unl.edu.ec, ejreyesp@unl.edu.ec
I. INTRODUCCION
Un algoritmo es una serie de pasos organizados que describe el
proceso que se debe seguir, para dar solución a un problema
específico. Son llamados así porque se inspiran en la evolución
biológica y su base genético-molecular.
La antena 2006 de la nave espacial de la NASA ST5. Esta
forma complicada fue encontrada por un programa evolutivo
del diseño de computadora para crear el mejor patrón de la
radiación. Se conoce como una antena evolucionada. 
Estos algoritmos hacen evolucionar una población de
individuos sometiéndose a acciones aleatorias semejantes a las
que actúan en la evolución biológica (mutaciones y
recombinaciones genéticas), así como también a una selección
de acuerdo con algún criterio, en función del cual se decide
cuáles son los individuos más adaptados, que sobreviven, y
cuáles los menos aptos, que son descartados.
Los algoritmos genéticos se enmarcan dentro de los algoritmos
evolutivos, que incluyen también las estrategias evolutivas, la
programación evolutiva y la programación genética.
II. DESARROLLO
1. Historia
Las tres figuras históricas claves en la aparición de los
algoritmos genéticos, aparte de su creador John Hollad son,
Darwin, Mendel y De Vries.
Charles Robert Darwin. El 27 de diciembre de 1831 zarpa de
Davenport (Inglaterra) el Beagle, buque al mando del capitán
Fitz-Roy, con varios objetivos científicos: completar el estudio
de las costas de la Patagonia y Tierra del Fuego, realizar la
cartografía de las costas de Chile, Perú y algunas islas del
Pacífico y realizar varias observaciones cronométricas
alrededor del mundo. La larga travesía del Beagle, que atraca
el 2 de octubre en Falmouth, sirve a Darwin para enunciar su
teoría acerca del origen y evolución de las especies. Uno de los
elementos claves en la teoría de Darwin es que la evolución se
debe a la selección natural. Es decir, aquellos individuos más
adaptados al medio tienen mayor probabilidad de sobrevivir y,
de esta forma, las características que les hacen mejores se
propagan entre la descendencia. De esta forma, y de manera
gradual, surgen las diversas especies.
Gregor Johann Mendel: El monje agustino austriaco Johann
Mendel (1822-1884) se interesó por los principios que rigen la
herencia de características en las especies. En el jardín del
mencionado convento cultivó algunas variedades de guisantes.
Escogió algunas características con alternativas claras. Por
ejemplo, semillas redondas o rugosas. Seleccionó variedades
de guisantes que producían descendencias homogéneas para
estas características y estudió sus sucesivas descendencias. De
esta forma, pudo enunciar sus leyes acerca de la herencia. Estas
muestran en qué proporción se manifiestan las alternativas de
cada característica. Para explicar las proporciones observadas,
Mendel enunció la hipótesis de que la primera generación de
guisantes contenía elementos hereditarios para ambas
alternativas del carácter. Sus trabajos pueden considerarse
como la base de la genética.
Hugo De Vries: El botánico holandés Hugo De Vries (1848-
1935) tuvo un papel importante en la difusión de los estudios
de Darwin y de Mendel. La contribución más importante de De
Vries fue la introducción del concepto de mutación en la
explicación de la evolución de las especies.
John Holland: se le reconoce la paternidad de los Algoritmos
Genéticos. Actualmente es profesor de Inteligencia Artificial
de los Departamento de Psicología y miembro activo del
Laboratorio de Inteligencia Artificial del Departamento
Ingeniería Eléctrica y Ciencias de la Computación de la
Universidad de Míchigan. En 1975 defendió su tesis doctoral
“Adaptation in Natural and Artificial Systems” (Adaptación en
Sistemas Naturales y Artificiales) en la Universidad de
Michigan, la primera tesis doctoral en Ciencias de la
Computación en dicha universidad. En ella, se proponía por
primera vez una clase de métodos, llamados Algoritmos
Genéticos, para la resolución de problemas. La idea que
subyace en los algoritmos genéticos es que es posible
implementar, en un ordenador, un programa que, guiado por
los principios de la herencia y la evolución de las especies,
suministre la solución de un problema [1].
Los algoritmos constituyen una de las áreas más prometedoras
de La Inteligencia Artificial y se incluye en amplia relación de
técnicas y métodos de las Ciencias de la Computación
inspirados en la biología.
2. Conceptos Básicos
Un algoritmo es una serie de pasos organizados que describe el
proceso que se debe seguir, para dar solución a un problema
específico. Son llamados así porque se inspiran en la evolución
biológica y su base genético-molecular .
Los Algoritmos Genéticos son métodos de búsqueda basados
en los mecanismos de selección natural (Teoría de la Evolución
de Darwin). El principio sobre el cual se desarrollan los
Algoritmos

