Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema07 AlgoritmosGeneticos 12 13
Tema07 AlgoritmosGeneticos 12 13
2012 – 2013
n Parte I. Introducción a las Metaheurísticas
n Tema 1. Metaheurísticas: Introducción y Clasificación
n Parte II. Métodos Basados en Trayectorias y Entornos
n Tema 2. Algoritmos de Búsqueda Local Básicos
n Tema 3. Algoritmos de Enfriamiento Simulado
n Tema 4. Algoritmos de Búsqueda Tabú
n Tema 5. Métodos Basados en Trayectorias Múltiples I: Métodos Multiarranque Básicos y GRASP
n Tema 6. Métodos Basados en Trayectorias Múltiples II: ILS y VNS
n Parte III. Métodos Basados en Poblaciones
n Tema 7. Algoritmos Genéticos
n Parte IV. Intensificación y Diversificación
n Tema 8. Estudio del Equilibrio entre Intensificación y Diversificación
n Parte V. Metaheurísticas Híbridas: Poblaciones y Trayectorias
n Tema 9. Algoritmos Meméticos
n Tema 10. Scatter Search
n Parte VI. Paralelización de Metaheurísticas
n Tema 11. Metaheurísticas en Sistemas Descentralizados
n Parte VII. Conclusiones
n Tema 12. Algunas Consideraciones sobre la Adaptación de Metaheurísticas a la Resolución de Problemas
1
ALGORÍTMICA
TEMA 7: ALGORITMOS GENÉTICOS
2
BIBLIOGRAFÍA
3
1. INTRODUCCIÓN A LOS ALGORITMOS
GENÉTICOS
4
Evolución Natural (1)
5
Evolución Natural (2)
6
Evolución Natural (3)
7
Evolución Artificial (1)
COMPUTACIÓN EVOLUTIVA
8
Evolución Artificial (2)
Evolución Natural
y
Evolución Genética
10
Los Ingredientes
t reproducción t+1
selección
mutación
cruce
11
El ciclo de la Evolución
Selección
PADRES
Cruce
Mutación
POBLACIÓN
Reemplazamiento
DESCENDIENTES
12
Estructura de un Algoritmo Genético
15
Ejemplo: Representación binaria
CROMOSOMA
GEN
16
Ejemplo: Representación binaria
Fenotipo
8 bits Genotipo • Entero
• Número real
• secuencia
• ...
• Cualquier otra?
17
Ejemplo: Representación binaria
Genotipo: Fenotipo:
= 163
18
Ejemplo: Representación binaria
Genotipo: Fenotipo:
= 13.9609
163
x = 2.5 + (20.5 − 2.5) = 13.9609
256
19
Ejemplo: Representación Real
20
Ejemplo: Representación Real
22
Inicialización
23
Correspondencia entre Genotipo y
Fenotipo
24
Evaluación de un individuo
25
¿CÓMO SE CONSTRUYE UN AG?
Selección
PADRES
Representación
Inicialización
Población
Función
POBLACIÓN Evaluación
26
Estrategia de Selección
28
Estrategia de Selección
Algunos esquemas de selección
n Selección por Torneo (TS): Escoge al individuo de mejor fitness
de entre Nts individuos seleccionados aleatoriamente (Nts=2,3,
…).
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
POBLACIÓN Evaluación
30
Operador de Cruce
Población: ...
descendientes
1 1 1 0 0 0 0 0 0 0 1 1 1 1
32
Operador de Cruce
33
Ejemplo: Operador de cruce en dos
puntos para representación binaria
34
Ejemplo: Operador de cruce para
representación real
a b c d e f g h
a b C d E f g H
A B CDE F GH
a b c d e f
A B CDE F
↓
(a+A)/2 (b+B)/2 (c+C)/2 (d+D)/2 (e+E)/2 (f+F)/2
36
Ejemplo: Operador de cruce para
representación real: BLX-α
37
Ejemplo: Operador de cruce para
representación real: BLX-α
Exploración Exploración
ai c1i c2i bi
Explotación
38
Ejemplo: Operador de cruce para
representación de orden OX
Padre 1 Padre 2
7 3 1 8 2 4 6 5 4 3 2 8 6 7 1 5
7, 3, 4, 6, 5
Orden
1 8 2 4, 3, 6, 7, 5
Hijo 1
7 5 1 8 2 4 3 6
39
¿CÓMO SE CONSTRUYE UN AG?
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
Mutación
POBLACIÓN Evaluación
DESCENDIENTES
40
Operador de mutación
41
Ejemplo: Mutación para
representación discreta binaria
antes 1 1 1 1 1 1 1
después 1 1 1 0 1 1 1
gen mutado
La mutación ocurre con una probabiliad pm
para cada gen
42
Ejemplo: Mutación para
representación real
7 3 1 8 2 4 6 5
7 3 6 8 2 4 1 5
44
¿CÓMO SE CONSTRUYE UN AG?
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
Mutación
POBLACIÓN Evaluación
Reemplazamiento
DESCENDIENTES
45
Estrategia de Reemplazamiento
La estrategia de reemplazamiento determina qué individuos
son reemplazados de la población y los que entran en ella.
46
Criterio de Parada
47
¿CÓMO SE CONSTRUYE UN AG?
RESUMEN
Selección
PADRES
Representación Cruce
Inicialización
Población
Función
Mutación
POBLACIÓN Evaluación
Reemplazamiento
DESCENDIENTES
49
4. ALGUNAS CUESTIONES: DIVERSIDAD,
EXPLORACIÓN vs EXPLOTACIÓN
Diversidad genética
50
ALGUNAS CUESTIONES: DIVERSIDAD,
EXPLORACIÓN vs EXPLOTACIÓN
Exploración vs Explotación
51
5. MODELOS: GENERACIONAL vs
ESTACIONARIO
52
Modelo Generacional
MUTACIÓN
con prob. Pm
t ← t+1
Pactual(t+1) Phijos
H1 H1= C’’m1
REEMPLAZAMIENTO
H2
… H2=C’m2
con elitismo (se
HM-1 mantiene el mejor de P(t))
…
Cmejor HM=C’’M 53
Modelo Estacionario
Pactual(t)
SELECCIÓN Ppadres CRUCE Pintermedia
C1
C’1 C’’1
C2 (dos cromo- con prob 1
somas de C)
C’2 C’’2
…
CM
MUTACIÓN
con prob. Pm
Generación de
trayectorias
Planificación de
sistemas de Producción
56
DOMINIOS DE APLICACIÓN
Representación de orden
(3 5 1 13 6 15 8 2 17 11 14 4 7 9 10 12 16)
17 ciudades
Objetivo: Suma de la distancia entre las ciudades.
Población: 61 cromosomas - Elitismo
Cruce: OX (Pc = 0,6)
Mutación: Inversión de una lista (Pm = 0,01 – cromosoma)
58
7. EJEMPLO: VIAJANTE DE COMERCIO
n −1
C ( S ) = ∑ (D[S [i ], S [i + 1]]) + D[S [n], S [1]]
i =1
59
7. EJEMPLO: VIAJANTE DE COMERCIO
Padre 1 Padre 2
7 3 1 8 2 4 6 5 4 3 2 8 6 7 1 5
7, 3, 4, 6, 5
Orden
1 8 2 4, 3, 6, 7, 5
Hijo 1
Ejemplo: Operador de cruce para
7 5 1 8 2 4 3 6 representación de orden OX
60
7. EJEMPLO: VIAJANTE DE COMERCIO
Otros operadores de cruce para la representación de orden
61
7. EJEMPLO: VIAJANTE DE COMERCIO
Otros operadores de cruce para la representación de orden
S= 0 1 1 0 0 1
73
RESUMEN
Algoritmos Genéticos
74
RESUMEN
Algoritmos Genéticos
extensión de estudios
(Asignatura Bioinformática)
n Equilibrio entre diversidad y convergencia
n Evolución en paralelo de múltiples soluciones óptimas:
Algoritmos genéticos con nichos
n Algoritmos genéticos multiobjetivo
75
ALGORÍTMICA
2012 - 2013
n Parte I. Introducción a las Metaheurísticas
n Tema 1. Metaheurísticas: Introducción y Clasificación
n Parte II. Métodos Basados en Trayectorias y Entornos
n Tema 2. Algoritmos de Búsqueda Local Básicos
n Tema 3. Algoritmos de Enfriamiento Simulado
n Tema 4. Algoritmos de Búsqueda Tabú
n Tema 5. Métodos Basados en Trayectorias Múltiples I: Métodos Multiarranque Básicos y GRASP
n Tema 6. Métodos Basados en Trayectorias Múltiples II: ILS y VNS
n Parte III. Métodos Basados en Poblaciones
n Tema 7. Algoritmos Genéticos
n Parte IV. Intensificación y Diversificación
n Tema 8. Estudio del Equilibrio entre Intensificación y Diversificación
n Parte V. Metaheurísticas Híbridas: Poblaciones y Trayectorias
n Tema 9. Algoritmos Meméticos
n Tema 10. Scatter Search
n Parte VI. Paralelización de Metaheurísticas
n Tema 11. Metaheurísticas en Sistemas Descentralizados
n Parte VII. Conclusiones
n Tema 12. Algunas Consideraciones sobre la Adaptación de Metaheurísticas a la Resolución de Problemas
76