Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALGORITMOS GENÉTICOS Y
REDES NEURALES
ARTIFICIALES
1
Introducción
2
modelados a base de los mecanismos evolutivos de la selección natural, exhiben entre
sus propiedades la capacidad de optimización. Los algoritmos genéticos, junto a las
estrategias evolutivas y la programación evolutiva, constituyen lo que se conoce como
computación evolutiva. A su vez, la computación evolutiva, junto a las redes neurales
y la lógica difusa, componen lo que se conoce como soft computing.
3
el reconocimiento de texto impreso y escrito a mano, el reconocimiento de imágenes,
rostros y formas de caminar (gait), y el desarrollo de motores de inteligencia artificial
para juegos electrónicos que sean capaces de aprender de sus acciones y las del
jugador humano, y reaccionar de forma apropiada.
4
manipular numerosas poblaciones de manera simultánea, y de ésta manera evaluar
múltiples soluciones a un mismo problema. Ésto permite que se analize de forma
simultánea todo el espacio de búsqueda.
Los algoritmos genéticos son un tipo de algoritmo evolutivo. Los algoritmos
evolutivos son algoritmos de búsqueda estocásticos inspirados por los procesos
evolutivos de selección natural. Los principales tipos de algoritmos evolutivos son los
algoritmos genéticos, la programación genética y las estrategias evolutivas. En
los algoritmos evolutivos, los “individuos” compiten e intercambian información para
ejecutar ciertas tareas. Cada método enfatiza una faceta distinta de la evolución natural.
Los algoritmos genéticos se enfocan en las operaciones de mutación y entrecruzado de
cromosomas; las estrategias evolutivas se enfocan en los cambios de comportamiento
a nivel del individuo; y la programación genética enfatiza los cambios de
comportamiento a nivel de la especie.
Los algoritmos genéticos han sido usados exitosamente para resolver problemas
de optimización en campos tales como el diseño de circuitos eléctricos y antenas, el
diseño de estructuras, la optimización de motores, el diseño de órbitas para satélites y
la biomédica.
Fusión de Paradigmas
5
Algoritmos Genéticos para el Diseño de Redes Neurales Combinadas
6
Aplicaciones en la Matemática Teórica
Aplicaciones de Ingeniería
7
Aplicaciones en el Análisis Financiero
Conclusión
Las redes neurales artificiales y los algoritmos genéticos son algunos de los
paradigmas clasificados como sistemas de información basados e n el conocimiento.
8
Las redes neurales se usan para emular la forma en que los organismos biológicos
aprenden. Los algoritmos genéticos emulan los procesos evolutivos de selección
natural para optimizar soluciones. La fusión de éstos paradigmas resulta en sistemas
híbridos que se complementan, exhibiendo las capacidades de sus paradigmas
componentes, a la vez cada uno compensa con sus fortalezas las debilidades de otros.
Por ejemplo, los algoritmos genéticos complementan a las redes neurales, optimizando
su diseño y topología y ayudando a acelerar el proceso de aprendizaje.
Éste tipo de sistemas híbridos, que combinan los algoritmos genéticos con las
redes neurales, se ha usado en el desarrollo de soluciones a problemas en diversos
campos, tales como el diseño de ingeniería (mecánica, eléctrica y estructural), la
matemática, el análisis y forecasting financiero, el diseño óptimo de redes neurales
combinadas, y el desarrollo de juegos electrónicos.
9
Bibliografía
2. Chen, Hsinchun, Machine Learning for Information Retrieval: Neural Networks, Symbolic
Learning, and Genetic Algorithms, Journal of the American Society for Information Science,
Volume 46, Number 3, Pages 194-216, April 1995.
http://ai.bpa.arizona.edu/papers/mlir93/mlir93.html
3. Cho, Sung-Bae, Fusion of Neural Networks with Fuzzy Logic and Genetic Algorithms,
Department of Computer Sciences, Yonsei University, Seoul, South Korea. 2002
http://sclab.yonsei.ac.kr/publications/Papers/ica00128.pdf
4. Darwinian Selection of Satellite Orbits for Military Use , Space.com, October 16, 2001
http://www.space.com/news/darwin_satellites_011016.html
5. Jain, Lakhmi C, and Martin, N.M., Fusion of Neural Networks, Fuzzy Systems and Genetic
Algorithms: Industrial Applications, CRC Press, 1998.
6. Kalyvas, Efstathios, Using Neural Networks and Genetic Algorithms to Predict Stock Market
Returns, Thesis submitted to the University of Manchester for the degree of Master of Science in
Advanced Computer Science, Manchester, UK, October 2001.
8. Kunzle, Phillipe, Vehicle Control with Neural Network, Xtreme Games, Sept 1, 2003.
http://www.gamedev.net/reference/articles/article1988.asp
9. LaMothe, Andre, Neural Netware: And there was light, XTreme Games, July 10, 1999
http://www.gamedev.net/reference/articles/article771.asp
10. O'Reilly, U.M., et al, Genetic Programming Theory and Practice II, Springer Science &
Business Media, Boston MA USA, 2005
10
11. Patch, Kimberly, Algorithm Evolves More Efficient Engine, Technology Research News , July
5, 2000 http://www.trnmag.com/Stories/062800/Genetically_Enhanced_Engine_062800.html
12. Potter, Michael A., and De Jong, Kenneth A., Evolving Neural Networks with Collaborative
Species, In Proceedings of the 1995 Summer Computer Simulation Conference, July 24-26,
Ottawa, Ontario, Canada, pages 340-345. The Society for Computer Simulation. 1995.
http://www.cs.gmu.edu/~mpotter/pubs/scsc95.ps
13. Selecting Better Orbits for Satellite Constellations, SpaceNow.com, Purdue University News
Release, October 18, 2001 http://spaceflightnow.com/news/n0110/18orbits/
14. Spears, William M. and De Jong, Kenneth A., Using Neural Networks and Genetic Algorithms
as Heuristics for NP-Complete Problems. In Proc eedings of the International Joint Conference
on Neural Networks, Washington DC, pages 118-121. 1990
http://www.aic.nrl.navy.mil/~spears/papers/ijcnn90.ps.gz
15. Topping, B.H.V., et al, Parallel Processing, Neural Networks and Genetic Algorithms,
"Advances in Engineering Software", Vol. 29, No. 10, pp. 763-786, Dept. of Mechanical and
Chemical Engineering, Heriot-Watt University, Edimburg, Scotland, UK 1998.
11