Genéticos es tomar, dentro de una población de individuos
dada, los individuos que, según unos parámetros y condiciones
preestablecidas, tengan una mayor «aptitud» para sobrevivir
dentro de esa población, y así crear una nueva «generación
mejorada» de individuos.
Los pasos que se deben seguir para
la elaboración de un algoritmo genético
son los siguientes:
3. Qué determina el uso de un algoritmo genético
Para saber si es posible usar o no este tipo de técnica, hemos de
intentar tener en cuenta que posee una serie de características
que lo definen y que a su vez lo limitan.
Las soluciones están limitadas a un cierto rango porque su
espacio de búsqueda es discreto. Se puede usar en espacios de
búsqueda continuos cuando el rango de solución sea muy
pequeño.
La función objetivo que marca el problema de optimización a
resolver (o función adaptativa según su terminología), siempre
es maximizada, y tiene que poder ser definida de forma que se
nos indique si es buena o no cierta solución, premiando en el
primer caso y penalizando en el segundo. Cada solución va a
ser codificada, normalmente en forma binaria.
Los algoritmos genéticos suelen ser eficaces con funciones no
derivables, y hay que tener en cuenta que si existen muchos
máximos/mínimos locales necesitaremos de más iteraciones
para asegurar el local, y que, si tiene muchos puntos cercanos
al óptimo, no podemos asegurar que encontraremos dicho
óptimo, pero sí al menos uno de esos puntos. Esta es una de sus
mayores desventajas, aunque empíricamente se ha demostrado
que sí que encuentran soluciones muy buenas en un tiempo
realmente breve en referencia a otros sistemas de búsqueda de
soluciones. Los AG se utilizan por tanto para problemas de
muy diversa índole que no tienen una técnica especializada
asociada a los mismos, o en su caso en combinación, a otros
métodos para mejorar sus resultados iniciales [2].
4. Esquema Básico
5. Parámetros de los algoritmos genéticos.
Para el estudio de los algoritmos genéticos hay que
tener en cuenta una serie de parámetros:
2
 Tamaño de la Población:
Este parámetro nos indica el número de cromosomas
que tenemos en nuestra población para una generación
determinada. En caso de que esta medida sea
insuficiente, el algoritmo genético tiene pocas
posibilidades de realizar reproducciones con lo que se
realizaría una búsqueda de soluciones escasa y poco
óptima. Por otro lado, si la población es excesiva, el
algoritmo genético será excesivamente lento. De
hecho, estudios revelan que hay un límite a partir del
cual es ineficiente elevar el tamaño de la población
puesto que no se consigue una mayor velocidad en la
resolución del problema.
 Probabilidad de Cruce
Indica la frecuencia con la que se producen cruces entre
los cromosomas padre, es decir, que haya probabilidad
de reproducción entre ellos. En caso de que no exista
probabilidad de reproducción, los hijos serán copias
exactas se los padres. En caso de haberla, los hijos
tendrán partes de los cromosomas de los padres. Si la
probabilidad de cruce es del 100% el hijo se crea
totalmente por cruce, no por partes.
 Probabilidad de Mutación
Nos indica la frecuencia con la que los genes de un
cromosoma son mutados. Si no hay mutación, los
descendientes son los mismos que había tras la
reproducción. En caso de que haya mutaciones, parte
del cromosoma descendiente es modificado y si la
probabilidad de mutación es del 100%, la totalidad del
cromosoma se cambia. En este caso, no se cambian
simplemente unos bits del cromosoma, sino que se
cambian todos, lo que significa que se produce una
inversión en el cromosoma y no una mutación por lo
que la población degenera muy rápidamente [3].
6. Ventajas de los algoritmos genéticos
 Los algoritmos genéticos son intrínsecamente
paralelos, es decir, operan de forma simultánea con
varias soluciones, en vez de trabajar de forma
secuencial como las técnicas tradicionales. Esto
significa que mientras técnicas tradicionales solo
pueden explorar el espacio de soluciones hacia una
solución en una dirección al mismo tiempo, y si la
solución que descubren resulta subóptima, no se
puede hacer otra cosa que abandonar todo el trabajo
hecho y empezar de nuevo. Sin embargo, los
algoritmos genéticos simplemente desechan esta
solución subóptima y siguen por otros caminos.
 Otra ventaja es su habilidad para manipular muchos
parámetros simultáneamente. Resulta interesante en
caso de tener varios objetivos a resolver.
 No necesitan conocimientos específicos sobre el
problema que intentan resolver. Realizan cambios
aleatorios en sus soluciones candidatas y luego
 3

