Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplo: En la teoría A tenemos un total de 12 horas, a los que se le asigna a cada gen un
profesor, día, hora y curso
TEORÍA A TEORÍA B
B. Población
Tomando en cuenta que para ingeniería existen 6 escuelas, medicina cuenta con 4 escuelas
y educación tiene 5 escuelas profesionales. Durante cada semestre se tiene 5 ciclos
estudiando simultáneamente y un promedio de 6 cursos por cada escuela como población
un total de 300 cromosomas formando la población inicial. Cumpliendo con lo dicho por
[ CITATION Arr10 \l 10250 ] que consideran no tener pocos cromosomas debido a que el
algoritmo será muy pobre, ni que tengan gran cantidad de cromosomas por lo cual se
volvería lento el procesamiento de la solución.
TEORÍA A TEORÍA B
C. Función Fitness:
Debido a las restricciones que tiene la universidad al momento de matricular a los
estudiantes, se tuvo que evaluar a los cromosomas más aptos para que puedan formar parte
de la p1 (nueva población) que son las mencionadas:
Un docente no puede estar en dos clases a la vez.
Los estudiantes no pueden matricularse en grupos de práctica que estén en paralelo
(dictadas al mismo día y hora).
El descanso de medio día no se consideran clases
Con esas condiciones se determina el valor que tiene cada cromosoma para forme parte de
un conjunto de posibles soluciones.
Nos encontramos con un problema de optimización de minimización, considerando que por
cada condición que no se cumplido el valor del cromosoma disminuye, así que el valor
deseado es 0 para el valor cada cromosoma
D. Selección
Según [CITATION Her17 \l 10250 ] el muestreo universal estocástico, el cual utiliza el
giro de la ruleta siendo los sectores circulares proporcionales a la función objetivo. En
nuestro caso, la optimización es de minimización así que sería inversamente proporcional.
Se opta una selección ruleta ubicando a los cromosomas cuyo valor sean 0 o se acerquen,
su área en la ruleta se mayor y una menor área para los cromosomas con mayor valor,
girando n veces para poder generar p2 (nueva población).
GRANADOS MOORE BENJAMIN ANGEL 0201714015
E. Cruce
Según los resultados del giro de la ruleta, tomaremos a 2 cromosomas de manera aleatorias
aplicando el “cruce monopunto” seleccionamos un punto al azar para que la información
genética se intercambien, este proceso no va a parar hasta que todos los cromosomas se
hayan cruzado.
El objetivo de este cruce es mejorar la información que tiene cada gen, mejorando las
posibilidades que tenemos en encontrar la solución óptima a nuestro problema. Como
podemos ver en la figura, el punto de corte hace que la información de cada padre se
intercambie y los hijos adoptan esos genes.
F. Mutación
Como es los genes tiene de tipo de variable reales, la mutación se hará de manera aleatoria
a los genes del individuo seleccionado. Esa mutación puede ser perjudicial debido a que
toma en cuenta el factor suerte, generando nuevos individuos a la población para obtener
una solución óptima.
III. Objetivo del algoritmo
La función principal de este algoritmo fue buscar una solución óptima y automatizada para
los problemas que presentan la Universidad Nacional del Santa al momento de generar los
horarios para cientos de alumnos, evitando así problemas y molestias que se viene dando en
los últimos años
GRANADOS MOORE BENJAMIN ANGEL 0201714015
IV. Importancia
Los algoritmos evolutivos son utilizados en problemas de búsquedas extensos para una
persona es difícil considerar tantas variables, aunque la universidad cuenta con un área
especialidad en generar horarios, eso no evita en su totalidad los problemas que se puedan
generar, es por ello que la automatización a través de un algoritmo evolutivo que busca
disminuir hasta un punto que sea óptimo los horarios que tomaran los estudiantes. Los
algoritmos evolutivos a su vez, ahorran mucho tiempo haciendo más eficiente una correcta
elaboración de horarios, debido a que si se hace manualmente llevaría días con solo
considerar la cantidad de cursos que la universidad brinda, lo cual hace conveniente un
programa que de la mejor solución en un tiempo menor.
V. Referencias
Arranz de la Peña, J., & Parra Truyol, A. (2010). ALGORITMOS GENÉTICOS. Madrid:
Universidad Carlos III.
Baker, K. (1974). Introduction to Sequencing and Scheduling. New York: John Wiley &
Sons.
Bies, R. R., Muldoon, M. F., Pollock, B. G., Manuck, S., Smith, G., & Sale, M. E. (2006).
The Genetic Algorithm-Based, Hybrid Machine Learning Approach to Model
Selection. Netherlands: Springer.
GRANADOS MOORE BENJAMIN ANGEL 0201714015