Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INGENIERÍA
ESCUELA ACADÉMICA PROFESIONAL DE
INGENIERÍA ELÉCTRICA
INFORME ACADÉMICO
ALGORITMOS GENÉTICOS
PRESENTADO POR:
HUANCAYO-PERÚ
2020
2
RESUMEN
El presente trabajo es un informe sobre los algoritmos genéticos, que son métodos
En primer lugar se trata los fundamentos delos algoritmos genéticos con una breve
historia sobre su origen y quienes lo desarrollaron; luego con una breve definición se
algoritmos genéticos, para llegar al fundamento matemático que da origen a este método;
Se presenta después el desarrollo del algoritmo genético en sí, con la estructura y los
números reales.
3
ÍNDICE
INTRODUCCIÓN.............................................................................................................4
CONCLUSIONES.............................................................................................................42
BIBLIOGRAFÍA...............................................................................................................43
4
INTRODUCCIÓN
“Throw up a handful of feathers, and all must fall to the ground according to
definite laws; but how simple is this problem compared to the action and reaction of the
innumerable plants and animals which have determined, in the course of centuries, the
proportional numbers and kinds of trees now growing on the old Indian ruins!”
principio de supervivencia del más apto. Siguiendo la definición dada por Goldberg, “los
natural y de la genética natural. Combinan la supervivencia del más apto entre estructuras
constituir así un algoritmo de búsqueda que tenga algo de las genialidades de las
búsquedas humanas”
como base los esquemas propuestos por Darwin sobre la selección natural, y se adaptarán
evolución natural. Ninguno de ellos pensó que la estrategia evolutiva se podría aplicar de
Los Algoritmos genéticos (AGs) fueron inventados por John Holland por el año de 1960; idea
que fue mejorada por sus estudiantes y colegas de la Universidad de Michigan. Aunque el
objetivo original de Holland no era diseñar algoritmos para resolver problemas específicos, sino
estudiar el fenómeno de adaptación que ocurre en la naturaleza y con ello desarrollar mecanismos
Con el tiempo los algoritmos genéticos se vieron como una abstracción de la evolución biológica
y dio un marco teórico para la adaptación de los AG de Hollland. AG es un método para pasar de
una población de "cromosomas" (secuencias de unos y ceros) a otra población utilizando una
Unos 15 años más adelante, David Goldberg, actual delfín de los algoritmos genéticos,
trabajando en diseño de pipelines, y fue uno de los primeros que trató de aplicar los
6
porque pensaba que el problema era excesivamente complicado como para aplicarle
genético en un ordenador personal Apple II. Estas y otras aplicaciones creadas por
inversión. Fue el primero en intentar poner evolución computacional sobre una firme
individuos, uno de los padres y una descendencia, la descendencia como una versión
En los últimos años ha habido una interacción extensa entre investigadores estudiando varios la
computación evolutiva, y los algoritmos genéticos. Así, los investigadores se han alejado del
soluciones. El conjunto de soluciones entre las que reside la solución deseada se llama
es una posible solución y puede ser "marcado" con un valor de aptitud, dependiendo de la
En los AG las cadenas están compuestas por características, que toman diferentes
manera que, basados en la mecánica de la selección natural, sólo los organismos que
Una función de evaluación que mida cómo los candidatos optimizan la función.
Función de reproducción.
8
convierte en el mejor adaptado, por lo que deja más hijos que los otros; así se hereda la
mejor configuración genética de cada generación. De esta manera, los mejores rasgos
VENTAJAS
secuencial
menos afectados por los máximos locales (falsas soluciones) que las técnicas
tradicionales.
globales.
DESVENTAJAS
de generaciones, etc.
índole.
10
empíricamente probados para proporcionar una búsqueda robusta en fases complejas. Los
dominio del problema y, por lo tanto, son computacionalmente menos complejos pero
que sólo requieren valores de función objetivo asociados con las cadenas individuales.
Esta característica hace de los AG un método más adecuado que muchos otros esquemas
no involucrando nada más complejo que copiar cadenas e intercambiar cadenas parciales.
1) Reproducción
2) Cruzar
3) Mutación
DGA)
restricciones de precedencia para lograr una alta optimización. Los Algoritmos Genéticos
Paralelos (PGAs) han sido desarrollados para reducir los tiempos de ejecución asociados
a los algoritmos genéticos simples y para encontrar soluciones casi óptimas en grandes
DE GRANO GRUESO)
12
múltiple deme son muy populares, pero también son la clase de AGs paralelas, que son
los AG simples.
población inicial; Otras dos se aplican a la progenie ya sea obtenida por cruce o por
naturaleza, por lo tanto, para evitar colisión en el óptimo local, uno tiene que incluir
funcionamiento:
13
• la fase de iniciación
tuvo una especie al sobrevivir. Se tienen dos métodos para realizar la manipulación de la
incertidumbre:
Se tiene que para cada X, existe una f(x) si la dependencia es directa como en el caso de
tiene un círculo considerado como una unidad y se divide en secciones; por ejemplo entre
………. (1)
Sin embargo:
………… (2)
16
Y además:
…………… (3)
Ejemplo:
3, 3, 2, 2, 5, 5, 6 es decir n=7
2 veces el numero 3
2 veces el numero 2
2 veces el numero 5
1 vez el numero 6
O también
Entonces:
………… (4)
Por lo tanto:
…………. (5)
……………. (6)
Se define un esquema por una cadena formada por la terna de símbolos {0, 1, *).
la cuarta un 0, lo contienen.
……………….. (1)
……………….. (2)
19
Donde f (H) es el valor numérico del mérito del esquema H obtenido como media de los méritos
Sustituyendo 2 en 1
..………….. (3)
Si expresamos:
…………… (4)
…………….. (5)
……………… (6)
Que indica que los individuos con esquemas de mérito superior al valor medio crecen
En un esquema existen dos parámetros que lo definen: el orden del esquema, O (H) que
es el número de dígitos fijos que tienen, y la longitud, δ (H) que es la diferencia entre la
cruce y las subcadenas desde el origen de esta posición se intercambian entre ambos
…………. (7)
Siendo l-1 el número de posibles posiciones de corte que tiene un cromosoma de longitud
.. …………. (8)
…………… (9)
En un esquema el número de bits que hay es O (H), así que la probabilidad de que
…………. (10)
21
Ya que pm << 1, en general del orden de 0.001. Así que la probabilidad de supervivencia
…………. (11)
…………... (12)
inicial:
Tenemos la Expresión del Teorema General de los Algoritmos Genéticos que muestra
que los esquemas de alto valor de mérito, corta longitud y bajo orden, crecen
exponencialmente, mientras que los que no tienen estas características decrecen también
exponencialmente.
22
describen a continuación.
8.1.- CROMOSOMA
cromosoma se le conoce como genotipo. Para diseñar la estructura del cromosoma deben
considerarse todas las variables de las que depende la solución del problema; estas
variables pueden ser discretas o continuas y sus valores deben estar dentro de un intervalo
determinado para cada variable. Se llaman genes a los componentes individuales del
cromosoma; cuando las variables de las que depende el problema son discretas, los genes
pueden ser de tipo entero o binario; cuando estas variables son continuas, los genes son
de tipo real. En la figura se muestra un cromosoma con genes de tipo binario, otro con
8.2.- POBLACIÓN
diversidad de las soluciones; no existe una regla para determinar el tamaño óptimo de la
población, por lo que éste se determina según el criterio del diseñador, tomando en cuenta
la cantidad de genes del cromosoma y el intervalo de valores que éstos pueden adquirir.
24
ocurrencia; esto permite que la población inicial abarque todo el espacio de búsqueda.
incentivar las buenas, de forma que sean estas últimas las que se propaguen con mayor
parejas que van a reproducirse; todos los individuos pueden participar en la formación de
dichas parejas. La selección se realiza al azar y los métodos más comunes son la
individuos mejor adaptados deben tener mayor valor de probabilidad; este valor
…. (1)
modelo que imite a una ruleta que está dividida en porciones que corresponden a
de este método de selección, en ella puede observarse que los individuos mejor
de valores, de acuerdo con su valor de probabilidad, desde cero hasta uno; luego
se genera un valor aleatorio entre cero y uno, el individuo seleccionado será aquel
problema.
método de ruleta.
solución, ya que no existirá mucha diferencia entre los mejores y los peores
individuos.
27
operador nos permite crear individuos nuevos y mejor adaptados, combinando el material
genético de los padres. Existen multitud de algoritmos de cruce. Sin embargo los más
CRUCE DE 1 PUNTO
El cruce en un punto consiste en copiar en el hijo, los valores de los genes del
primer padre hasta un punto de corte y el resto copiarlo del segundo padre; el
cromosoma es dividido en dos partes por el punto de corte, éste puede ser un
CRUCE DE 2 PUNTOS
Se trata de una generalización del cruce de 1 punto. En vez de cortar por un único
punto los cromosomas de los padres, como en el caso anterior, se realizan dos
cortes. Deberá tenerse en cuenta que ninguno de estos puntos de corte coincida
con el extremo de los cromosomas para garantizar que se originen tres segmentos.
CRUCE UNIFORME
Cuando en vez de trabajar con una población temporal se hace con una única
población, sobre la que se realizan las selecciones e inserciones, debe tenerse en cuenta
en la población.
descendencia.
8.4.4.- COPIA
generación.
8.4.5.- ELITISMO
siguiente. De esta manera se garantiza que el proceso d búsqueda nunca dará un paso
atrás en cuanto a la calidad de la mejor solución obtenida, sino que un cambio en ésta
Una variación de este proceso consiste en copiar al mejor o mejores individuo de una
actual.
8.4.6.- MUTACIÓN
son sucesos bastante poco comunes, en algunos casos producen la muerte del organismo,
al problema planteado. Por lo tanto, para cada tipo de problema que se desee resolver
deberá derivarse un nuevo método, al igual que ocurrirá con la propia codificación de los
numérica de la bondad de una solución. Esta medida recibe el nombre de ajuste o fitness.
población genética.
Cuando se tiene la población inicial, se evalúan todos los individuos por medio de la
Los hijos de cada pareja pueden ser obtenidos de la aplicación de uno o varios operadores
cruce, cambiando el orden de los padres, al aplicar el operador, para obtener cada hijo.
operador de cruce; esto permite obtener un nuevo grupo de individuos, con diferentes
mutación, si se aplica el operador mutación a cada uno de los hijos de las parejas.
Cuando se han aplicado los operadores genéticos, los hijos de las parejas pueden sustituir
a la población actual completa o a una parte de ella; también se puede evaluar a los
nuevos individuos con la función de aptitud y que los mejores sean los que sustituyan a
Esta nueva población, formada por hijos de la población anterior y tal vez por los mejores
individuos de esta nueva población son evaluados para determinar si alguno soluciona el
problema, en caso de no existir dicho individuo, se repite todo el proceso anterior sobre la
Está claro, en este sencillo ejemplo que el máximo de la función está en el extremo del
intervalo. Es decir
genético.
directa.
35
4 0100
5 0101
6 0110
7 0111
8 1000
9 1001
10 1010
11 1011
12 1100
13 1101
14 1100
15 1111
Como criterio de diseño, se decide trabajar con una población de tamaño fijo de 4
el aporte respecto del fitness total es del 10.3% tal como se muestra en la tabla
36
GENERACIÓN 0
0.264
0.595
1 2 3 4
sean padres:
x1 0 x2 0 x3 0
37
A continuación, se forman las parejas que procrearán, las cuales quedan conformadas como
sigue:
De la primera pareja
Y tomando un punto de corte generado en forma aleatoria luego del 2do bit los hijos
generados resultan:
Y tomando un punto de cruce luego del 3er bit los hijos que resultan del apareamiento
son:
38
población. La tabla muestra ya una evolución: el valor del fitness promedio ha aumentado
a 107.25.
GENERACIÓN 1
Se van obteniendo, repitiendo estos pasos, las siguientes generaciones; cuyos resultados
se muestran a continuación:
39
GENERACIÓN 2
PADRES HIJOS
ݔଷభ 101|0 1011 ݔଵమ
ݔଶభ 110|1 1100 ݔଶమ
ݔଶభ 11|01 1100 ݔଷమ
ݔସభ 11|00 1101 ݔସమ
GENERACIÓN 2
GENERACIÓN 3
PADRES HIJOS
ݔଵమ 10|01 1111 ݔଵయ
ݔଶమ 10|11 1001 ݔଶయ
ݔଷమ 1|100 1101 ݔଷయ
ݔସమ 1|101 1100 ݔସయ
40
GENERACIÓN 3
CONVERGENCIA DEL AG
16 15
14 13 13
12
12
Mejor individuo
10
8
6
4
2
0
Población
120
107.25
100
80
60.5
60
40
20
01 2 3 4
POBLACIÓN
bits, para la cual los operadores de cruzamiento por puntos de cruce único o múltiple dan
Las restricciones impuestas por los límites mínimo y máximo que puede tomar cada
variable se salvan con el sistema de representación adoptado, tal como se explicó al inicio
y por lo tanto, la descendencia de estos cromosomas generará hijos dentro del rango de
validez.
podrán ser utilizados tal cual se describieron sino que deben adaptarse para
cumplir la propiedad de generar hijos válidos; esto origina a que se tenga recurrir a
CONCLUSIONES
de uno sólo como en otros métodos y mediante los operadores de selección, cruce
explicado de dónde vienen y cómo son los algoritmos genéticos, mostrando con
“In the distant future I see open fields for far more important researches. […]
BIBLIOGRAFÍA