utilizan la función de aptitud para determinar si esos
cambios producen una mejora o no.
 Resulta sumamente fácil ejecutarlos en las modernas
arquitecturas masivas en paralelo.
 Usan operadores probabilísticos, en vez de los típicos
operadores determinísticos de las otras técnicas [3].
7. Desventajas de los algoritmos genéticos
 Definir una representación del problema. El lenguaje
utilizado para especificar soluciones candidatas debe
ser robusto, y además ser capaz de tolerar cambios
aleatorios que no produzcan constantemente errores
fatales o resultados sin sentido. Se puede solucionar
mediante la definición de los individuos como listas
de números donde cada número representa algún
aspecto de la solución candidata.
 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.
 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, se puede reproducir tan
abundantemente que merme la diversidad de la
población demasiado pronto, provocando que el
algoritmo converja hacia el óptimo local que
representa ese individuo, en lugar de rastrear el
paisaje adaptativo lo bastante a fondo para encontrar
el óptimo global. Esto es un problema especialmente
común en las poblaciones pequeñas, donde incluso
una variación aleatoria en el ritmo de reproducción
puede provocar que un genotipo se haga dominante
sobre los otros [3].
 Diseño por computadora de nuevos materiales que
cumplan múltiples objetivos.
 Optimización de la carga de containers.
 Asignación de procesos en topologías de redes con
procesamiento distribuido.
 Ubicación de archivos en sistemas de almacenamiento
distribuido.
 Diseño de circuitos integrados.
 Optimización de la infraestructura de telefonía celular.
 Ingeniería Aeroespacial.
 Juegos.
 Robótica[3].
III. CONCLUSIONES
- Los Algoritmos Genéticos son métodos adaptativos,
generalmente usados para resolver problemas de
búsqueda y optimización de parámetros, que se basan
en el principio de supervivencia del más apto.
- Los algoritmos genéticos utilizan ideas de biología
como población de cromosomas, selección natural
para selección de pareja, cruza para producción de
descendencia y mutación para diversidad.
IV. REFERENCIAS
[1] M. Melián Batista, J. Moreno Pérez, and J. Moreno
Vega, “Algoritmos Genéticos. Una visión práctica,”
Números, no. 71, p. 4, 2009.
[2] A. Gaspar Cunha, R. Takahashi, C. Henggeler
Antunes, and F. J. B. Pereira, “Algoritmos genéticos,”
Man. Comput. Evol. e metaheurística, pp. 25–47, 2012.

8. Aplicaciones de los algoritmos genéticos

La aplicación más común de los algoritmos genéticos ha sido

la
solución de problemas de optimización, en donde han mostrado
ser muy eficientes. Sin embargo, no todos los problemas
pudieran ser apropiados para esta técnica. Su espacio de
búsqueda debe estar delimitado dentro de un cierto rango.

 Debe poderse definir una función de aptitud que nos

indique qué tan buena o mala es una cierta respuesta.
 Las soluciones deben codificarse de una forma que
resulte relativamente fácil de implementar en la
computadora.

Dentro de los distintos problemas de optimización podemos

encontrar unas áreas de aplicación: