Algoritmos genéticos y computación evolutiva

Adam Marczyk
2004
Resumen:
Los creacionistas afirman a menudo que el proceso evolutivo no puede crear
información nueva, o que la evolución no posee beneficios prácticos. Este artículo refuta
esas afirmaciones describiendo el crecimiento explosivo y las extensas aplicaciones de los
algoritmos genéticos, una técnica de computación basada en los principios de la evolución
biológica.
Introducción
De vez en cuando, los creacionistas acusan a la evolución de que carece de utilidad
como teoría científica porque no produce beneficios prácticos y no tiene relevancia en la
vida diaria. Sin embargo, tan sólo la evidencia de la biología demuestra que esta
afirmación es falsa. Hay numerosos fenómenos naturales para los que la evolución nos
ofrece un sólido fundamento teórico. Por nombrar uno, el desarrollo observado de la
resistencia -a los insecticidas en las plagas de cultivos, a los antibióticos en las bacterias, a
la quimioterapia en las células cancerosas, y a los fármacos antiretrovirales en virus como
el VIH- es una consecuencia abierta de las leyes de la mutación y la selección, y
comprender estos principios nos ha ayudado a desarrollar estrategias para enfrentarnos a
estos nocivos organismos. El postulado evolutivo de la descendencia común ha ayudado
al desarrollo de nuevos medicamentos y técnicas, al proporcionar a los investigadores una
buena idea de con qué organismos deben experimentar para obtener resultados que
probablemente serán relevantes para los seres humanos. Finalmente, el hombre ha
utilizado con grandes resultados el principio de cría selectiva para crear organismos
personalizados, distintos a cualquiera que se pueda encontrar en la naturaleza, para
beneficio propio. El ejemplo canónico, por supuesto, es la diversidad de variedades de
perros domésticos (razas tan diversas como los bulldogs, chihuahuas y dachshunds han
sido producidas a partir de lobos en sólo unos pocos miles de años), pero ejemplos menos
conocidos incluyen al maíz cultivado (muy diferente de sus parientes salvajes, que carecen
de las familiares ``orejas'' del maíz cultivado), a los peces de colores (como los perros,
hemos criado variedades cuyo aspecto es drásticamente distinto al del tipo salvaje), y a las
vacas lecheras (con ubres inmensas, mucho mayores que las necesarias para alimentar a
una cría).
Los críticos pueden argumentar que los creacionistas pueden explicar estas cosas
sin recurrir a la evolución. Por ejemplo, a menudo los creacionistas explican el desarrollo
de la resistencia a los agentes antibióticos en las bacterias, o los cambios forjados en los
animales domésticos por selección artificial, asumiendo que Dios decidió crear a los
organismos en grupos fijos, llamados ``tipos'' o baramins. Aunque la microevolución
natural o la selección artificial dirigida por humanos pueden producir diferentes variedades
dentro de los ``tipo-perro'', ``tipo-vaca'' o ``tipo-bacteria'' (!) creados originalmente, ninguna
cantidad de tiempo o cambio genético puede transformar un ``tipo'' en otro. Sin embargo,
nunca se explica cómo determinan los creacionistas lo que es un ``tipo'', o qué mecanismo
impide a los seres vivos evolucionar más allá de sus límites.
Pero en las últimas décadas, el continuo avance de la tecnología moderna ha
producido algo nuevo. Ahora la evolución está produciendo beneficios prácticos en un
campo muy distinto y, esta vez, los creacionistas no pueden afirmar que su explicación se
adapte a los hechos igual de bien. Este campo es la informática, y los beneficios provienen
de una estrategia de programación llamada algoritmos genéticos. Este ensayo explicará
qué son los algoritmos genéticos y mostrará de qué manera son relevantes en el debate
evolución/creacionismo.
¿Qué es un algoritmo genético?
Expuesto concisamente, un algoritmo genético (o AG para abreviar) es una técnica
de programación que imita a la evolución biológica como estrategia para resolver
problemas. Dado un problema específico a resolver, la entrada del AG es un conjunto de
soluciones potenciales a ese problema, codificadas de alguna manera, y una métrica
llamada función de aptitud que permite evaluar cuantitativamente a cada candidata. Estas
candidatas pueden ser soluciones que ya se sabe que funcionan, con el objetivo de que el
AG las mejore, pero se suelen generar aleatoriamente.
Luego el AG evalúa cada candidata de acuerdo con la función de aptitud. En un
acervo de candidatas generadas aleatoriamente, por supuesto, la mayoría no funcionarán
en absoluto, y serán eliminadas. Sin embargo, por puro azar, unas pocas pueden ser
prometedoras -pueden mostrar actividad, aunque sólo sea actividad débil e imperfecta,
hacia la solución del problema.
Estas candidatas prometedoras se conservan y se les permite reproducirse. Se
realizan múltiples copias de ellas, pero las copias no son perfectas; se introducen cambios
aleatorios durante el proceso de copia. Luego, esta descendencia digital prosigue con la
siguiente generación, formando un nuevo acervo de soluciones candidatas, y son
sometidas a una ronda de evaluación de aptitud. Las candidatas que han empeorado o no
han mejorado con los cambios en su código son eliminadas de nuevo; pero, de nuevo, por
puro azar, las variaciones aleatorias introducidas en la población pueden haber mejorado a
algunos individuos, convirtiéndolos en mejores soluciones del problema, más completas o
más eficientes. De nuevo, se selecionan y copian estos individuos vencedores hacia la
siguiente generación con cambios aleatorios, y el proceso se repite. Las expectativas son
que la aptitud media de la población se incrementará en cada ronda y, por tanto, repitiendo
este proceso cientos o miles de rondas, pueden descubrirse soluciones muy buenas del
problema.
Aunque a algunos les puede parecer asombroso y antiintuitivo, los algoritmos
genéticos han demostrado ser una estrategia enormemente poderosa y exitosa para
resolver problemas, demostrando de manera espectacular el poder de los principios
evolutivos. Se han utilizado algoritmos genéticos en una amplia variedad de campos para
desarrollar soluciones a problemas tan difíciles o más difíciles que los abordados por los
diseñadores humanos. Además, las soluciones que consiguen son a menudo más
eficientes, más elegantes o más complejas que nada que un ingeniero humano produciría.
¡En algunos casos, los algoritmos genéticos han producido soluciones que dejan perplejos
a los programadores que escribieron los algoritmos en primera instancia!
Métodos de representación
Antes de que un algoritmo genético pueda ponerse a trabajar en un problema, se
necesita un método para codificar las soluciones potenciales del problema de forma que
una computadora pueda procesarlas. Un enfoque común es codificar las soluciones como
cadenas binarias: secuencias de 1s y 0s, donde el dígito de cada posición representa el
valor de algún aspecto de la solución. Otro método similar consiste en codificar las
soluciones como cadenas de enteros o números decimales, donde cada posición, de
nuevo, representa algún aspecto particular de la solución. Este método permite una mayor
precisión y complejidad que el método comparativamente restringido de utilizar sólo
números binarios, y a menudo ``está intuitivamente más cerca del espacio de problemas''
(Fleming y Purshouse 2002[3], p 1.228).
 Esta técnica se utilizó, por ejemplo, en el trabajo de Steffen Schulze-Kremer, que
escribió un algoritmo genético para predecir la estructura tridimensional de una proteína,
basándose en la secuencia de aminoácidos que la componen (Mitchell 1996[47], p. 62). El
AG de Schulze-Kremer utilizaba números reales para representar los famosos ``ángulos
de torsión'' entre los enlaces peptídicos que conectan a los aminoácidos. (Una proteína
está formada por una secuencia de bloques básicos llamados aminoácidos, que se
conectan como los eslabones de una cadena. Una vez que todos los aminoácidos están
enlazados, la proteína se dobla formando una compleja estructura tridimensional, basada
en cuáles aminoácidos se atraen entre ellos y cuáles se repelen. La forma de una proteína
determina su función). Los algoritmos genéticos para entrenar a las redes neuronales
también utilizan a menudo este método de codificación.
Un tercer método consiste en representar a los individuos de un AG como cadenas
de letras, donde cada letra, de nuevo, representa un aspecto específico de la solución. Un
ejemplo de esta técnica es el método basado en ``codificación gramática'' de Hiroaki
Kitano, en el que a un AG se le encargó la tarea de evolucionar un sencillo conjunto de
reglas llamadas gramática libre de contexto, que a su vez se utilizaban para generar redes
neuronales para una variedad de problemas (Mitchell 1996[47], p. 74).
La virtud de estos tres métodos es que facilitan la definición de operadores que
causen los cambios aleatorios en las candidatas seleccionadas: cambiar un 0 por un 1 o
viceversa, sumar o restar al valor de un número una cantidad elegida al azar, o cambiar
una letra por otra. (Ver la sección sobre los métodos de cambio para más detalles acerca
de los operadores genéticos). Otra estrategia, desarrollada principalmente por John Koza,
de la Universidad de Stanford, y denominada programación genética, representa a los
programas como estructuras de datos ramificadas llamadas árboles (Koza et al. 2003[42],
p. 35). En este método, los cambios aleatorios pueden generarse cambiado el operador o alterando el
valor de un cierto nodo del árbol, o sustituyendo un subárbol por otro.

Figure: Tres sencillos árboles de programa del tipo utilizado normalmente

en la programación genética. Debajo se proporciona la expresión matemática
que representa cada uno.
Es importante señalar que los algoritmos evolutivos no necesitan representar las
soluciones candidatas como cadenas de datos de una longitud fija. Algunos las
representan de esta manera, pero otros no; por ejemplo, la ``codificación gramatical'' de
Kitano, explicada arriba, puede escalarse eficientemente para crear redes neuronales
grandes y complejas, y los árboles de programación genética de Koza pueden crecer
arbitrariamente tanto como sea necesario para resolver cualquier problema que se les
pida.
Métodos de selección
Un algoritmo genético puede utilizar muchas técnicas diferentes para seleccionar a
los individuos que deben copiarse hacia la siguiente generación, pero abajo se listan
algunos de los más comunes. Algunos de estos métodos son mutuamente exclusivos, pero
otros pueden utilizarse en combinación, algo que se hace a menudo.
  Selección elitista: se garantiza la selección de los miembros más aptos de cada
generación. (La mayoría de los AGs no utilizan elitismo puro, sino que usan una forma
modificada por la que el individuo mejor, o algunos de los mejores, son copiados hacia la
siguiente generación en caso de que no surja nada mejor).
 Selección proporcional a la aptitud: los individuos más aptos tienen más
probabilidad de ser seleccionados, pero no la certeza.
 Selección por rueda de ruleta: una forma de selección proporcional a la aptitud en
la que la probabilidad de que un individuo sea seleccionado es proporcional a la diferencia
entre su aptitud y la de sus competidores. (Conceptualmente, esto puede representarse
como un juego de ruleta -cada individuo obtiene una sección de la ruleta, pero los más
aptos obtienen secciones mayores que las de los menos aptos. Luego la ruleta se hace
girar, y en cada vez se elige al individuo que ``posea'' la sección en la que se pare la
ruleta).
 Selección escalada: al incrementarse la aptitud media de la población, la fuerza de
la presión selectiva también aumenta y la función de aptitud se hace más discriminadora.
Este método puede ser útil para seleccionar más tarde, cuando todos los individuos tengan
una aptitud relativamente alta y sólo les distingan pequeñas diferencias en la aptitud.
 Selección por torneo: se eligen subgrupos de individuos de la población, y los
miembros de cada subgrupo compiten entre ellos. Sólo se elige a un individuo de cada
subgrupo para la reproducción.
 Selección por rango: a cada individuo de la población se le asigna un rango
numérico basado en su aptitud, y la selección se basa en este ranking, en lugar de las
diferencias absolutas en aptitud. La ventaja de este método es que puede evitar que
individuos muy aptos ganen dominancia al principio a expensas de los menos aptos, lo que
reduciría la diversidad genética de la población y podría obstaculizar la búsqueda de una
solución aceptable.
 Selección generacional: la descendencia de los individuos seleccionados en cada
generación se convierte en toda la siguiente generación. No se conservan individuos entre
las generaciones.
 Selección por estado estacionario: la descendencia de los individuos
seleccionados en cada generación vuelven al acervo genético preexistente, reemplazando
a algunos de los miembros menos aptos de la siguiente generación. Se conservan algunos
individuos entre generaciones.
 Selección jerárquica: los individuos atraviesan múltiples rondas de selección en
cada generación. Las evaluaciones de los primeros niveles son más rápidas y menos
discriminatorias, mientras que los que sobreviven hasta niveles más altos son evaluados
más rigurosamente. La ventaja de este método es que reduce el tiempo total de cálculo al
utilizar una evaluación más rápida y menos selectiva para eliminar a la mayoría de los
individuos que se muestran poco o nada prometedores, y sometiendo a una evaluación de
aptitud más rigurosa y computacionalmente más costosa sólo a los que sobreviven a esta
prueba inicial.

Métodos de cambio
Una vez que la selección ha elegido a los individuos aptos, éstos deben ser
alterados aleatoriamente con la esperanza de mejorar su aptitud para la siguiente
generación. Existen dos estrategias básicas para llevar esto a cabo. La primera y más
sencilla se llama mutación. Al igual que una mutación en los seres vivos cambia un gen
por otro, una mutación en un algoritmo genético también causa pequeñas alteraciones en
puntos concretos del código de un idividuo.
 El segundo método se llama cruzamiento, e implica elegir a dos individuos para que
intercambien segmentos de su código, produciendo una ``descendencia'' artificial cuyos
individuos son combinaciones de sus padres. Este proceso pretende simular el proceso
análogo de la recombinación que se da en los cromosomas durante la reproducción
sexual. Las formas comunes de cruzamiento incluyen al cruzamiento de un punto, en el
que se establece un punto de intercambio en un lugar aleatorio del genoma de los dos
individuos, y uno de los individuos contribuye todo su código anterior a ese punto y el otro
individuo contribuye todo su código a partir de ese punto para producir una descendencia,
y al cruzamiento uniforme, en el que el valor de una posición dada en el genoma de la
descendencia corresponde al valor en esa posición del genoma de uno de los padres o al
valor en esa posición del genoma del otro padre, elegido con un 50% de probabilidad.

Figure: Cruzamiento y mutación. El diagrama de arriba ilustra el efecto de estos

dos operadores genéticos en los individuos de una población de cadenas de 8 bits. El
diagrama superior muestra a dos individuos llevando a cabo un cruzamiento de un punto;
el punto de intercambio se establece entre las posiciones quinta y sexta del genoma,
produciendo un nuevo individuo que es híbrido de sus progenitores. El segundo diagrama
muestra a un individuo sufriendo una mutación en la posición 4, cambiando el 0 de esa
posición de su genoma por un 1.
Otras técnicas de resolución de problemas
Con el auge de la informática de inteligencia artificial y el desarrollo de los métodos
heurísticos, han emergido otras técnicas de resolución computerizada de problemas que
en algunos aspectos son similares a los algoritmos genéticos. Esta sección explica
algunas de estas técnicas, en qué se parecen a los AGs y en qué se diferencian.

Redes neuronales
Una red neuronal es un método de resolución de problemas basado en un modelo
informático de la manera en que están conectadas las neuronas del cerebro. Una red
neuronal consiste en capas de unidades procesadoras, llamadas nodos, unidas por
conexiones direccionales: una capa de entrada, una capa de salida y cero o más capas
ocultas enmedio. Se le presenta un patrón inicial de entrada a la capa de entrada, y luego
los nodos que se estimulan transmiten una señal a los nodos de la siguiente capa a la que
están conectados. Si la suma de todas las entradas que entran en una de estas neuronas
virtuales es mayor que el famoso umbral de activación de la neurona, esa neurona se
activa, y transmite su propia señal a las neuronas de la siguiente capa. El patrón de
activación, por tanto, se propaga hacia delante hasta que alcanza a la capa de salida,
donde es devuelto como solución a la entrada presentada. Al igual que en el sistema
nervioso de los organismos biológicos, las redes neuronales aprenden y afinan su
rendimiento a lo largo del tiempo, mediante la repetición de rondas en las que se ajustan
sus umbrales, hasta que la salida real coincide con la salida deseada para cualquier
entrada dada. Este proceso puede ser supervisado por un experimentador humano, o
puede correr automáticamente utilizando un algoritmo de aprendizaje (Mitchell 1996[47], p.
52). Se han utilizado algoritmos genéticos para construir y entrenar a redes neuronales.

Figure: Una sencilla red neuronal anticipativa

(feedforward), con una capa consistente en cuatro
neuronas, una capa oculta consistente en tres neuronas y
una capa de salida consistente en cuatro neuronas. El
número de cada neurona representa su umbral de
activación: sólo se excitará si recibe al menos esa cantidad
de entradas. El diagrama muestra cómo la red neuronal
recibe una cadena de entrada y cómo la activación se
extiende por la red hasta producir una salida.
Ascenso a colina (Hill Climbing)
Similares a los algoritmos genéticos, aunque más sistemáticos y menos aleatorios.
Un algoritmo de ascenso a colina comienza con una solución al problema a mano,
normalmente elegida al azar. Luego, la cadena se muta, y si la mutación proporciona una
solución con mayor aptitud que la solución anterior, se conserva la nueva solución; en
caso contrario, se conserva la solución actual. Luego el algoritmo se repite hasta que no se
pueda encontrar una mutación que provoque un incremento en la aptitud de la solución
actual, y esta solución se devuelve como resultado (Koza et al. 2003[42], p. 59). (Para
entender de dónde viene el nombre de esta técnica, imagine que el espacio de todas las
soluciones posibles de un cierto problema se representa como un paisaje tridimensional.
Un conjunto de coordenadas en ese paisaje representa una solución particular. Las
soluciones mejores están a mayor altitud, formando colinas y picos; las que son peores
están a menor altitud, formando valles. Un ``trepacolinas'' es, por tanto, un algoritmo que
comienza en un punto dado del paisaje y se mueve inexorablemente colina arriba). El
algoritmo de ascenso a colina es lo que se conoce como algoritmo voraz, lo que significa
que siempre hace la mejor elección disponible en cada paso, con la esperanza de que de
esta manera se puede obtener el mejor resultado global. En contraste, los métodos como
los algoritmos genéticos y el recocido simulado, discutido abajo, no son voraces; a veces,
estos métodos hacen elecciones menos óptimas al principio con la esperanza de que
conducirán hacia una solución mejor más adelante.
Recocido simulado (simulated annealing)
Otra técnica de optimización similar a los algoritmos evolutivos se conoce como
recocido simulado. La idea toma prestado su nombre del proceso industrial en el que un
material se calienta por encima de su punto de fusión y luego se enfría gradualmente para
eliminar defectos en su estructura cristalina, produciendo un entramado de átomos más
estable y regular (Haupt y Haupt 1998[34], p. 16). En el recocido simulado, como en los
algoritmos genéticos, existe una función de aptitud que define un paisaje adaptativo; sin
embargo, en lugar de una población de candidatas como en los AGs, sólo existe una
solución candidata. El recocido simulado también añade el concepto de ``temperatura'',
una cantidad numérica global que disminuye gradualmente en el tiempo. En cada paso del
algoritmo, la solución muta (lo que es equivalente a moverse hacia un punto adyacente en
el paisaje adaptativo). Luego, la aptitud de la nueva solución se compara con la aptitud de
la solución anterior; si es mayor, se conserva la nueva solución. En caso contrario, el
algoritmo toma la decisión de conservarla o descartarla en base a la temperatura. Si la
temperatura es alta, como lo es al principio, pueden conservarse incluso cambios que
causan decrementos significativos en la aptitud, y utilizarse como base para la siguiente
ronda del algoritmo, pero al ir disminuyendo la temperatura, el algoritmo se va haciendo
más y más propenso a aceptar sólo los cambios que aumentan la aptitud. Finalmente, la
temperatura alzanca el cero y el sistema se ``congela''; cualquiera que sea la configuración
que exista en ese punto se convierte en la solución. El recocido simulado tiene a menudo
aplicaciones en la ingeniería del diseño, como determinar la disposición física de los
componentes en un chip informático (Kirkpatrick, Gelatt y Vecchi 1983[40]).
Una breve historia de los AGs
Los primeros ejemplos de lo que hoy podríamos llamar algoritmos genéticos
aparecieron a finales de los 50 y principios de los 60, programados en computadoras por
biólogos evolutivos que buscaban explícitamente realizar modelos de aspectos de la
evolución natural. A ninguno de ellos se le ocurrió que esta estrategia podría aplicarse de
manera más general a los problemas artificiales, pero ese reconocimiento no tardaría en
llegar: ``La computación evolutiva estaba definitivamente en el aire en los días formativos
de la computadora electrónica'' (Mitchell 1996[47], p.2). En 1962, investigadores como
G.E.P. Box, G.J. Friedman, W.W. Bledsoe y H.J. Bremermann habían desarrollado
independientemente algoritmos inspirados en la evolución para optimización de funciones
y aprendizaje automático, pero sus trabajos generaron poca reacción. En 1965 surgió un
desarrollo más exitoso, cuando Ingo Rechenberg, entonces de la Universidad Técnica de
Berlín, introdujo una técnica que llamó estrategia evolutiva, aunque se parecía más a los
trepacolinas que a los algoritmos genéticos. En esta técnica no había población ni
cruzamiento; un padre mutaba para producir un descendiente, y se conservaba el mejor de
los dos, convirtiéndose en el padre de la siguiente ronda de mutación (Haupt y Haupt
1998[34], p.146). Versiones posteriores introdujeron la idea de población. Las estrategias
evolutivas todavía se emplean hoy en día por ingenieros y científicos, sobre todo en
Alemania.
El siguiente desarrollo importante en el campo vino en 1966, cuando L.J. Fogel, A.J.
Owens y M.J. Walsh introdujeron en América una técnica que llamaron programación
evolutiva. En este método, las soluciones candidatas para los problemas se representaban
como máquinas de estado finito sencillas; al igual que en la estrategia evolutiva de
Rechenberg, su algoritmo funcionaba mutando aleatoriamente una de estas máquinas
simuladas y conservando la mejor de las dos (Mitchell 1996[47], p.2; Goldberg 1989[29],
p.105). También al igual que las estrategias evolutivas, hoy en día existe una formulación
más amplia de la técnica de programación evolutiva que todavía es un área de
investigación en curso. Sin embargo, lo que todavía faltaba en estas dos metodologías era
el reconocimiento de la importancia del cruzamiento.
En una fecha tan temprana como 1962, el trabajo de John Holland sobre sistemas
adaptativos estableció las bases para desarrollos posteriores; y lo que es más importante,
Holland fue también el primero en proponer explícitamente el cruzamiento y otros
operadores de recombinación. Sin embargo, el trabajo fundamental en el campo de los
algoritmos genéticos apareció en 1975, con la publicación del libro ``Adaptación en
Sistemas Naturales y Artificiales''. Basado en investigaciones y papers anteriores del
propio Holland y de colegas de la Universidad de Michigan, este libro fue el primero en
presentar sistemática y rigurosamente el concepto de sistemas digitales adaptativos
utilizando la mutación, la selección y el cruzamiento, simulando el proceso de la evolución
biológica como estrategia para resolver problemas. El libro también intentó colocar los
algoritmos genéticos sobre una base teórica firme introduciendo el concepto de esquema
(Mitchell 1996[47], p.3; Haupt y Haupt 1998[34], p.147). Ese mismo año, la importante tesis
de Kenneth De Jong estableció el potencial de los AGs demostrando que podían
desenvolverse bien en una gran variedad de funciones de prueba, incluyendo paisajes de
búsqueda ruidosos, discontinuos y multimodales (Goldberg 1989[29], p.107).
Estos trabajos fundacionales establecieron un interés más generalizado en la
computación evolutiva. Entre principios y mediados de los 80, los algoritmos genéticos se
estaban aplicando en una amplia variedad de áreas, desde problemas matemáticos
abstractos como el ``problema de la mochila'' (bin-packing) y la coloración de grafos hasta
asuntos tangibles de ingeniería como el control de flujo en una línea de ensamble,
reconocimiento y clasificación de patrones y optimización estructural (Goldberg 1989[29],
p.128).
Al principio, estas aplicaciones eran principalmente teóricas. Sin embargo, al seguir
proliferando la investigación, los algoritmos genéticos migraron hacia el sector comercial,
al cobrar importancia con el crecimiento exponencial de la potencia de computación y el
desarrollo de Internet. Hoy en día, la computación evolutiva es un campo floreciente, y los
algoritmos genéticos están ``resolviendo problemas de interés cotidiano'' (Haupt y Haupt
1998[34], p.147) en áreas de estudio tan diversas como la predicción en la bolsa y la
planificación de la cartera de valores, ingeniería aeroespacial, diseño de microchips,
bioquímica y biología molecular, y diseño de horarios en aeropuertos y líneas de montaje.
La potencia de la evolución ha tocado virtualmente cualquier campo que uno pueda
nombrar, modelando invisiblemente el mundo que nos rodea de incontables maneras, y
siguen descubriéndose nuevos usos mientras la investigación sigue su curso. Y en el
corazón de todo esto se halla nada más que la simple y poderosa idea de Charles Darwin:
que el azar en la variación, junto con la ley de la selección, es una técnica de resolución de
problemas de inmenso poder y de aplicación casi ilimitada.
¿Cuáles son las ventajas de los AGs?
 El primer y más importante punto es que los algoritmos genéticos son
intrínsecamente paralelos. La mayoría de los otros algoritmos son en serie y sólo 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, ya que los AGs tienen
descendencia múltiple, pueden explorar el espacio de soluciones en múltiples direcciones
a la vez. Si un camino resulta ser un callejón sin salida, pueden eliminarlo fácilmente y
continuar el tabajo en avenidas más prometedoras, dándoles una mayor probabilidad en
cada ejecución de encontrar la solución.

Sin embargo, la ventaja del paralelismo va más allá de esto. Considere lo siguiente: todas
las cadenas binarias (cadenas de ceros y unos) de 8 dígitos forman un espacio de
búsqueda, que puede representarse como ******** (donde * significa ``o 0 o 1''). La cadena
01101010 es un miembro de este espacio. Sin embargo, también es un miembro del
espacio 0*******, del espacio 01******, del espacio 0******0, del espacio 0*1*1*1*, del
espacio 10*01**0, etcétera. Evaluando la aptitud de esta cadena particular, un algoritmo
genético estaría sondeando cada uno de los espacios a los que pertenece. Tras muchas
evaluaciones, iría obteniendo un valor cada vez más preciso de la aptitud media de cada
uno de estos espacios, cada uno de los cuales contiene muchos miembros. Por tanto, un
AG que evalúe explícitamente un número pequeño de individuos está evaluando
implícitamente un grupo de individuos mucho más grande -de la misma manera que un
encuestador que le hace preguntas a un cierto miembro de un grupo étnico, religioso o
social espera aprender algo acerca de las opiniones de todos los miembros de ese grupo,
y por tanto puede predecir con fiabilidad la opinión nacional sondeando sólo un pequeño
porcentaje de la población. De la misma manera, el AG puede dirigirse hacia el espacio
con los individuos más aptos y encontrar el mejor de ese grupo. En el contexto de los
algoritmos evolutivos, esto se conoce como teorema del esquema, y es la ventaja principal
de los AGs sobre otros métodos de resolución de problemas (Holland 1992[36], p. 68;
Mitchell 1996[47], p. 28-29; Goldberg 1989[29], p. 20).
 Debido al paralelismo que les permite evaluar implícitamente muchos esquemas a
la vez, los algoritmos genéticos funcionan particularmente bien resolviendo problemas
cuyo espacio de soluciones potenciales es realmente grande -demasiado vasto para hacer
una búsqueda exhaustiva en un tiempo razonable. La mayoría de los problemas que caen
en esta categoría se conocen como ``no lineales''. En un problema lineal, la aptitud de
cada componente es independiente, por lo que cualquier mejora en alguna parte dará
como resultado una mejora en el sistema completo. No es necesario decir que hay pocos
problemas como éste en la vida real. La no linealidad es la norma, donde cambiar un
componente puede tener efectos en cadena en todo el sistema, y donde cambios múltiples
que, individualmente, son perjudiciales, en combinación pueden conducir hacia mejoras en
la aptitud mucho mayores. La no linealidad produce una explosión combinatoria: el espacio
de cadenas binarias de 1.000 dígitos puede examinarse exhaustivamente evaluando sólo
2.000 posibilidades si el problema es lineal, mientras que si no es lineal, una búsqueda
exhaustiva requiere evaluar 21.000 posibilidades -un número que, escrito, ocuparía más
de 300 dígitos.

Afortunadamente, el paralelismo implícito de los AGs les permite superar incluso este
enorme número de posibilidades, y encontrar con éxito resultados óptimos o muy buenos
en un corto periodo de tiempo, tras muestrear directamente sólo regiones pequeñas del
vasto paisaje adaptativo (Forrest 1993[24], p. 877). Por ejemplo, un algoritmo genético
desarrollado en común por ingenieros de General Electric y el Rensselaer Polytechnic
Institute produjo el diseño de la turbina de un motor a reacción de altas prestaciones que
era tres veces mejor que la configuración diseñada por humanos, y un 50% mejor que una
configuración diseñada por un sistema experto que recorrió con éxito un espacio de
soluciones que contenía más de 10.387 posibilidades. Los métodos convencionales para
diseñar estas turbinas son una parte fundamental de proyectos de ingeniería que pueden
durar hasta cinco años y costar más de 2.000 millones de dólares; el algoritmo genético
descubrió esta solución en dos días, en una estación de trabajo de escritorio típica en
ingeniería (Holland 1992[36], p. 72).
 Otra ventaja notable de los algoritmos genéticos es que se desenvuelven bien en
problemas con un paisaje adaptativo complejo -aquéllos en los que la función de aptitud es
discontinua, ruidosa, cambia con el tiempo, o tiene muchos óptimos locales. La mayoría de
los problemas prácticos tienen un espacio de soluciones enorme, imposible de explorar
exhaustivamente; el reto se convierte entonces en cómo evitar los óptimos locales
-soluciones que son mejores que todas las que son similares a ella, pero que no son
mejores que otras soluciones distintas situadas en algún otro lugar del espacio de
soluciones. Muchos algoritmos de búsqueda pueden quedar atrapados en los óptimos
locales: si llegan a lo alto de una colina del paisaje adaptativo, descubrirán que no existen
soluciones mejores en las cercanías y concluirán que han alcanzado la mejor de todas,
aunque existan picos más altos en algún otro lugar del mapa.

Los algoritmos evolutivos, por otro lado, han demostrado su efectividad al escapar de los
óptimos locales y descubrir el óptimo global incluso en paisajes adaptativos muy
escabrosos y complejos. (Debe decirse que, en la realidad, a menudo no hay manera de
decir si una cierta solución a un problema es el óptimo global o sólo un óptimo local muy
alto. Sin embargo, aunque un AG no devuelva siempre una solución perfecta y
demostrable a un problema, casi siempre puede devolver al menos una muy buena
solución). Todos los cuatro componentes principales de los AGs -paralelismo, selección,
mutación y cruzamiento- trabajan juntos para conseguir esto. Al principio, el AG genera
una población inicial diversa, lanzando una ``red'' sobre el paisaje adaptativo. (Koza
2003[42], p. 506) compara esto con un ejército de paracaidistas cayendo sobre el paisaje
del espacio de búsqueda de un problema, cada uno de ellos con órdenes de buscar el pico
más alto). Pequeñas mutaciones permiten a cada individuo explorar sus proximidades,
mientras que la selección enfoca el progreso, guiando a la descendencia del algoritmo
cuesta arriba hacia zonas más prometedoras del espacio de soluciones (Holland 1992[36],
p. 68).

Sin embargo, el cruzamiento es el elemento clave que distingue a los algoritmos genéticos
de los otros métodos como los trepacolinas y el recocido simulado. Sin el cruzamiento,
cada solución individual va por su cuenta, explorando el espacio de búsqueda en sus
inmediaciones sin referencia de lo que el resto de individuos puedan haber descubierto.
Sin embargo, con el cruzamiento en juego, hay una transferencia de información entre los
candidatos prósperos -los individuos pueden beneficiarse de lo que otros han aprendido, y
los esquemas pueden mezclarse y combinarse, con el potencial de producir una
descendencia que tenga las virtudes de sus dos padres y ninguna de sus debilidades. Este
punto está ilustrado en Koza et al. 1999[41], p. 486, donde los autores analizan el
problema de sintetizar un filtro de paso bajo utilizando programación genética. En una
generación se seleccionaron dos circuitos progenitores para llevar a cabo el cruzamiento;
un padre tenía una buena topología (componentes como inductores y condensadores
colocados en el sitio correcto) pero malos tamaños (valores demasiado bajos de
inductancia y capacidad para los componentes). El otro padre tenía mala topología pero
buenos tamaños. El resultado de aparearlos mediante cruzamiento fue una descendencia
con la buena topología de un padre y los buenos tamaños del otro, dando como resultado
una mejora sustancial de la aptitud sobre sus dos padres.

El problema de encontrar el óptimo global en un espacio con muchos óptimos locales

también se conoce como el dilema de la exploración versus explotación, ``un problema
clásico de todos los sistemas que pueden adaptarse y aprender'' (Holland 1992[36], p. 69).
Una vez que un algoritmo (o un diseñador humano) ha encontrado una estrategia para
resolver problemas que parece funcionar satisfactoriamente, ¿debería centrarse en hacer
el mejor uso de esa estrategia, o buscar otras? Abandonar una estrategia de probada
solvencia para buscar otras nuevas casi garantiza que supondrá una pérdida y
degradación del rendimiento, al menos a corto plazo. Pero si uno se queda con una
estrategia particular excluyendo a todas las demás, corre el riesgo de no descubrir
estrategias mejores que existen pero no se han encontrado. De nuevo, los algoritmos
genéticos han demostrado ser muy buenos en dar con este equilibrio y descubrir buenas
soluciones en un tiempo y esfuerzo computacional razonables.
  Otro área en el que destacan los algoritmos genéticos es su habilidad para
manipular muchos parámetros simultáneamente (Forrest 1993[24], p. 874). Muchos
problemas de la vida real no pueden definirse en términos de un único valor que hay que
minimizar o maximizar, sino que deben expresarse en términos de múltiples objetivos, a
menudo involucrando contrapartidas: uno sólo puede mejorar a expensas de otro. Los AGs
son muy buenos resolviendo estos problemas: en particular, su uso del paralelismo les
permite producir múltiples soluciones, igualmente buenas, al mismo problema, donde
posiblemente una solución candidata optimiza un parámetro y otra candidata optimiza uno
distinto (Haupt y Haupt 1998[34], p. 17), y luego un supervisor humano puede seleccionar
una de esas candidatas para su utilización. Si una solución particular a un problema con
múltiples objetivos optimiza un parámetro hasta el punto en el que ese parámetro no
puede mejorarse más sin causar una correspondiente pérdida de calidad en algún otro
parámetro, esa solución se llama óptimo paretiano o no dominada (Coello 2000[18], p.
112).
 Finalmente, una de las cualidades de los algoritmos genéticos que, a primera
vista, puede parecer un desastre, resulta ser una de sus ventajas: a saber, los AGs no
saben nada de los problemas que deben resolver. En lugar de utilizar información
específica conocida a priori para guiar cada paso y realizar cambios con un ojo puesto en
el mejoramiento, como hacen los diseñadores humanos, son ``relojeros ciegos'' (Dawkins
1996[20]); realizan cambios aleatorios en sus soluciones candidatas y luego utilizan la
función de aptitud para determinar si esos cambios producen una mejora.

La virtud de esta técnica es que permite a los algoritmos genéticos comenzar con una
mente abierta, por así decirlo. Como sus decisiones están basadas en la aleatoriedad,
todos los caminos de búsqueda posibles están abiertos teóricamente a un AG; en
contraste, cualquier estrategia de resolución de problemas que dependa de un
conocimiento previo, debe inevitablemente comenzar descartando muchos caminos a
priori, perdiendo así cualquier solución novedosa que pueda existir (Koza et al. 1999[41],
p. 547). Los AGs, al carecer de ideas preconcebidas basadas en creencias establecidas
sobre ``cómo deben hacerse las cosas'' o sobre lo que ``de ninguna manera podría
funcionar'', los AGs no tienen este problema. De manera similar, cualquier técnica que
dependa de conocimiento previo fracasará cuando no esté disponible tal conocimiento,
pero, de nuevo, los AGs no se ven afectados negativamente por la ignorancia (Goldberg
1989[29], p. 23). Mediante sus componentes de paralelismo, cruzamiento y mutación,
pueden viajar extensamente por el paisaje adaptativo, explorando regiones que algoritmos
producidos con inteligencia podrían no haber tenido en cuenta, y revelando potencialmente
soluciones de asombrosa e inesperada creatividad que podrían no habérseles ocurrido
nunca a los diseñadores humanos. Un ejemplo muy gráfico de esto es el redescubrimiento,
mediante la programación genética, del concepto de retroalimentación negativa -un
principio crucial para muchos componentes electrónicos importantes de hoy en día, pero
un concepto que, cuando fue descubierto en primera instancia, se le denegó una patente
de nueve años porque el concepto era demasiado contrario a las creencias establecidas
(Koza et al. 2003[42], p. 413). Por supuesto, los algoritmos evolutivos no están enterados
ni preocupados de si una solución va en contra de las creencias establecidas -sólo de si
funciona.
¿Cuáles son las limitaciones de los AGs?
Aunque los algoritmos genéticos han demostrado su eficiencia y potencia como
estrategia de resolución de problemas, no son la panacea. Los AGs tienen ciertas
limitaciones; sin embargo, se demostrará que todas ellas pueden superarse y que ninguna
de ellas afecta a la validez de la evolución biológica.
 La primera y más importante consideración al crear un algoritmo genético es
definir una representación del problema. El lenguaje utilizado para especificar soluciones
candidatas debe ser robusto; es decir, debe ser capaz de tolerar cambios aleatorios que
no produzcan constantemente errores fatales o resultados sin sentido.

Hay dos maneras principales para conseguir esto. La primera, utilizada por la mayoría de
los algoritmos genéticos, es definir a los individuos como listas de números -binarios,
enteros o reales- donde cada número representa algún aspecto de la solución candidata.
Si los individuos son cadenas binarias, un 0 o 1 podría significar la ausencia o presencia
de una cierta característica. Si son listas de números, estos números podrían representar
muchas cosas distintas: los pesos de las conexiones en una red neuronal, el orden de las
ciudades visitadas en un recorrido dado, la situación espacial de componentes
electrónicos, los valores con los que se alimenta a un controlador, los ángulos de torsión
de los enlaces péptidos de una proteína, etcétera. Así, la mutación implica cambiar estos
números, cambiar bits o sumar o restar valores aleatorios. En este caso, el propio código
del programa no cambia; el código es lo que dirige la simulación y hace un seguimiento de
los individuos, evaluando sus aptitudes y quizá asegurando que sólo se producen valores
realistas y posibles para el problema dado.

En otro método, la programación genética, el propio código del programa sí cambia. Como
ya se dijo en la sección ``Métodos de representación'', la PG representa a los individuos
como árboles de código ejecutables que pueden mutar cambiando o intercambiando
subárboles. Ambos méetodos producen representaciones robustas ante la mutación, y
pueden representar muchos tipos diferentes de problemas y, como se dice en la sección
``Algunos ejemplos específicos'', ambas han tenido un éxito considerable.

El problema de representar a las soluciones candidatas de manera robusta no surge en la

naturaleza, porque el método de representación utilizado por la evolución, a saber, el
código genético, es inherentemente robusto: con muy pocas excepciones, como una
cadena de codones de parada, no existe una secuencia de bases de ADN que no pueda
traducirse en una proteína. Por lo tanto, virtualmente, cualquier cambio en los genes de un
individuo siempre producirá un resultado inteligible, y por tanto las mutaciones en la
evolución tienen mayor probabilidad de producir una mejora. Esto entra en contraste con
los lenguajes creados por el hombre como el inglés, donde el número de palabras con
significado es pequeño comparado con el número total de formas en las que se pueden
combinar las letras del alfabeto, y por tanto, es probable que un cambio aleatorio en una
frase en inglés produzca un sinsentido.
 El problema de cómo escribir la función de aptitud debe considerarse
cuidadosamente para que se pueda alcanzar una mayor aptitud y verdaderamente
signifique una solución mejor para el problema dado. Si se elige mal una función de aptitud
o se define de manera inexacta, puede que el algoritmo genético sea incapaz de encontrar
una solución al problema, o puede acabar resolviendo el problema equivocado. (Esta
última situación se describe a veces como la tendencia del AG a ``engañar'', aunque en
realidad lo que está pasando es que el AG está haciendo lo que se le pidió hacer, no lo
que sus creadores pretendían que hiciera). Se puede encontrar un ejemplo de esto en
Graham-Rowe 2002[30], donde unos investigadores utilizaron un algoritmo evolutivo en
conjunción con una serie de chips reprogramables, haciendo que la función de aptitud
recompensara al circuito en evolución por dar como salida una señal oscilatoria. Al final del
experimento, se producía efectivamente una señal oscilatoria -pero en lugar de actuar
como un osculador, como pretendían los investigadores, ¡descubrieron que el circuito se
había convertido en un receptor de radio que estaba recibiendo y retransmitiendo una
señal oscilatoria de un componente electrónico cercano!

Sin embargo, esto no es un problema en la naturaleza. En el laboratorio de la evolución

biológica, sólo hay una función de aptitud que es igual para todos los seres vivos -la
carrera por sobrevivir y reproducirse, sin importar qué adaptaciones hagan esto posible.
Los organismos que se reproducen con más abundancia que sus competidores están más
adaptados; los que fracasan en reproducirse no están adaptados.
 Además de elegir bien la función de aptitud, también deben elegirse
cuidadosamente los otros parámetros de un AG -el tamaño de la población, el ritmo de
mutación y cruzamiento, el tipo y fuerza de la selección. Si el tamaño de la población es
demasiado pequeño, puede que el algoritmo genético no explore suficientemente el
espacio de soluciones para encontrar buenas soluciones consistentemente. Si el ritmo de
cambio genético es demasiado alto o el sistema de selección se escoge inadecuadamente,
puede alterarse el desarrollo de esquemas beneficiosos y la población puede entrar en
catástrofe de errores, al cambiar demasiado rápido para que la selección llegue a producir
convergencia.

Los seres vivos también se enfrentan a dificultades similares, y la evolución se ha

encargado de ellas. Es cierto que si el tamaño de una población cae hacia un valor muy
bajo, los ritmos de mutación son muy altos o la presión selectiva es demasiado fuerte (una
situación así podría ser resultado de un cambio ambiental drástico), entonces la especie
puede extinguirse. La solución ha sido ``la evolución de la evolutividad'' -las adaptaciones
que alteran la habilidad de una especie para adaptarse. Un ejemplo. La mayoría de los
seres vivos han evolucionado una elaborada maquinaria celular que comprueba y corrigue
errores durante el proceso de replicación del ADN, manteniendo su ritmo de mutación a
unos niveles aceptablemente bajos; a la inversa, en tiempos de fuerte presión ambiental,
algunas especies de bacterias entran en un estado de hipermutación en el que el ritmo de
errores en la replicación del ADN aumenta bruscamente, aumentando la probabilidad de
que se descubrirá una mutación compensatoria. Por supuesto, no pueden eludirse todas
las catástrofes, pero la enorme diversidad y las adaptaciones altamente complejas de los
seres vivos actuales muestran que, en general, la evolución es una estrategia exitosa.
Igualmente, las aplicaciones diversas y los impresionantes resultados de los algoritmos
genéticos demuestran que son un campo de estudio poderoso y que merece la pena.
 Un problema con el que los algoritmos genéticos tienen dificultades son los
problemas con las funciones de aptitud ``engañosas'' (Mitchell 1996[47], p. 125), en las
que la situación de los puntos mejorados ofrecen información engañosa sobre dónde se
encuentra probablemente el óptimo global. Por ejemplo: imagine un problema en el que el
espacio de búsqueda esté compuesto por todas las cadenas binarias de ocho caracteres,
y en el que la aptitud de cada individuo sea directamente proporcional al número de unos
en él -es decir, 00000001 sería menos apto que 00000011, que sería menos apto que
00000111, etcétera -, con dos excepciones: la cadena 11111111 resulta tener una aptitud
muy baja, y la cadena 00000000 resulta tener una aptitud muy alta. En este problema, un
AG (al igual que la mayoría de los algoritmos) no tendría más probabilidad de encontrar un
óptimo global que una búsqueda aleatoria.
La solución a este problema es la misma para los algoritmos genéticos y la evolución
biológica: la evolución no es un proceso que deba encontrar siempre el óptimo global.
Puede funcionar casi igual de bien alcanzando la cima de un óptimo local alto y, para la
mayoría de las situaciones, eso será suficiente, incluso aunque el óptimo global no pueda
alcanzarse fácilmente desde ese punto. La evolución es como un ``satisfactor'' -un
algoritmo que entrega una solución ``suficientemente buena'', aunque no necesariamente
la mejor solución posible, dada una cantidad razonable de tiempo y esfuerzo invertidos en
la búsqueda. La ``FAQ de la evidencia de diseño improvisado en la naturaleza''
proporciona ejemplos de la naturaleza con estos resultados. (También hay que tener en
cuenta que pocos o ningún problema real es tan engañoso como el ejemplo algo forzado
dado arriba. Normalmente, la situación de las mejoras locales proporciona alguna
información sobre la situación del óptimo global).
 Un problema muy conocido que puede surgir con un AG se conoce como
convergencia prematura. 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 (Forrest
1993[24], p. 876; Mitchell 1996[47], p. 167). 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.

Los métodos más comunes implementados por los investigadores en AGs para solucionar
este problema implican controlar la fuerza selectiva, para no proporcionar tanta ventaja a
los individuos excesivamente aptos. La selección escalada, por rango y por torneo,
discutidas anteriormente, son tres de los métodos principales para conseguir esto; algunos
métodos de selección escalada son el escalado sigma, en el que la reproducción se basa
en una comparación estadística de la aptitud media de la población, y la selección de
Boltzmann, en la que la fuerza selectiva aumenta durante la ejecución de manera similar a
la variable ``temperatura'' en el recocido simulado (Mitchell 1996[47], p. 168).

La convergencia prematura ocurre en la naturaleza (los biólogos la llaman deriva

genética). Esto no debe sorprender; como ya se dijo arriba, la evolución, como estrategia
de resolución de problemas, no está obligada a encontrar la mejor solución, sólo una que
sea lo bastante buena. Sin embargo, en la naturaleza, la convergencia prematura es
menos común, ya que la mayoría de las mutaciones beneficiosas en los seres vivos sólo
producen mejoras en la aptitud pequeñas e incrementales; son raras las mutaciones que
producen una ganancia de aptitud tan grande que otorgue a sus poseedores una drástica
ventaja reproductiva.
 Finalmente, varios investigadores (Holland 1992[36], p. 72; Forrest 1993[24], p.
875; Haupt y Haupt 1998[34], p. 18) aconsejan no utilizar algoritmos genéticos en
problemas resolubles de manera analítica. No es que los algoritmos genéticos no puedan
encontrar soluciones buenas para estos problemas; simplemente es que los métodos
analíticos tradicionales consumen mucho menos tiempo y potencia computacional que los
AGs y, a diferencia de los AGs, a menudo está demostrado matemáticamente que ofrecen
la única solución exacta. Por supuesto, como no existe una solución matemática perfecta
para ningún problema de adaptación biológica, este problema no aparece en la naturaleza.
Algunos ejemplos específicos de AG
 Mientras el poder de la evolución gana reconocimiento cada vez más generalizado,
los algoritmos genéticos se utilizan para abordar una amplia variedad de problemas en un
conjunto de campos sumamente diverso, demostrando claramente su capacidad y su
potencial. Esta sección analizará algunos de los usos más notables en los que han tomado
parte.
Acústica
Sato et al. 2002[58] utilizaron algoritmos genéticos para diseñar una sala de
conciertos con propiedades acústicas óptimas, maximizando la calidad del sonido para la
audiencia, para el director y para los músicos del escenario. Esta tarea implica la
optimización simultánea de múltiples variables. Comenzando con una sala con forma de
caja de zapatos, el AG de los autores produjo dos soluciones no dominadas, ambas
descritas como ``con forma de hoja'' (p. 526). Los autores afirman que estas soluciones
tienen proporciones similares al Grosser Musikvereinsaal de Viena, el cual está
considerado generalmente como una de las mejores -si no la mejor- salas de conciertos
del mundo, en términos de propiedades acústicas.
Porto, Fogel y Fogel 1995[51] utilizaron programación evolutiva para adiestrar a
redes neuronales para distinguir entre reflexiones sonoras desde distintos tipos de objetos:
esferas metálicas hechas por el hombre, montañas submarinas, peces y plantas, y ruido
aleatorio de fondo. Tras 500 generaciones, la mejor red neuronal que evolucionó tenía una
probabilidad de clasificación correcta que iba desde el 94% al 98%, y una probabilidad de
clasificación errónea entre un 7,4% y un 1,5%, que son ``probabilidades razonables de
detección y falsa alarma'' (p. 21). Esta red evolucionada igualó las prestaciones de otra red
desarrollada mediante recocido simulado, y superó consistentemente a redes entrenadas
mediante propagación hacia atrás, las cuales ``se atascaban repetidamente en conjuntos
de pesos subóptimos que no producían resultados satisfactorios'' (p. 21). En contraste,
ambos métodos estocásticos demostraron su capacidad para superar estos óptimos
locales y producir redes más pequeñas, efectivas y robustas; pero los autores sugieren
que el algoritmo evolutivo, a diferencia del recocido simulado, opera sobre una población, y
por tanto se beneficia de la información global sobre el espacio de búsqueda, conduciendo
potencialmente hacia un rendimiento mayor a la larga.
Tang et al. 1996[62] analizan los usos de los algoritmos genéticos en el campo de la
acústica y el procesamiento de señales. Un área de interés particular incluye el uso de
AGs para diseñar sistemas de Control Activo de Ruido (CAR), que eliminan el sonido no
deseado produciendo ondas sonoras que interfieren destructivamente con el ruido. Esto es
un problema de múltiples objetivos que requiere el control y la colocación precisa de
múltiples altavoces; los AGs se han utilizado en estos sistemas tanto para diseñar los
controladores como para encontrar la colocación óptima de los altavoces, dando como
resultado una ``atenuación efectiva del ruido'' (p. 33) en pruebas experimentales.
Ingeniería aeroespacial
Obayashi et al. 2000[49] utilizaron un algoritmo genético de múltiples objetivos para
diseñar la forma del ala de un avión supersónico. Hay tres consideraciones principales que
determinan la configuración del ala -minimizar la resistencia aerodinámica a velocidades
de vuelo supersónicas, minimizar la resistencia a velocidades subsónicas y minimizar la
carga aerodinámica (la fuerza que tiende a doblar el ala). Estos objetivos son mutuamente
exclusivos, y optimizarlos todos simultáneamente requiere realizar contrapartidas.
El cromosoma de este problema es una cadena de 66 números reales, cada uno de
los cuales corresponde a un aspecto específico del ala: su forma, su grosor, su torsión,
etcétera. Se simuló una evolución con selección elitista durante 70 generaciones, con un
tamaño de población de 64 individuos. Al final de este proceso había varios individuos
paretianos, cada uno representando una solución no dominada del problema. El artículo
comenta que estos individuos ganadores tenían características ``físicamente razonables'',
señalando la validez de la técnica de optimización (p. 186). Para evaluar mejor la calidad
de las soluciones, las seis mejores fueron comparadas con un diseño de ala supersónica
producido por el Equipo de Diseño SST del Laboratorio Aeroespacial Nacional de Japón.
Las seis fueron competitivas, con valores de resistencia y carga aproximadamente iguales
o menores a los del ala diseñada por humanos; en particular, una de las soluciones
evolucionadas superó al diseño del LAN en los tres objetivos. Los autores señalan que las
soluciones del AG son similares a un diseño llamado ``ala flecha'', sugerido por primera
vez a finales de los años 50, pero que finalmente fue abandonado en favor del diseño más
convencional con forma de delta.
En un artículo posterior (Sasaki et al. 2001[57]), los autores repitieron el
experimento añadiendo un cuarto objetivo, a saber, minimizar el momento de torsión (un
conocido problema en los diseños de alas flecha en el vuelo supersónico). También se
añadieron puntos de control adicionales para el grosor al conjunto de variables de diseño.
Tras 75 generaciones de evolución, se compararon dos de las mejores soluciones
paretianas con el diseño de ala que el Laboratorio Aeroespacial Nacional japonés realizó
para el avión supersónico experimental NEXST-1. Se descubrió que ambos diseños
(además de un diseño óptimo de la simulación anterior, explicada arriba) eran físicamente
razonables y superiores al diseño del LAN en los cuatro objetivos.
Williams, Crossley y Lang 2001[64] aplicaron algoritmos genéticos a la tarea de
situar órbitas de satélites para minimizar los apagones de cobertura. Mientras la tecnología
de telecomunicaciones sigue progresando, los humanos somos cada vez más
dependientes de las funciones vitales que realizan los satélites en órbita alrededor de la
Tierra, y uno de los problemas con los que se enfrentan los ingenieros es el diseño de las
trayectorias orbitales. Los satélites que se encuentran en una órbita terrestre alta, a unos
35.000 kilómetros de altitud, pueden ver amplias secciones del planeta al mismo tiempo y
estar en contacto con las estaciones terrestres, pero son mucho más caros de lanzar y
más vulnerables a las radiaciones cósmicas. Es más económico colocar satélites en
órbitas bajas, en algunos casos a sólo unos pocos cientos de kilómetros; pero, a causa de
la curvatura de la Tierra, es inevitable que estos satélites pierdan durante un tiempo la
línea de visión con los receptores terrestres, y por lo tanto se vuelven inútiles. Incluso las
constelaciones de varios satélites tienen apagones ineludibles y pérdidas de cobertura por
esta razón. El reto consiste en colocar las órbitas de los satélites para minimizar este
tiempo muerto. Esto es un problema multi-objetivo que implica la minimización de el tiempo
medio de apagón para todas las localizaciones y el tiempo máximo de apagón para cada
una de las localizaciones; en la práctica, estos objetivos resultan ser mutuamente
exclusivos.
Cuando se utilizó el AG en este problema, los resultados que evolucionaron para
constelaciones de tres, cuatro y cinco satélites eran extraños, configuraciones orbitales
muy asimétricas, con los satélites colocados alternando huecos grandes y pequeños, en
lugar de huecos de igual tamaño como habrían hecho las técnicas convencionales. Sin
embargo, esta solución redujo significativamente los tiempos medio y máximo de apagón,
en algunos casos hasta en 90 minutos. En un artículo periodístico, el Dr. William Crossley
señaló que ``ingenieros con años de experiencia aeroespacial quedaorn sorprendidos con
el rendimiento ofrecido por el diseño no convencional''.
Keane y Brown 1996[43] utilizadon un AG para producir un nuevo diseño para un
brazo o jirafa para transportar carga que pudiese montarse en órbita y utilizarse con
satélites, estaciones espaciales y otros proyectos de construcción aeroespacial. El
resultado, una estructura retorcida con aspecto orgánico que se ha comparado con un
fémur humano, no utiliza más material que el diseño de brazo estándar, pero es ligera,
fuerte y muy superior a la hora de amortiguar las vibraciones perjudiciales, como
confirmaron las pruebas reales del producto final. Y sin embargo ``Ninguna inteligencia
produjo los diseños. Simplemente evolucionaron'' (Petit 1998[43]). Los autores del artículo
comentan además que su AG sólo se ejecutó durante 10 generaciones, debido a la
naturaleza computacionalmente costosa de la simulación, y la población no se había
estancado todavía. Haber proseguido la ejecución durante más generaciones habría
producido indudablemente mayores mejoras de rendimiento.

Finalmente, como informa Gibbs 1996[25], Lockheed Martin ha utilizado un

algoritmo genético para producir mediante evolución una serie de maniobras para mover
una nave espacial de una orientación a otra, dentro del 2% del tiempo mínimo teórico para
tales maniobras. La solución evolucionada era un 10% más rápida que una solución
producida manualmente por un experto para el mismo problema.
Astronomía y astrofísica
Charbonneau 1995[12] sugiere la utilidad de los AGs para problemas de astrofísica,
aplicándolos a tres problemas de ejemplo: obtener la curva de rotación de una galaxia
basándose en las velocidades rotacionales observadas de sus componentes, determinar el
periodo de pulsación de una estrella variable basándose en series de datos temporales, y
sacar los valores de los parámetros críticos de un modelo magnetohidrodinámico del
viento solar. Son tres difíciles problemas no lineales y multidimensionales.
El algoritmo genético de Charbonneau, PIKAIA, utiliza selección generacional y
proporcional a la aptitud, junto con elitismo, para asegurar que el mejor individuo se copia
una vez hacia la siguiente generación sin ninguna modificación. PIKAIA tiene un ritmo de
cruzamiento de 0,65 y un ritmo de mutación variable que se pone a 0,003 inicialmente y
luego aumenta gradualmente, mientras la población se aproxima a la convergencia, para
mantener la variabilidad en el acervo genético.
En el problema de la curva de rotación galáctica, el AG produjo dos curvas, y ambas
estaban bien ajustadas a los datos (un resultado común en este tipo de problema, en el
que hay poco contraste entre cimas cercanas); observaciones posteriores pueden
distinguir cuál es la preferible. En el problema de la serie temporal, el AG fue
impresionantemente exitoso, generando un ajuste de los datos de gran calidad, aunque
otros problemas más difíciles no se ajustaron tan bien (aunque, como señala
Charbonneau, estos problemas son igualmente difíciles de resolver con técnicas
convencionales). El artículo sugiere que un AG híbrido que emplee tanto evolución artificial
como técnicas analíticas estándar, podría funcionar mejor. Finalmente, en el problema de
obtener los seis parámetros críticos del viento solar, el AG determinó con éxito el valor de
tres con una precisión de menos del 0,1% y los otros tres con precisiones entre el 1 y el
10%. (Aunque siempre serían preferibles unos errores experimentales menores para estos
tres parámetros, Charbonneau señala que no existe ningún otro método eficiente y robusto
para resolver experimentalmente un problema no lineal 6-dimensional de este tipo; un
método de gradiente conjugado funciona ``siempre que se pueda proporcionar un valor
inicial muy acertado'' (p. 323). En contraste, los AGs no requieren un conocimiento del
dominio tan bien afinado).
Basándose en los resultados obtenidos hasta ahora, Charbonneau sugiere que los
AGs pueden y deben encontrar uso en otros problemas difíciles de astrofísica, en
particular, problemas inversos como las imágenes por Doppler y las inversiones
heliosísmicas. Para terminar, Charbonneau sostiene que los AGs son un ``contendiente
poderoso y prometedor'' (p. 324) en este campo, del que se puede esperar que
complemente (no sustituya) a las técnicas tradicionales de optimización, y concluye que
``el punto decisivo, si es que tiene que haber alguno, es que los algoritmos genéticos
funcionan, y a menudo colosalmente bien'' (p. 325).
Química
Un pulso láser ultracorto de alta energía puede romper moléculas complejas en
moléculas más sencillas, un proceso con aplicaciones importantes en la química orgánica
y la microelectrónica. Los productos específicos de una reacción así pueden controlarse
modulando la fase del pulso láser. Sin embargo, para moléculas grandes, obtener la forma
del pulso deseado de manera analítica es demasiado difícil: los cálculos son demasiado
complejos y las características relevantes (las superficies de energía potencial de las
moléculas) no se conocen con suficiente precisión.
Assion et al. 1998[6] resolvieron este problema utilizando un algoritmo evolutivo
para diseñar la forma del pulso. En lugar de introducir información compleja, específica del
problema, sobre las características cuánticas de las moléculas iniciales, para diseñar el
pulso conforme a las especificaciones, el AE dispara un pulso, mide las proporciones de
las moléculas producto resultantes, muta aleatoriamente las características del rayo con la
esperanza de conseguir que estas proporciones se acerquen a la salida deseada, y el
proceso se repite. (En lugar de afinar directamente las características del rayo láser, el AG
de los autores representa a los individuos como un conjunto de 128 números, en el que
cada número es un valor de voltaje que controla el índice de refracción de uno de los
pixeles del modulador láser. De nuevo, no se necesita un conocimiento específico del
problema sobre las propiedades del láser o de los productos de la reacción). Los autores
afirman que su algoritmo, cuando se aplica a dos sustancias de muestra, ``encuentra
automáticamente la mejor configuración... no importa lo complicada que sea la respuesta
molecular'' (p. 921), demostrando un ``control coherente automatizado de los productos
que son químicamente diferentes uno del otro y de la molécula padre'' (p. 921).
A principios y mediados de los 90, la amplia adopción de una novedosa técnica de
diseño de fármacos, llamada química combinatoria, revolucionó la industria farmacéutica.
Con este método, en lugar de la síntesis precisa y meticulosa de un sólo compuesto de
una vez, los bioquímicos mezclan deliberadamente una gran variedad de reactivos para
producir una variedad aún mayor de productos -cientos, miles o millones de compuestos
diferentes en cada remesa- que luego pueden aislarse rápidamente para su actividad
bioquímica. Hay dos formas de diseñar las bibliotecas de reactivos en esta técnica: diseño
basado en los reactivos, que elige grupos optimizados de reactivos sin considerar qué
productos saldrán como resultado, y diseño basado en los productos, que selecciona los
reactivos que producirán con mayor probabilidad los productos con las propiedades
deseadas. El diseño basado en los productos es más difícil y complejo, pero se ha
demostrado que genera bibliotecas combinatorias mejores y más diversas, y tiene más
probabilidades de ofrecer un resultado útil.
En un artículo patrocinado por el departamento de investigación y desarrollo de
GlaxoSmithKline, Gillet 2002[26] describe el uso de un algoritmo genético multiobjetivo
para el diseño basado en los productos de bibliotecas combinatorias. Al elegir los
componentes que van en una biblioteca particular, deben considerarse características
como la diversidad y peso molecular, el coste de los suministros, la toxicidad, la absorción,
la distribución y el metabolismo. Si el objetivo es encontrar moléculas similares a una
molécula existente con una función conocida (un método común en el diseño de nuevos
fármacos), también se puede tener en cuenta la similaridad estructural. Este artículo
presenta un enfoque multiobjetivo, donde puede desarrollarse un conjunto de resultados
paretianos que maximicen o minimicen cada uno de estos objetivos. El autor concluye
diciendo que el AG fue capaz de satisfacer simultáneamente los criterios de diversidad
molecular y eficiencia sintética máxima, y también fue capaz de encontrar moléculas
parecidas a un fármaco que eran ``muy similares a las moléculas objetivo dadas, tras
explorar una fracción muy pequeña del espacio de búsqueda total'' (p. 378).
En un artículo relacionado, Glen y Payne 1995[28] describen el uso de algoritmos
genéticos para diseñar automáticamente moléculas nuevas desde cero que se ajustan a
un conjunto de especificaciones dado. Dada una población inicial, bien generada
aleatoriamente o utilizando la sencilla molécula del etano como semilla, el AG añade,
elimina y altera aleatoriamente átomos y fragmentos moleculares con el objetivo de
generar moléculas que se ajusten a los requisitos dados. El AG puede optimizar
simultáneamente un gran número de objetivos, incluyendo el peso molecular, el volumen
molecular, el número de enlaces, el número de centros quirales, el número de átomos, el
número de enlaces rotables, la polarizabilidad, el momento dipolar, etcétera, para producer
moléculas candidatas con las propiedades deseadas. Basándose en pruebas
experimentales, incluyendo un difícil problema de optimización que implicaba la generación
de moléculas con propiedades similares a la ribosa (un componente del azúcar imitado a
menudo en los fármacos antivirales), los autores concluyen que el AG es un ``excelente
generador de ideas'' (p. 199) que ofrece ``propiedades de optimización rápidas y
poderosas'' y puede generar ``un conjunto diverso de estructuras posibles'' (p. 182).
Continúan afirmando: ``Es de interés especial la poderosa capacidad de optimización del
algoritmo genético, incluso con tamaños de población relativamente pequeños'' (p. 200).
Como prueba de que estos resultados no son simplemente teóricos, Lemley 2001[45]
informa de que la empresa Unilever ha utilizado algoritmos genéticos para diseñar nuevos
componentes antimicrobianos para su uso en productos de limpieza, algo que ha
patentado.
Ingeniería eléctrica
Una matriz de puertas programable en campo (Field Programmable Gate Array, o
FPGA), es un tipo especial de placa de circuito con una matriz de celdas lógicas, cada una
de las cuales puede actuar como cualquier tipo de puerta lógica, interconectado con
conexiones flexibles que pueden conectar celdas. Estas dos funciones se controlan por
software, así que simplemente cargando un programa especial en la placa, puede
alterarse al vuelo para realizar las funciones de cualquier dispositivo de hardware de la
amplia variedad existente.
El Dr. Adrian Thompson ha explotado este dispositivo, en conjunción con los
principios de la evolución, para producir un prototipo de circuito reconocedor de voz que
puede distinguir y responder a órdenes habladas utilizando sólo 37 puertas lógicas -una
tarea que se habría considerado imposible para cualquier ingeniero humano. Generó
cadenas aleatorias de bits de ceros y unos y las utilizó como configuraciones de la FPGA,
seleccionando los individuos más aptos de cada generación, reproduciéndolos y
mutándolos aleatoriamente, intercambiando secciones de su código y pasándolo hacia la
siguiente ronda de selección. Su objetivo era evolucionar un dispositivo que pudiera en
principio discriminar entre tonos de frecuencias distintas (1 y 10 kilohercios), y luego
distinguir entre las palabras habladas ``go'' (adelante) y ``stop'' (para).
Su objetivo se alcanzó en 3.000 generaciones, pero el éxito fue mayor de lo que
había anticipado. El sistema que evolucionó utilizaba muchas menos celdas que cualquier
cosa que pudiera haber diseñado un ingeniero humano, y ni siquiera necesita del
componente más crítico de los sistemas diseñados por humanos -un reloj. ¿Cómo
funcionaba? Thompson no tiene ni idea, aunque ha rastreado la señal de entrada a través
de un complejo sistema de bucles realimentados del circuito evolucionado. De hecho, de
las 37 puertas lógicas que utiliza el producto final, cinco de ellas ni siquiera están
conectadas al resto del circuito de ninguna manera -pero si se les retira la alimentación
eléctrica, el circuito deja de funcionar. Parece que la evolución ha explotado algún sutil
efecto electromagnético de estas celdas para alcanzar su solución, pero el funcionamiento
exacto de la compleja e intrincada estructura evolucionada sigue siendo un misterio
(Davidson 1997[19]).
Altshuler y Linden 1997[2] utilizaron un algoritmo genético para evolucionar antenas
de alambre con propiedades especificadas a priori. Los autores señalan que el diseño de
tales antenas es un proceso impreciso, comenzando con las propiedades deseadas y
luego determinando la forma de la antena mediante ``conjeturas... intuición, experiencia,
ecuaciones aproximadas o estudios empíricos'' (p. 50). Esta técnica requiere mucho
tiempo, a menudo no produce resultados óptimos y tiende a funcionar bien sólo con
diseños simétricos y relativamente simples. En contraste, con el método del algoritmo
genético, el ingeniero especifica las propiedades electromagnéticas de la antena, y el AG
sintetiza automáticamente una configuración que sirva.

Altshuler y Linden utilizaron su AG para diseñar una antena de siete segmentos

polarizada circularmente con una cobertura hemisférica; el resultado se muestra a la
izquierda. Cada individuo del AG consistía en un cromosoma binario que especificaba las
coordenadas tridimensionales de cada extremo final de cada alambre. La aptitud se
evaluaba simulando a cada candidato de acuerdo con un código de cableado
electromagnético, y el individuo mejor de cada ronda se construía y probaba. Los autores
describen la forma de esta antena, que no se parece a las antenas tradicionales y carece
de una simetría obvia, como ``inusualmente extraña'' y ``antiintuitiva'' (p. 52), aunque tenía
un patrón de radiación casi uniforme y con un gran ancho de banda tanto en la simulación
como en la prueba experimental, adecuándose excelentemente a la especificación inicial.
Los autores concluyen que un método basado en algoritmos genéticos para diseñar
antenas se muestra ``excepcionalmente prometedor''. ``... este nuevo procedimiento de
diseño es capaz de encontrar antenas genéticas capaces de resolver de manera efectiva
difíciles problemas de antenas, y será especialmente útil en situaciones en las que los
diseños existentes no sean adecuados'' (p. 52).
Mercados financieros
Mahfoud y Mani 1996[46] utilizaron un algoritmo genético para predecir el
rendimiento futuro de 1.600 acciones ofertadas públicamente. Concretamente, al AG se le
asignó la tarea de predecir el beneficio relativo de cada acción, definido como el beneficio
de esa acción menos el beneficio medio de las 1.600 acciones a lo largo del periodo de
tiempo en cuestión, 12 semanas (un cuarto del calendario) en el futuro. Como entrada, al
AG se le proporcionaron datos históricos de cada acción en forma de una lista de 15
atributos, como la relación precio-beneficio y el ritmo de crecimiento, medidos en varios
puntos del tiempo pasado; se le pidió al AG que evolucionara un conjunto de reglas
si/entonces para clasificar cada acción y proporcionar, como salida, una recomendación
sobre qué hacer con respecto a la acción (comprar, vender o ninguna predicción) y un
pronóstico numérico del beneficio relativo. Los resultados del AG fueron comparados con
los de un sistema establecido, basado en una red neuronal, que los autores habían estado
utilizando para pronosticar los precios de las acciones y administrar las carteras de valores
durante tres años. Por supuesto, el mercado de valores es un sistema extremadamente
ruidoso y no lineal, y ningún mecanismo predictivo puede ser correcto el 100% del tiempo;
el reto consiste en encontrar un predictor que sea preciso más de la mitad de las veces.
En el experiemnto, el AG y la red neuronal hicieron pronósticos al final de la semana
para cada una de las 1.600 acciones, durante doce semanas consecutivas. Doce semanas
después de cada predicción, se comparó el rendimiento verdadero con el beneficio relativo
predicho. Globalmente, el AG superó significativamente a la red neuronal: en una
ejecución de prueba, el AG predijo correctamente la dirección de una acción el 47,6% de
las veces, no hizo predicción el 45,8% de las veces y realizó una predicción incorrecta sólo
un 6.6% de las veces, una precisión predictiva total de un 87,8%. Aunque la red neuronal
realizó predicciones precisas más a menudo, también hizo predicciones erróneas más a
menudo (de hecho, los autores especulan que la mayor capacidad del AG para no realizar
predicciones cuando los datos eran dudosos fue un factor de su éxito; la red neuronal
siempre produce una predicción a menos que sea restringida explícitamente por el
programador). En el experimento de las 1.600 acciones, el AG produjo un beneficio relativo
de un +5,47%, contra el +4,40% de la red neuronal -una diferencia estadísticamente
significativa. De hecho, el AG también superó significativamente a tres índices bursátiles
importantes -el S&P 500, el S&P 400 y el Russell 2000- en este periodo; la casualidad fue
excluída como causa de este resultado con un margen de confianza de un 95%. Los
autores atribuyen este convincente éxito a la capacidad del algoritmo genético de
percatarse de relaciones no lineales difícilmente evidentes para los observadores
humanos, además del hecho de que carece del ``prejuicio contra las reglas antiintuitivas y
contradictorias'' (p. 562) de los expertos humanos.
Andreou, Georgopoulos y Likothanassis 2002[4] lograron un éxito similar utilizando
algoritmos genéticos híbridos para evolucionar redes neuronales que predijeran los tipos
de cambio de monedas extranjeras hasta un mes en el futuro. Al contrario que en el
ejemplo anterior, donde competían AGs y redes neuronales, aquí los dos trabajaron
conjuntamente: el AG evolucionó la arquitectura (número de unidades de entrada, número
de unidades ocultas y la estructura de enlaces entre ellas) de la red, que luego era
entrenada por un algoritmo de filtro.
Se le proporciaron al algoritmo 1.300 valores brutos diarios de cinco divisas como
información histórica -el dólar estadounidense, el marco alemán, el franco francés, la libra
esterlina y el dracma griego- y se le pidió que predijera sus valores futuros para los 1, 2, 5
y 20 días posteriores. El rendimiento del AG híbrido mostró, en general, un ``nivel
excepcional de precisión'' (p. 200) en todos los casos probados, superando a otros varios
métodos, incluyendo a las redes neuronales en solitario. Los autores concluyen que ``se
ha logrado un excepcional éxito predictivo tanto con un horizonte predictivo de un paso
como de varios pasos'' (p. 208) -de hecho, afirman que sus resultados son mejores con
diferencia que cualquier estrategia predictiva relacionada que se haya aplicado en esta
serie de datos u otras divisas.
La utilización de los AGs en los mercados financieros ha empezado a extenderse en
las empresas de corretaje bursátil del mundo real. Naik 1996[48] informa de que LBS
Capital Management, una empresa estadounidense cons ede en Florida, utiliza algoritmos
genéticos para escoger las acciones de los fondos de pensiones que administra. Coale
1997[17] y Begley y Beals 1995[9] informan de que First Quadrant, una empresa de
inversiones de Californa que mueve más de 2.200 millones de dólares, utiliza AGs para
tomar decisiones de inversión en todos sus servicios financieros. Su modelo evolucionado
gana, de media, 225 dólares por cada 100 dólares invertidos durante seis años, en
contraste con los 205 dólares de otros tipos de sistemas de modelos.
Juegos
Una de las demostraciones más novedosas y persuasivas de la potencia de los
algoritmos genéticos la presentaron Chellapilla y Fogel 2001[13], que utilizaron un AG para
evolucionar redes neuronales que pudieran jugar a las damas. Los autores afirman que
una de las mayores dificultades en este tipo de problemas relacionados con estrategias es
el problema de la asignación de crédito -en otras palabras, ¿cómo escribir una función de
aptitud? Se ha creído ampliamente que los criterios simples de ganar, perder o empatar no
proporcionan la suficiente información para que un algoritmo genético averigüe qué
constituye el buen juego.
En este artículo, Chellapila y Fogel echan por tierra esa suposición. Dados sólo las
posiciones espaciales de las piezas en el tablero y el número total de piezas que posee
cada jugador, fueron capaces de evolucionar un programa de damas que jugaba a un nivel
competitivo con expertos humanos, sin ninguna información de entrada inteligente acerca
de lo que constituye el buen juego -es más, ni siquiera se les dijo a los individuos del
algoritmo evolutivo cuál era el criterio para ganar, ni se les dijo el resultado de ningún
juego.
En la representación de Chellapilla y Fogel, el estado del juego estaba representado
por una lista numérica de 32 elementos, en donde cada posición de la lista correspondía a
una posición disponible en el tablero. El valor de cada posición era 0 para una casilla
desocupada, -1 si esa casilla estaba ocupada por una pieza enemiga, +1 si la casilla
estaba ocupada por una de las piezas del programa, y -K o +K si la casilla estaba ocupada
por una dama enemiga o amiga. (El valor de K no se especificaba a priori, sino que, de
nuevo, era determinado por la evolución durante el curso del algoritmo). Acompañando a
todo esto había una red neuronal con múltiples capas de procesamiento y una capa de
entrada con un nodo para cada una de las 4x4, 5x5, 6x6, 7x7 y 8x8 posibles casillas del
tablero. La salida de la red neuronal para una colocación de las piezas dada era un valor
entre -1 y +1, que indicaba cómo de buena le parecía esa posición. Para cada movimiento,
se le presentaba a la red neuronal un árbol de juego que contenía todos los movimientos
posibles hasta cuatro turnos en el futuro, y el movimiento se decidía basándose en qué
rama del árbol producía los mejores resultados.
El algoritmo evolutivo comenzó con una población de 15 redes neuronales con
pesos y tendencias, generados aleatoriamente, asignados a cada nodo y conexión; luego,
cada individuo se reprodujo una vez, generando una descendencia con variaciones en los
valores de la red. Luego estos 30 individuos compitieron por la supervivencia jugando
entre ellos; cada individuo compitió en cada turno con 5 oponentes elegidos
aleatoriamente. Se otorgó 1 punto a cada victoria y se descontaban 2 puntos por cada
derrota. Se seleccionaron los 15 mejores jugadores en relación a su puntuación total, y el
proceso se repitió. La evolución continuó durante 840 generaciones más
(aproximadamente seis meses de tiempo de computación).
Punt
Clase
uación
Gran +2.40
Maestro 0
Maest 2.200
ro -2.399
 Exper 2.000
to -2.199
Clase 1.800
A -1.999
Clase 1.600
B -1.799
Clase 1.400
C -1.599
Clase
<200
J
El mejor individuo que surgió de esta selección fue inscrito como competidor en la
página web de juegos http://www.zone.com. Durante un periodo de dos meses, jugó contra
165 oponentes humanos que componían una gama de niveles altos, desde clase C a
maestros, de acuerdo con el sistema de clasificaciones de la Federación de Ajedrez de
Estados Unidos (mostrado a la izquierda, con algunos rangos omitidos en aras de
claridad). De estas partidas, la red neuronal ganó 94, perdió 39 y empató 32; en base a las
clasificaciones de los oponentes en estas partidas, la red neuronal evolucionada era
equivalente a un jugador con una puntuación media de 2.045,85, colocándola en el nivel
experto -una clasificación superior a la del 99,61% de los 80.000 jugadores registrados en
la página web. Una de las victorias más significativas de la red neuronal fue cuando venció
a un jugador clasificado en la posición 98 de todos los jugadores registrados, cuya
puntuación estaba tan sólo 27 puntos por debajo del nivel de maestro.
Las pruebas realizadas con un sencillo programa diferencial en las piezas (que basa
sus movimientos solamente en la diferencia entre el número de piezas que quedan en
cada lado) con una capacidad de anticipación de 8 movimientos demostró que la red
neuronal era significativamente superior, con una puntuación de más de 400 puntos por
encima. ``Un programa que se basa sólo en el número de piezas y en una búsqueda de
ocho capas vencerá a muchas personas, pero no es un experto. La mejor red neuronal
evolucionada sí lo es'' (p. 425). Aunque podía buscar posiciones dos movimientos más
lejos que la red neuronal, el programa diferencial en las piezas perdió contundentemente 8
de 10 partidas. Esto demuestra concluyentemente que la red neuronal evolucionada no
sólo está contando piezas, sino que de alguna manera procesa las características
espaciales del tablero para decidir sus movimientos. Los autores señalan que los
oponentes de zone.com que los movimientos de la red neuronal eran ``extraños'', pero su
nivel global de juego fue descrito como ``muy duro'' o con términos elogiosos similares.
Para probar más a la red neuronal evolucionada (a la que los autores nombraron
``Anaconda'' porque a menudo ganaba restringiendo la movilidad de sus oponentes), jugó
contra un programa de damas comercial, el Hoyle Classic Games, distribuído por Sierra
Online (Chellapilla y Fogel 2000[14]). Este programa viene con un surtido de personajes
incorporados, cada uno con un nivel de juego distinto. Anaconda se puso a prueba con
tres personajes (``Beatrice'', ``Natasha'' y ``Leopold'') designados como jugadores
expertos, jugando una partida con las rojas y otra partida con las blancas contra cada uno
de ellos con una capacidad de anticipación de 6 movimientos. Aunque los autores
dudaban de que esta profundidad de anticipación pudiera darla a Anaconda la capacidad
de juego experto que demostró anteriormente, consiguió seis victorias seguidas de las seis
partidas jugadas. Basándose en este resultado, los autores expresaron escepticismo sobre
si el software Hoyle jugaba al nivel que anunciaba, ¡aunque debe señalarse que llegaron a
esta conclusión basándose solamente en la facilidad con la que Anaconda le venció!
La prueba definitiva de Anaconda se detalla en Chellapilla y Fogel 2002[15], cuando
la red neuronal evolucionada jugó contra el mejor jugador de damas del mundo: Chinook,
un programa diseñado principalmente por el Dr. Jonathan Schaeffer, de la Universidad de
Alberta. Con una puntuación de 2.814 en 1996 (mientras que sus competidores humanos
más cercanos andan por los 2.600), Chinook incorpora un libro de movimientos de
apertura proporcionado por grandes maestros humanos, un conjunto sofisticado de
algoritmos de juego para la parte central de la partida, y una base de datos completa de
todos los movimientos posibles cuando quedan en el tablero 10 piezas o menos, de
manera que nunca comete un error durante un final de partida. Se invirtió una cantidad
enorme de inteligencia y experiencia humana en el diseño de este programa.
Chellapilla y Fogel enfrentaron a Anaconda y Chinook en un torneo de 10 partidas,
con Chinook jugando al nivel de 5 capas de anticipación, aproximándolo más o menos al
nivel de maestro. Chinook ganó esta competición, cuatro victorias a dos, con cuatro
empates. (Curiosamente, como señalan los autores, en dos de las partidas que acabaron
con empate, Anaconda lideraba con cuatro damas mientras que Chinook tenía tres.
Además, una de las victorias de Chinook vino tras una serie de movimientos con búsqueda
de 10 capas sacados de su base de datos de finales de partida; unos movimientos que
Anaconda, con una anticipación de 8 capas, no pudo anticipar. Si Anaconda hubiera tenido
acceso a una base de datos de finales de partida de la misma calidad de la de Chinook, el
resultado del torneo bien podría haber sido el de victoria para Anaconda, cuatro a tres).
Estos resultados ``proporcionan un buen sustento a la puntuación de experto que se ganó
Anaconda en www.zone.com'' (p. 76), con una puntuación global de 2.030-2.055,
comparable a la puntuación de 2.045 que ganó jugando contra humanos. Aunque
Anaconda no es un jugador invulnerable, es capaz de jugar competitivamente en el nivel
experto y comportarse ante una variedad de jugadores de damas humanos
extremadamente hábiles. Cuando uno considera los criterios de aptitud tan sencillos con
los que se obtuvieron estos resultados, el surgimiento de Anaconda proporciona una
espectacular corroboración del poder de la evolución.
Geofísica
Sambridge y Gallaguer 1993[56] utilizaron un algoritmo genético para los
hipocentros de los terremotos basándose en datos sismológicos. (El hipocentro es el punto
bajo la superficie terrestre en el que se origina un terremoto. El epicentro es el punto de la
superficie directamente encima del hipocentro). Esto es una tarea sumamente compleja,
ya que las propiedades de las ondas sísmicas dependen de las propiedades de las capas
de roca a través de las que viajan. El método tradicional para localizar el hipocentro se
basa en lo que se conoce como algoritmo de inversión sísmico, que empieza con la mejor
estimación de la ubicación, calcula las derivadas del tiempo de viaje de la onda con
respecto al punto de origen, y realiza una operación de matriz para proporcionar una
ubicación actualizada. Este proceso se repite hasta que se alcanza una solución
aceptable. (Este Mensaje del Mes, de noviembre de 2003, proporciona más información).
Sin embargo, este método requiere información diferencial y es propenso a quedar
atrapado en óptimos locales.
Un algoritmo de localización que no dependa de información diferencial o modelos
de velocidad puede evitar esta deficiencia calculando sólo el problema directo -la
diferencia entre los tiempos de llegada de la onda observados y predichos para distintas
localizaciones del hipocentro. Sin embargo, un método de búsqueda exhaustivo basado en
este método sería demasiado costoso computacionalmente. Éste, por supuesto, es
precisamente el tipo de problema de optimización en el que destacan los algoritmos
genéticos. Como todos los AGs, el propuesto por el artículo citado es paralelo en
naturaleza -en lugar de mover un solo hipocentro más y más cerca hacia la solución,
comienza con una nube de hipocentros potenciales que encoge con el tiempo hasta
converger en una sola solución. Los autores afirman que su método ``puede localizar
rápidamente soluciones casi óptimas sin una búsqueda exhaustiva del espacio de
parámetros'' (p. 1.467), muestra ``un comportamiento muy organizado que produce una
búsqueda eficiente'' y es ``un compromiso entre la eficiencia de los métodos basados en
derivadas y la robustez de una búsqueda exhaustiva completamente no lineal'' (p. 1.469).
Los autores concluyen que su algoritmo genético es ``eficiente para una verdadera
optimización global'' (p. 1.488) y ``una herramienta nueva y poderosa para realizar
búsquedas robustas de hipocentros'' (p. 1.489).
Ingeniería de materiales
Giro, Cyrillo y Galvão 2002[27] utilizaron algoritmos genéticos para diseñar
polímeros conductores de electricidad basados en el carbono, conocicos como polianilinas.
Estos polímeros, un tipo de material sintético inventado recientemente, tienen ``grandes
aplicaciones tecnológicas potenciales'' y podrían abrir la puerta a ``nuevos fenómenos
físicos fundamentales'' (p. 170). Sin embargo, debido a su alta reactividad, los átomos de
carbono pueden formar un número virtualmente infinito de estructuras, haciendo que la
búsqueda de nuevas moléculas con propiedades interesantes sea del todo imposible. En
este artículo, los autores aplican un enfoque basado en AGs a la tarea de diseñar
moléculas nuevas con propiedades especificadas a priori, comenzando con una población
de candidatos iniciales generada aleatoriamente. Concluyen que su metodología puede
ser una ``herramienta muy efectiva'' (p. 174) para guiar a los investigadores en la
búsqueda de nuevos compuestos y es lo suficientemente general para que pueda
extenderse al diseño de nuevos materiales que pertenezcan virtualmente a cualquier tipo
de molécula.
Weismann, Hammel, y Bäck 1998[63] aplicaron algoritmos evolutivos a un problema
industrial ``no trivial'' (p. 162): el diseño de revestimientos ópticos multicapa para filtros que
reflejan, transmiten o absorben luz de frecuencias especificadas. Estos revestimientos se
utilizan en la fabricación de gafas de sol, por ejemplo, o discos compactos. Su fabricación
es una tarea precisa: las capas deben colocarse en una secuencia particular y con un
grosor particular para producir el resultado deseado, y las variaciones incontrolables del
entorno de fabricación, como la temperatura, la polución o la humedad, pueden afectar al
rendimiento del producto acabado. Muchos óptimos locales no son robustos ante estas
variaciones, lo que significa que una mayor calidad del producto se paga con una tasa
mayor de desviaciones indeseadas. El problema particular considerado en este artículo
también tenía múltiples criterios: además de la reflectancia, también se consideró la
composición espectral (color) de la luz reflejada.
El AE actuó variando el número de capas de revestimiento y el grosor de cada una
de ellas, y produjo diseños que eran ``sustancialmente más robustos a la variación de
parámetros'' (p. 166) y tenían un rendimiento medio mayor que los métodos tradicionales.
Los autores concluyen que ``los algoritmos evolutivos pueden competir e incluso superar a
los métodos tradicionales'' (p. 167) de diseño de revestimientos ópticos multicapa, sin
tener que incorporar un conocimiento específico del dominio en la función de búsqueda y
sin tener que alimentar a la población con buenos diseños iniciales.
Es digno de mención otro uso de los AGs en el campo de la ingeniería de
materiales: Robin et al. 2003[54] utilizaron AGs para diseñar patrones de exposición para
un haz de electrones de litografía, utilizado para grabar estructuras a una escala menor a
la del micrómetro en circuitos integrados. Diseñar estos patrones es una tarea muy difícil;
es pesado y costoso determinarlos experimentalmente, pero la alta dimensionalidad del
espacio de búsqueda frustra a la mayoría de los algoritmos de búsqueda. Deben
optimizarse simultáneamente hasta 100 parámetros para controlar el haz de electrones y
evitar la dispersión y efectos de proximidad que arruinarían las estructuras finas que se
estén esculpiendo. El problema directo -determinar la estructura resultante como función
de la cantidad de electrones- es sencillo y fácil de simular, pero el problema inverso de
determinar la cantidad de electrones para producir una estructura dada, que es lo que se
pretende resolver aquí, es mucho más difícil y no existe una solución determinista.
Se aplicaron algoritmos genéticos a este problema, ya que ``se sabe que son
capaces de encontrar soluciones buenas a problemas muy complejos de alta
dimensionalidad'' (p. 75) sin necesidad de proporcionarles información específica del
dominio acerca de la topología del paisaje de búsqueda. Los autores del artículo
emplearon un AG de estado estacionario con selección por rueda de ruleta en una
simulación por computador, que produjo unos patrones de exposición ``muy bien
optimizados'' (p. 77). En contraste, se utilizó un tipo de trepacolinas conocido como
algoritmo bajacolinas-simplex (simplex-downhill) en el mismo problema, sin éxito; el
método BS quedaba rápidamente atrapado en óptimos locales de los que no podía
escapar, produciendo soluciones de poca calidad. Un híbrido entre los métodos del AG y el
BS tampoco pudo mejorar los resultados ofrecidos por el AG en solitario.
Matemáticas y algoritmia
Aunque algunas de las aplicaciones más prometedoras y las demostraciones más
convincentes de la potencia de los AGs se encuentran en el campo de la ingeniería de
diseño, también son relevantes en problemas ``puramente'' matemáticos. Haupt y Haupt
1998[34] (p. 140) describen el uso de AGs para resolver ecuaciones de derivadas
parciales no lineales de alto orden, normalmente encontrando los valores para los que las
ecuaciones se hacen cero, y dan como ejemplo una solución casi perfecta para los
coeficientes de la ecuación de quinto orden conocida como Super Korteweg-de Vries.
Ordenar una lista de elementos es una tarea importante en la informática, y una red
de ordenación es una manera eficiente de conseguirlo. Una red de ordenación es una lista
fija de comparaciones realizadas en un conjunto de un tamaño dado; en cada comparación
se comparan dos elementos y se intercambian si no están en orden. Koza et al. 1999[41]
(p. 952) utilizaron programación genética para evolucionar redes de ordenación mínimas
para conjuntos de 7 elementos (16 comparaciones), conjuntos de 8 elementos (19
comparaciones) y conjuntos de 9 elementos (25 comparaciones). Mitchell 1996[47], p. 21,
describe el uso de algoritmos genéticos por W. Daniel Hillis para encontrar una red de
ordenación de 61 comparaciones para un conjunto de 16 elementos, sólo un paso más allá
de la más pequeña conocida. Este último ejemplo es especialmente interesante por las
dos innovaciones que utiliza: cromosomas diploides y, más notablemente, coevolución de
huésped/parásito. Tanto las redes de búsqueda como los casos de prueba evolucionaron
conjuntamente; se les otorgó mayor aptitud a las redes de ordenación que ordenaran
correctamente un mayor número de casos de prueba, mientras que se les otorgó mayor
aptitud a los casos de prueba que pudieran ``engañar'' a un mayor número de redes de
búsqueda para que ordenaran incorrectamente. El AG con coevolución rindió
significativamente mejor que el mismo AG sin ella.
Un ejemplo final de AG digno de mención en el campo de la algoritmia puede
encontrarse en Koza et al. 1999[41], que utilizó programación genética para descubrir una
regla para el problema de clasificación por mayoría en autómatas celulares de una
dimensión, una regla mejor que todas las reglas conocidas escritas por humanos. Un
autómata celular de una dimensión puede imaginarse como una cinta finita con un número
dado de posiciones (celdas) en ella, cada una de las cuales puede contener el estado 0 o
el estado 1. El autómata se ejecuta durante un número dado de pasos temporales; en
cada paso, cada celda adquiere un nuevo valor basado en su valor anterior y el valor de
sus vecinos más cercanos. (El Juego de la Vida es un autómata celular bidimensional). El
problema de la clasificación por mayoría implica encontrar una tabla de reglas tal que si
más de la mitad de las celdas de la cinta son 1 inicialmente, todas las celdas se ponen a 1;
de lo contrario, todas las celdas se ponen a 0. El reto consiste en el hecho de que
cualquier celda individual sólo tiene acceso a información acerca de sus vecinos más
cercanos; por lo tanto, los conjuntos de reglas buenos deben encontrar de algún modo una
manera de transmitir información sobre regiones distantes de la cinta.
Se sabe que no existe una solución perfecta a este problema -ningún conjunto de
reglas puede clasificar con precisión todas las configuraciones iniciales posibles-, pero
durante los últimos veinte años ha habido una larga sucesión de soluciones cada vez
mejores. En 1978, tres investigadores desarrollaron la famosa regla GKL, que clasifica
correctamente un 81,6% de los posibles estados iniciales. En 1993, se descubrió una regla
mejor con una precisión de un 81,8%; en 1995 se encontró otra regla con una precisión de
un 82,178%. Todas estas reglas requirieron para su desarrollo de un esfuerzo significativo
por parte de humanos inteligentes y creativos. En contraste, la mejor regla descubierta
mediante programación genética, descrito en Koza et al. 1999[41], p. 973, tiene una
precisión total de 82,326% -mejor que cualquiera de las soluciones humanas desarrolladas
durante las dos últimas décadas. Los autores señalan que sus nuevas reglas son
cualitativamente distintas a las reglas publicadas con anterioridad, al emplear
representaciones internas muy detalladas de la densidad de estados y conjuntos
intrincados de señales para comunicar información a largas distancias.
Ejército y cumplimiento de la ley
Kewley y Embrechts 2002[39] utilizaron algoritmos genéticos para evolucionar
planes tácticos para las batallas militares. Los autores señalan que ``planear una batalla
militar táctica es una tarea compleja multidimensoinal que a menudo atormenta a los
profesionales experimentados'' (p. 163), no sólo porque este tipo de decisiones a menudo
se toman bajo condiciones de mucho estrés, sino también porque hasta los planes más
sencillos requieren tomar en cuenta un gran número de variables y consecuencias:
minimizar las bajas amigas, maximizar las bajas enemigas, controlar el terreno deseado,
conservar recursos, etcétera. Los planificadores humanos tienen dificultades al tratar con
las complejidades de esta tarea y a menudo deben recurrir a métodos ``rápidos y sucios'',
como hacer lo que funcionase la última vez.
Para superar estas dificultades, los autores del artículo citado desarrollaron un
algoritmo genético para automatizar la creación de planes de batalla, en conjunción con un
programa gráfico de simulación de batallas. El comandante introduce el resultado deseado
y el AG evoluciona automáticamente un plan de batalla; en la simulación utilizada, se
tomaron en cuenta factores como la topografía del terreno, la cobertura vegetal, la
velocidad del movimiento de tropas, y la precisión en los disparos. En este experimento
también se utilizó la coevolución para mejorar la calidad de las soliciones: los planes de
batalla de las fuerzas enemigas evolucionaron simultáneamente con los planes amigos,
forzando al AG a corregir cualquier debilidad de su plan que pudiese explotar el enemigo.
Para medir la calidad de las soluciones producidas por el AG, se compararon con planes
de batalla para el mismo escenario producidos por un grupo de ``expertos militares
experimentados... considerados muy capaces de desarrollar planes de acción para el
tamaño de las fuerzas utilizadas en este experimento'' (p. 166). Estos avezados expertos
desarrollaron su propio plan y, cuando la solución del AG estuvo acabada, se les dio la
oportunidad de examinarla y modificarla como vieran conveniente. Finalmente, todos los
planes se ejecutaron varias veces en el simulador para determinar su calidad media.
Los resultados hablan por sí mismos: la solución evolucionada superó tanto al
propio plan de los expertos militares como al plan producido por sus modificaciones sobre
la solución del AG. ``...Los planes producidos por los algoritmos automáticos tenían un
rendimiento medio significativamente mayor al de los generados por los experimentados
expertos militares'' (p. 161). Es más, los autores señalan que el plan del AG tenía sentido
táctico. (Consistía en un ataque a dos flancos a la posición enemiga por pelotones de
infantería mecanizada apoyados por helicópteros de ataque y exploradores terrestres, en
conjunción con vehículos aéreos no tripulados realizando labores de reconocimiento para
el fuego directo de artillería). Por añadidura, el plan evolucionado incluía unidades amigas
individuales llevando a cabo misiones doctrinales -una propiedad emergente que apareció
durante el curso de la ejecución, en lugar de ser especificada por el experimentador. En
campos de batalla modernos, cada vez más conectados por red, el atractivo potencial de
un algoritmo evolutivo que pueda automatizar la producción de planes tácticos de alta
calidad debería ser obvio.
Naik 1996[48] informa de un uso interesante de los AGs en el cumplimiento de la
ley, describiendo el software ``FacePrints'', un proyecto para ayudar a los testigos a
identificar y describir a los sospechosos criminales. La imagen cliché del artista policía
haciendo un dibujo del rostro del sospechoso en base a la descripción de los testigos es
un método difícil e ineficiente: la mayoría de la gente no es buena describiendo aspectos
individuales del rostro de una persona, como el tamaño de la nariz o la forma de la
mandíbula, pero sin embargo son mejores al reconocer caras completas. FacePrints
aprovecha esto utilizando un algoritmo genético que evoluciona dibujos de caras
basándose en bases de datos de cientos de características individuales que pueden
combinarse de infinitas maneras. El programa muestra a los testigos imágenes de rostros
generadas aleatoriamente, y éstos escogen las que más se parecen a la persona que
vieron; las caras seleccionadas mutan y se combinan para generar nuevas combinaciones
de características, y el proceso se repite hasta que emerge un retrato preciso del rostro del
sospechoso. En un caso real de atraco, los retratos definitivos que crearon los tres testigos
eran sorprendentemente parecidos, y el dibujo resultante apareció en el periódico local.
Biología molecular
En los seres vivos, las proteínas transmembrana son proteínas que sobresalen de
una membrana celular. Las proteínas transmembrana realizan a menudo funciones
importantes como detectar la presencia de ciertas sustancias en el exterior de la célula o
transportarlas hacia el interior de la célula. Para comprender el comportamiento de una
proteína transmembrana es necesario identificar el segmento de la proteína que realmente
está insertado en la membrana, lo que se conoce como dominio transmembrana. Durante
las dos últimas décadas, los biólogos moleculares han publicado una serie de algoritmos
cada vez más precisos para este propósito.
Todas las proteínas utilizadas por los seres vivos están formadas por los mismos 20
aminoácidos. Algunos de estos aminoácidos son hidrofóbicos, lo que significa que repelen
el agua, y algunos son hidrofílicos, lo que significa que atraen el agua. Las secuencias de
aminoácidos que son parte de un dominio transmembrana tienen probabilidad de ser
hidrofóbicas. Sin embargo, la hidrofobicidad no es una característica definida con
precisión, y no existe acuerdo sobre una escala para medirla.
Koza et al. 1999[41], capítulo 16, utilizaron programación genética para diseñar un
algoritmo que identificase el dominio transmembrana de una proteína. Se le suministró al
programa genético un conjunto de operadores matemáticos estándares con los que
trabajar, además de un conjunto de funciones booleanas para la detección de aminoácidos
que devuelven +1 si el aminoácido de una posición dada es el aminoácido que detectan o
-1 en caso contrario. (Por ejemplo, la función A? recibe como argumento un número que
corresponde a una posición dentro de la proteína, y devuelve +1 si el aminoácido de esa
posición es alanina, denotado por la letra A, y si no devuelve -1). Una variable de memoria
compartida contenía una cuenta de la suma total, y cuando el algoritmo acababa, el
segmento proteínico se identificaba como dominio transmembrana si su valor era positivo.
Con tan sólo estas herramientas, ¿haría falta más información para que un diseñador
humano produjese una solución eficiente a este problema?
Las aptitudes de las soluciones producidas por la programación genética fueron
evaluadas probándolas con 246 segmentos proteínicos de los que se conocía su condición
de transmembrana. Luego se evaluó al mejor individuo de la prueba con 250 casos
adicionales inéditos (out-of-sample), y se comparó su efectividad con la de los cuatro
mejores algoritmos humanos para el mismo propósito. El resultado: la programación
genética produjo un algoritmo de identificación de segmentos transmembrana con una tasa
total de error del 1,6%-significativamente menor que las de los cuatro algoritmos humanos,
el mejor de los cuales tenía una tasa de error del 2,5%. El algoritmo diseñado
genéticamente, al que los autores llamaron regla 0-2-4, funciona de la manera siguiente:
 Incrementar la suma en 4 unidades por cada instancia de ácido glutámico (un
aminoácido cargado eléctricamente y muy hidrofílico) del segmento proteínico.
 Incrementar la suma en 0 unidades por cada instancia de alanina, fenilanalina,
isoleucina, leucina, meionina o valina (todos aminoácidos muy hidrofóbicos) del segmento
proteínico.
 Incrementar la suma en 2 unidades por cada instancia de cualquier otro
aminoácido.
 Si [(SUMA - 3,1544)/0,9357] es menor que la longitud del segmento proteínico,
clasificar ese segmento como dominio transmembrana; de lo contrario, clasificarlo como
dominio no transmembrana.
Reconocimiento de patrones y explotación de datos
La competición en la industria actual de las telecomunicaciones es feroz, y se ha
acuñado un nuevo término -``fuga''1- para describir la velocidad a la que los usuarios se
cambian de un proveedor de servicios a otro. La fuga le cuesta a las compañías de
telecomunicaciones una gran cantidad de dinero cada año, y reducir las fugas es un factor
importante para aumentar la rentabilidad. Si las compañías pueden contactar con los
clientes que tienen probabilidad de cambiar y ofrecerles incentivos especiales para que se
queden, puede reducirse la tasa de fugas; pero ninguna compañía tiene los recursos para
contactar a más de un pequeño porcentaje de sus clientes. El problema es, por tanto,
cómo identificar a los clientes que más piensen fugarse con mayor probabilidad. Todas las
compañías tienen grandes bases de datos con información de los clientes que
teóricamente puede utilizarse para este propósito; pero ¿qué método funciona mejor para
examinar esta enorme cantidad de datos e identificar los sutiles patrones y tendencias que
indican la probabilidad de fuga de un cliente?
Au, Chan y Yao 2003[7] aplicaron algoritmos genéticos a este problema para
generar un conjunto de reglas de tipo si-entonces para predecir la probabilidad de fuga de
distintos grupos de clientes. En su AG, la primera generación de reglas, todas las cuales
tenían una condición, fue generada utilizando una técnica de inducción probabilística. Las
generaciones posteriores las refinaron, combinando sencillas reglas de una condición con
reglas más complejas con varias condiciones. Para la medición de la aptitud se utilizó una
medida de correlación objetiva de la ``interesantitud'', que no necesitaba información de
entrada subjetiva. El algoritmo evolutivo de explotación de datos se probó sobre una base
de datos real de 100.000 clientes proporcionada por una compañía malasia, y su
rendimiento se comparó con el de dos métodos alternativos: una red neuronal multicapa y
un algoritmo basado en árbol de decisiones ampliamente utilizado, el C4.5. Los autores
afirman que su AE fue capaz de descubrir regularidades ocultas en la base de datos y
``fue capaz de hacer predicciones precisas de fuga con distintas tasas de fuga'' (p. 542),
superando al C4.5 bajo todas las circunstancias, superando a la red neuronal en tasas
mensuales de fuga bajas e igualándola en tasas de fuga mayores y, en ambos casos,
alcanzando las conclusiones más rápidamente. Algunas ventajas más del enfoque
evolutivo son que puede funcionar eficientemente incluso cuando faltan algunos campos
de datos, y que puede expresar sus descubrimientos en conjuntos de reglas fácilmente
comprensibles, al contrario que la red neuronal.
Entre algunas de las reglas más interesantes halladas por el AE se encuentran las
siguientes: los clientes tienen más probabilidad de fugarse si se han suscrito
personalmente al plan de servicios y no han sido admitidos en ningún plan de bonificación
(una solución potencial sería admitir a todos esos clientes en planes de bonificación); los
clientes tienen más probabilidad de fugarse si viven en Kuala Lumpur, tienen entre 36 y 44
años y pagan sus facturas en efectivo (supuestamente porque es más fácil cambiarse de
proveedor para los clientes que pagan al contado, a diferencia de los que cargan en
cuenta automáticamente); y los clientes que viven en Penang y contrataron a través de un
cierto vendedor tienen más probabilidades de fugarse (este vendedor puede estar
proporcionando un mal servicio al cliente y debería ser investigado).
Rizki, Zmuda y Tamburino 2002[53] utilizaron algoritmos evolutivos para evolucionar
un complejo sistema de reconocimiento de patrones con una amplia variedad de usos
potenciales. Los autores señalan que el reconocimiento de patrones es una tarea cada vez
más realizada por algoritmos de aprendizaje automático, en particular, algoritmos
evolutivos. La mayoría de ellos comienzan con un acervo de características predefinidas,
del que un AE puede seleccionar combinaciones apropiadas para la tarea en cuestión; en
contraste, este método empezaba desde cero, primero evolucionando detectores
individuales de característica en forma de árboles de expresiones, y luego evolucionando
combinaciones cooperativas de esos detectores para producir un sistema completo de
reconocimiento de patrones. El proceso evolutivo selecciona automáticamente el número
de detectores de característica, la complejidad de los detectores y los aspectos específicos
de los datos a los que responde cada detector.
Para probar su sistema, los autores le asignaron la tarea de clasificar aviones
basándose en sus reflexiones rádar. Un mismo tipo de avión puede devolver señales
bastante distintas dependiendo del ángulo y elevación desde el que se le observa, y
distintos tipos de avión pueden devolver señales muy parecidas, así que esto no es una
tarea trivial. El sistema de reconocimiento de patrones evolucionado clasificó
correctamente un 97,2% de los objetivos, un porcentaje neto mayor que el de las otras tres
técnicas -una red neuronal perceptrón, un algoritmo clasificador KNN y un algoritmo de
base radial- con las que fue comparado. (La precisión de la red de base radial era sólo un
0,5% menor que la del clasificador evolucionado, una diferencia que no es
estadísticamente significativa, pero la red de base radial necesitó 256 detectores de
característica mientras que el sistema reconocedor evolucionado sólo utilizó 17). Como
afirman los autores, ``los sistemas de reconocimiento que evolucionan utilizan menos
características que los sistemas producidos utilizando técnicas convencionales, pero
consiguen una precisión de reconocimiento comparable o superior'' (p. 607). También se
han aplicado varios aspectos de su sistema en problemas que incluyen el reconocimiento
óptico de caracteres, la revisión industrial y el análisis médico de imágenes.
Hughes y Leyland 2000[37] también aplicaron AGs multiobjetivo a la tarea de
clasificar objetivos basándose en sus reflexiones rádar. Los datos de una sección
transversal rádar de alta resolución necesitan enormes cantidades de espacio de
almacenamiento en disco, y producir un modelo realista de la fuente a partir de los datos
es muy costoso computacionalmente. En contraste, el método basado en el AG de los
autores demostró ser muy exitoso, produciendo un modelo tan bueno como el del método
iterativo tradicional, pero reduciendo el gasto computacional y las necesidades de
almacenamiento hasta el punto de que era factible generar buenos modelos en un
ordenador de escritorio. En contraste, el método iterativo tradicional requiere diez veces
más resolución y 560.000 veces más accesos a los datos de imagen para producir
modelos de calidad similar. Los autores concluyen que sus resultados ``demuestran
claramente'' (p. 160) la capacidad del AG de procesar datos de rádar bidimensionales y
tridimensionales de cualquier nivel de resolución con muchos menos cálculos que los
métodos tradicionales, manteniendo una precisión aceptablemente alta.
Robótica
El torneo internacional RoboCup es un proyecto para promocionar el avance de la
robótica, la inteligencia artificial y los campos relacionados, proporcionando un problema
estándar con el que probar las nuevas tecnologías -concretamente, es un campeonato
anual de fútbol entre equipos de robots autónomos. (El objetivo fijado es desarrollar un
equipo de robots humanoides que puedan vencer al equipo humano de fútbol que sea
campeón del mundo en 2050; actualmente, la mayoría de los equipos de robots
participantes funcionan con ruedas). Los programas que controlan a los miembros del
equipo robótico deben exhibir un comportamiento complejo, decidiendo cuándo bloquear,
cuándo tirar, cómo moverse, cuándo pasar la pelota a un compañero, cómo coordinar la
defensa y el ataque, etcétera. En la liga simulada de 1997, David Andre y Astro Teller
inscribieron a un equipo llamado Darwin United cuyos programas de control habían sido
desarrollados automáticamente desde cero mediante programación genética, un desafío a
la creencia convencional de que ``este problema es simplemente demasiado difícil para
una técnica como ésa'' (Andre y Teller 1999[3], p. 346).
Para resolver este difícil problema, Andre y Teller le proporcionaron al programa
genético un conjunto de funciones de control primitivas como girar, moverse, tirar, etcétera.
(Estas funciones estaban también sujetas al cambio y refinamiento durante el curso de la
evolución). Su función de aptitud, escrita para que recompensara el buen juego en general
en lugar de marcar goles expresamente, proporcionaba una lista de objetivos cada vez
más importantes: acercarse a la pelota, golpear la pelota, conservar la pelota en el campo
contrario, moverse en la dirección correcta, marcar goles y ganar el partido. Debe
señalarse que no se suministró ningún código para enseñar específicamente al equipo
cómo conseguir estos objetivos complejos. Luego los programas evolucionados se
evaluaron utilizando un modelo de selección jerárquico: en primer lugar, los equipos
candidatos se probaron en un campo vacío y, si no marcaban un gol en menos de 30
segundos, se rechazaban. Luego se evaluaron haciéndoles jugar contra un equipo
estacionario de ``postes pateadores'' que golpeaban la pelota hacia el campo contrario. En
tercer lugar, el equipo jugaba un partido contra el equipo ganador de la competición
RoboCup de 1997. Finalmente, los equipos que marcaron al menos un gol contra este
equipo jugaron unos contra otros para determinar cuál era el mejor.
De los 34 equipos de su división, Darwin United acabó en decimoséptima posición,
situándose justo en el medio de la clasificación y superando a la mitad de los participantes
escritos por humanos. Aunque una victoria en el torneo sin duda habría sido más
impresionante, este resultado es competitivo y significante de pleno derecho, y lo parece
aún más a la luz de la historia. Hace unos 25 años, los programas informáticos que
jugaban al ajedrez estaban en su infancia; por primera vez, una computadora había sido
inscrita recientemente en una competición regional, aunque no ganó (Sagan 1979[55], p.
286). Pero ``una máquina que juega al ajedrez a un nivel medio de la capacidad humana
es una máquina muy capaz'' (ibid.), y podría decirse que lo mismo es cierto para el fútbol
robotizado. Si las máquinas de ajedrez actuales compiten al nivel de los grandes maestros,
¿qué tipo de sistemas producirá la programación genética dentro de 20 o 30 años?
Diseño de rutas y horarios
Burke y Newall 1999[11] utilizaron algoritmos genéticos para diseñar los horarios de
los exámenes universitarios. Se sabe que, en general, el problema del horario es NP-
completo, lo que significa que no se conoce un método para hallar con garantías una
solución óptima en un tiempo razonable. En un problema así, hay restricciones duras -no
puede asignarse el mismo aula a dos exámenes a la vez- y restricciones suaves -si es
posible, no deben asignarse varios exámenes en sucesión a un mismo estudiante, para
minimizar la fatiga. Las restricciones duras deben satisfacerse, mientras que las
restricciones suaves deben satisfacerse lo máximo posible. Los autores llaman ``algoritmo
memético'' a su método híbrido para resolver este problema: un algoritmo evolutivo con
selección por rango proporcional a la aptitud, combinado con un trepacolinas local para
optimizar las soluciones halladas por el AE. El AE se utilizó en cuatro conjuntos de datos
de universidades reales (la menor de las cuales tenía 25.000 alumnos), y sus resultados
se compararon con los resultados producidos por un método heurístico de vuelta atrás, un
algoritmo muy consolidado que se encuentra entre los mejores que se conocen para este
problema y que se utiliza en varias universidades. Comparado con este método, el AE
produjo un resultado con una reducción de la penalización bastante uniforme del 40%.
He y Mort 2000[35] aplicaron algoritmos genéticos al problema de hallar rutas
óptimas en las redes de telecomunicaciones (como las redes de telefonía e Internet), que
se usan para transmitir datos desde los remitentes hasta los destinatarios. Esto es un
problema NP-difícil, un tipo de problema para el que los AGs son ``extremadamente
aptos... y han encontrado una enorme variedad de aplicaciones exitosas en esos campos''
(p. 42). Es además un problema multiobjetivo, en el que hay que equilibrar objetivos en
conflicto como maximizar el caudal de datos, minimizar los retrasos en la transmisión y la
pérdida de datos, encontrar caminos de bajo coste y distribuír la carga uniformemente
entre los encaminadores o conmutadores de la red. Cualquier algoritmo real satisfactorio
debe también ser capaz de redirigir el tráfico de las rutas principales que fallen o estén
congestionadas.
En el AG híbrido de los autores se utilizó un algoritmo de tipo ``primero el camino
más corto'', que minimiza el número de ``saltos'' que debe realizar un paquete de datos
dado, para generar la semilla de la población inicial. Sin embargo, esta solución no tiene
en cuenta la congestión o fallo de los enlaces, condiciones inevitables en redes reales, y
es entonces cuando el AG toma el control, intercambiando secciones de rutas. Cuando se
probó sobre un conjunto de datos derivado de una base de datos en red real de Oracle, se
descubrió que el AG era capaz de redirigir enlaces rotos o congestionados, equilibrar la
carga de tráfico y maximizar el caudal total de la red. Los autores afirman que estos
resultados demuestran la ``efectividad y escalabilidad'' del AG y que ``se pueden conseguir
soluciones óptimas o casi óptimas'' (p. 49).
Esta técnica ha encontrado aplicaciones reales para propósitos similares, como
informan Begley y Beals 1995[9]. La compañía de telecomunicaciones U.S. West (ahora
fusionada con Qwest) se enfrentó a la tarea de desplegar una red de fibra óptica. Hasta
hace poco, el problema de diseñar la red para minimizar la longitud total de cable
desplegado era resuelto por un ingeniero experimentado; ahora la compañía utiliza un
algoritmo genético para realizar la tarea automáticamente. Los resultados: ``El tiempo de
diseño para las redes nuevas ha caído de dos meses a dos días, y le supone un ahorro a
U.S. West de 1 millón a 10 millones de dólares cada una'' (p. 70).
Jensen 2003[38] y Chryssolouris y Subramaniam 2001[16] aplicaron algoritmos
genéticos a la tarea de generar programas para líneas de montaje (job shop scheduling).
Éste es un problema de optimización NP-difícil con múltiples criterios: deben tomarse en
cuenta factores como el coste, los retrasos y el rendimiento, y puede que se tenga que
cambiar al vuelo el programa de la línea de montaje debido a averías en la maquinaria,
ausencia de empleados, retrasos en la entrega de piezas, y otras complicaciones, lo que
hace que la robustez del programa sea una consideración importante. Ambos artículos
concluyen que los AGs son significativamente superiores a las reglas de despacho de
prioridad utilizadas comúnmente, al producir programas eficientes que pueden tratar con
más facilidad los retrasos y las averías. Estos resultados no son simplemente teóricos,
sino que se han aplicado a situaciones reales:
Como informa Naik 1996[48], los organizadores de los Juegos Paraolímpicos de
1992 utilizaron un AG para diseñar los horarios de los eventos. Como informa Petzinger
1995[50], John Deere & Co. ha utilizado AGs para generar los programas de montaje para
una planta de Moline, Illinois, que fabrica plantadoras y otras maquinarias agrícolas
pesadas. Al igual que los coches de lujo, éstas pueden construírse en una gran variedad
de configuraciones con muchas partes y opciones distintas, y la enorme cantidad de
maneras posibles de construirlas implica que el diseño eficiente de programas de montaje
sea un problema aparentemente intratable. La productividad se veía mermada por cuellos
de botella en el montaje, los equipos de trabajadores discutían, y se estaba perdiendo
dinero. Finalmente, en 1993, Deer acudió a Bill Fulkerson, un analista e ingeniero de
personal que concibió la utilización de un algoritmo genético para producir programas de
montaje para la planta. Tras superar el escepticismo inicial, el AG demostró su valía
rápidamente: la producción mensual aumentó un 50 por ciento, el tiempo extra casi
desapareció y otras plantas de Deere están incorporando los AGs en sus propios diseños
de programas de montaje.
Como informa Rao 1998[52], Volvo ha utilizado un programa evolutivo llamado
OptiFlex para diseñar el programa de montaje de su fábrica de Dublín, Virginia, de un
millón de metros cuadrados, una tarea que requiere controlar cientos de restricciones y
millones de permutaciones posibles para cada vehículo. Como todos los algoritmos
genéticos, OptiFlex funciona combinando aleatoriamente distintos programas de montaje
posibles, determinando su aptitud clasificándolos en base a sus costos, beneficios y
restricciones, y luego haciendo que las mejores soluciones intercambien genes entre ellas
y vuelvan a la población para otra prueba. Hasta hace poco, esta desalentadora tarea era
responsabilidad de un ingeniero humano, al que le llevaba hasta cuatro días producir el
programa para cada semana; ahora, gracias a los AGs, esta tarea se puede completar en
un día con una mínima intervención humana.
Como informa Lemley 2001[45], United Distillers and Vintners, una empresa
escocesa que es el mayor y más rentable distribuidor de licores del mundo y es
responsable de más de un tercio de la producción mundial de whisky de grano, utiliza un
algoritmo genético para administrar su inventario y sus suministros. Esto es una tarea
desalentadora que exige almacenar y distribuír eficientemente más de 7 millones de
barriles, que contienen 60 recetas distintas, entre un enorme sistema de almacenes y
destilerías, dependiendo de una multitud de factores como la edad, el número de malta, el
tipo de madera y las condiciones del mercado. Anteriormente, coordinar este complejo flujo
de suministro y demanda requería de cinco empleados a tiempo completo. Hoy, unas
cuantas pulsaciones de teclado en un ordenador solicitan a un algoritmo genético que
genere un programa cada semana, y la eficiencia de almacenamiento casi se ha
duplicado.
Beasley, Sonander y Havelock 2001[8] utilizaron un AG para programar los
aterrizajes del London Heathrow, el aeropuerto más transitado del Reino Unido. Esto es un
problema multiobjetivo que implica, entre otras cosas, minimizar los retrasos y maximizar
el número de vuelos mientras se mantiene la suficiente distancia de separación entre los
aviones (los vórtices de aire que se forman en la estela de un avión pueden ser peligrosos
para otro avión que vuele demasiado cerca). Comparado con los horarios reales de un
periodo intensivo del aeropuerto, el AG fue capaz de reducir el tiempo de espera medio en
un 2-5%, implicando dos o tres vuelos extra despegando y aterrizando por cada hora -una
mejora significativa. Sin embargo, se han logrado mejoras mayores: como se informa en
Wired 2002[1], aeropuertos internacionales y líneas aéreas importantes como Heatrhow,
Toronto, Sydney, Las Vegas, San Francisco, America West Airlines, AeroMexico y Delta
Airlines están utilizando algoritmos genéticos para programar los despegues, aterrizajes,
mantenimiento y otras tareas, mediante el software del Ascent Technology's SmartAirport
Operations Center (ver http://www.ascent.com/faq.html). Cruzando y mutando las
soluciones en forma de horarios que incorporan miles de variables, ``Ascent vence con
comodidad a los humanos, aumentando la productividad hasta en un 30 por ciento en
todos los aeropuertos en los que se ha implementado''.
Ingeniería de sistemas
Benini y Toffolo 2002[10] aplicaron un algoritmo genético a la tarea multiobjetivo de
diseñar molinos eólicos para generar energía eléctrica. Este diseño ``es un procedimiento
complejo caracterizado por varias decisiones sobre contrapartidas... El proceso de toma de
decisiones es muy difícil y no hay tendencias de diseño bien establecidas'' (p. 357); como
resultado, hoy existen varios tipos de turbina distintos y no hay acuerdo sobre cuál es la
óptima, si alguna lo es. Deben tomarse en cuenta objetivos mutuamente exclusivos como
la producción máxima de energía anual y el coste mínimo de la energía. En este artículo
se utilizó un algoritmo evolutivo multiobjetivo para encontrar el mejor conjunto de
contrapartidas entre estos objetivos, construyendo palas de molino con una configuración
óptima de características como la velocidad de la punta de la pala, la razón buje/punta, y la
distribución de cuerda y giro. Al final, al AG consiguió encontrar soluciones competitivas
con los diseños comerciales, además de dilucidar más claramente los márgenes entre los
que se puede aumentar la producción anual de energía sin producir diseños demasiado
caros.
Haas, Burnham y Mills 1997[32] utilizaron un algoritmo genético multiobjetivo para
optimizar la forma, orientación e intensidad del haz de los emisores de rayos X utilizados
en la radioterapia dirigida, para destruír los tumores cancerosos al tiempo que se evita el
tejido sano. (Los fotones de rayos X dirigidos hacia un tumor tienden a dispersarse por las
estructuras interiores del cuerpo, dañando inintencionadamente los órganos internos. El
reto consiste en minimizar este efecto mientras se maximiza la dosis de radiación dirigida
hacia el tumor). Utilizando un modelo de aptitud basada en rango, los investigadores
comenzaron con la solución producida por el método convencional, un método de mínimos
cuadrados iterativo, y luego utilizaron el AG para modificarlo y mejorarlo. Construyendo un
modelo del cuerpo humano y exponiéndolo al rayo evolucionado por el AG, encontraron un
buen acuerdo entre las distribuciones de radiación predichas y reales. Los autores
concluyen que sus resultados ``muestran una protección [de los órganos sanos] que no
podía lograrse utilizando las técnicas convencionales'' (p. 1745).
Lee y Zak 2002[44] utilizaron un algoritmo genético para evolucionar un conjunto de
reglas para controlar un sistema de frenos antibloqueo automovilístico. Aunque la
capacidad que tienen los sistemas de freno antibloqueo de reducir la distancia de frenada
y mejorar la maniobrabilidad ha salvado muchas vidas, el rendimiento del ABS depende de
las condiciones de la superficie de la carretera: por ejemplo, un controlador ABS que esté
optimizado para el asfalto seco no funcionará igual de bien en carreteras mojadas o
heladas, y viceversa. En este artículo, los autores proponen un AG para ajustar un
controlador ABS que pueda identificar las propiedades de la superficie de la carretera
(monitorizando el patinaje y aceleración de las ruedas) y pueda actuar en consecuencia,
liberando la cantidad adecuada de fuerza de frenado para maximizar la tracción de las
ruedas. En las pruebas, el ABS puesto a punto genéticamente ``exhibe características de
rodada excelentes'' (p. 206) y fue ``muy superior'' (p. 209) a los otros dos métodos de
maniobras de frenado, encontrando con rapidez nuevos valores óptimos para el patinaje
de las ruedas cuando cambia el tipo de terreno bajo un coche en movimiento, y reduciendo
la distancia total de frenada. ``La lección que hemos aprendido de nuestro experimento...
es que un AG puede ayudar a ajustar incluso un controlador bien diseñado. En nuestro
caso, ya teníamos una buena solución del problema; sin embargo, con la ayuda de un AG,
conseguimos mejorar significativamente la estrategia de control. En resumen, parece que
merece la pena intentar aplicar un AG incluso en un controlador bien diseñado, porque hay
muchas probabilidades de que se pueda hallar una configuración del controlador mejor
utilizando AGs'' (p. 211).
Como cita Schechter 2000[59], el Dr. Peter Senecal, de la Universidad de
Wisconsin, utilizó algoritmos genéticos de población pequeña para mejorar la eficiencia de
los motores diésel. Estos motores funcionan inyectando combustible en una cámara de
combustión que está llena de aire extremadamente comprimido, y por tanto
extremadamente caliente, lo bastante caliente para hacer que el combustible explote y
empuje un pistón que produce la fuerza motriz del vehículo. Este diseño básico ha
cambiado poco desde que Rudolf Diesel lo inventó en 1893; aunque se ha empleado
mucho esfuerzo en realizar mejoras, es una tarea muy difícil de realizar analíticamente,
porque requiere un conocimiento preciso del comportamiento turbulento que exhibe la
mezcla de combustible y aire, y de la variación simultánea de muchos parámetros
independientes. Sin embargo, el método de Senecal prescindía de ese conocimiento
específico del problema y, en cambio, funcionaba evolucionando parámetros como la
presión de la cámara de combustión, los tiempos de inyección de combustible y la cantidad
de combustible de cada inyección. El resultado: la simulación produjo un motor mejorado
que consumía un 15% menos de combustible que un motor diesel normal y producía dos
tercios menos de óxido nítrico de escape y la mitad de hollín. Luego el equipo de Senecal
construyó un motor diésel real de acuerdo con las especificaciones de la solución
evolucionada, y obtuvieron los mismos resultados. Ahora Senecal sigue su trabajo
evolucionando la geometría del propio motor, lo que con suerte producirá todavía más
mejoras.
Como citan Begley y Beals 1995[9], Texas Instruments utilizó un algoritmo genético
para optimizar la disposición de los componentes de un chip informático, colocando las
estructuras de manera que se minimice el área total para crear un chip lo más pequeño
posible. Utilizando una estrategia de conexiones que no se le había ocurrido a ningún
humano, el AG alcanzó un diseño que ocupaba un 18% menos de espacio.
 Finalmente, como cita Ashley 1992[5], empresas de la industria aeroespacial,
automovilística, fabril, turbomaquinaria y electrónica están utilizando un sistema de
software propietario conocido como Engineous, que utiliza algoritmos genéticos, para
diseñar y mejorar motores, turbinas y otros dispositivos industriales. En palabras de su
creador, el Dr. Siu Shing Tong, Engineous es ``un maestro `toqueteador', ensayando
incansablemente las puntuaciones de escenarios de tipo ``y-si'' hasta que emerge la mejor
solución posible'' (p. 49). En un ensayo del sistema, Engineous consiguió producir un
incremento del 0,92 por ciento de la eficiencia de una turbina experimental en sólo una
semana, mientras que diez semanas de trabajo de un diseñador humano sólo produjeron
un 0,5 por ciento de mejora.
Supuestamente, Engineous no sólo cuenta con algoritmos genéticos; también
emplea técnicas de optimización numérica y sistemas expertos que utilizan reglas si-
entonces para imitar el proceso de toma de decisiones de un ingeniero humano. Sin
embargo, estas técnicas dependen mucho de información específica del dominio, carecen
de aplicabilidad general, y son propensas a quedar atrapadas en óptimos locales. En
contraste, el uso de algoritmos genéticos permite a Engineous explorar regiones del
espacio de búsqueda que pasan por alto los otros métodos.
Engineous ha obtenido un amplio uso en una gran variedad de industrias y
problemas. El más famoso fue cuando se utilizó para mejorar la turbina generadora de
energía del avión Boeing 777; como informan Begley y Beals 1995[9], el diseño optimizado
genéticamente era casi un 1% más eficiente en combustible que los motores anteriores, lo
que en un campo como éste es una ganancia caída del cielo. Engineous también se ha
utilizado para optimizar la configuración de motores eléctricos industriales, generadores
hidroeléctricos y turbinas de vapor, para proyectar redes eléctricas, y para diseñar
generadores superconductores y generadores de energía nuclear para satélites en órbita.
Rao 1998[52] informa también de que la NASA ha utilizado Engineous para optimizar el
diseño de un avión de gran altitud para analizar la disminución del ozono, que debe ser a
la vez ligero y eficiente.
Argumentos creacionistas
Como era de esperar, la demostración real del poder de la evolución que
representan los AGs ha resultado sorprendente y descorcentante para los creacionistas,
que siempre han afirmado que sólo un diseño inteligente, no la variación aleatoria y la
selección, puede haber producido la cantidad y complejidad de información que contienen
los seres vivos. Por tanto, han argumentado que el éxito de los algoritmos genéticos no
nos permite deducir nada sobre la evolución biológica. Abordaré las críticas de dos
antievolucionistas que representan dos puntos de vista distintos: un creacionista de tipo
tierra-joven, el Dr. Don Batten, de ``Answers in Genesis'', que ha escrito un artículo titulado
``Algoritmos genéticos - ¿demuestran que la evolución funciona?'', y un creacionista de
tipo tierra-vieja y defensor del diseño inteligente, el Dr. William Dembski, cuyo reciente libro
``No Free Lunch'' (Dembski 2002[21]) trata sobre este tema.
Don Batten
Algunos caracteres de los seres vivos son cualitativos, mientras que los AGs
son siempre cuantitativos
Batten afirma que los AGs deben ser cuantitativos, de manera que se pueda
seleccionar cualquier mejora. Esto es cierto. Luego continua diciendo: ``Muchos caracteres
biológicos son cualitativos -o funcionan o no funcionan, así que no existe una manera de
llegar paso a paso de la ausencia de función a la función''. Sin embargo, esta aseveración
no ha sido demostrada, y no está apoyada por la evidencia. Batten ni siquiera intenta
ofrecer un ejemplo de caracter biológico que ``o funciona o no funciona'', y por tanto no
pueda construirse paso a paso.
Pero aunque hubiera ofrecido tal ejemplo de caracter, ¿cómo podría demostrar
razonablemente que no hay un camino paso a paso hasta él? Aunque no conozcamos tal
camino, ¿significa eso que no existe ninguno? Por supuesto que no. Batten afirma
efectivamente que si no entendemos cómo han evolucionado ciertos caracteres, entonces
es imposible que esos caracteres hayan evolucionado -un ejemplo clásico de la falacia
lógica elemental del argumento de la ignorancia. El espacio de búsqueda de todas las
posibles variantes de cualquier caracter biológico dado es enorme, y en la mayoría de los
casos nuestro conocimiento supone tan sólo una fracción infinitesimal de todas las
posibilidades. Perfectamente pueden existir numerosos caminos hacia una estructura de
los que no conozcamos nada todavía; no hay ninguna razón en absoluto para creer que
nuestra ignorancia actual establece límites a nuestro progreso futuro. De hecho, la historia
nos da razones para estar seguros de esto: los científicos han hecho enormes progresos
para explicar la evolución de muchas estructuras y sistemas biológicos complejos, tanto
macroscópicos como microscópicos (por ejemplo, vea estas páginas sobre la evolución de
sistemas moleculares complejos, genes ``reloj'', la lengua del pájaro carpintero o el
escarabajo bombardero). Tenemos justificación para creer probable que los que nos han
eludido hasta ahora también se entenderán con claridad en el futuro.
De hecho, los propios AGs nos ofrecen una excelente razón para suponer esto.
Muchos de los problemas en los que se han aplicado son problemas complejos de
ingeniería y diseño de los que no se conocía la solución previamente, y por lo tanto el
problema no podía ``amañarse'' para facilitar el éxito del algoritmo. Si los creacionistas
tuvieran razón, habría sido completamente razonable esperar que los algoritmos genéticos
hubieran fallado estrepitosamente una y otra vez al ser aplicados a estos problemas, pero,
en cambio, ha ocurrido justo lo contrario: los AGs han descubierto soluciones poderosas y
de gran calidad a problemas difíciles en una gran variedad de campos. Esto pone
seriamente en duda incluso si existen problemas como los que Batten describe, cuyas
soluciones sean inaccesibles a un proceso evolutivo.
Los AGs seleccionan un caracter cada vez, mientras que los seres vivos son
multidimensionales
Batten afirma que, en los AGs, ``se selecciona un caracter individual, mientras que
cualquier ser vivo es multidimensional'', y afirma que en los seres vivos con cientos de
caracteres, ``la selección tiene que operar con todos los caracteres que afecten a la
supervivencia'', mientras que ``[un] AG no funciona con tres o cuatro objetivos diferentes, o
me atrevería a decir que ni siquiera con dos''.
Este argumento revela la profunda ignorancia de Batten sobre la literatura relevante.
Tan sólo un vistazo superficial del trabajo realizado con algoritmos evolutivos (o un vistazo
a la sección anterior de este ensayo) habría revelado que los algoritmos genéticos
multiobjetivo son un campo de investigación importante y floreciente dentro del más amplio
campo de la computación evolutiva, y le habría evitado realizar una afirmación tan
embarazosamente incorecta. Existen artículos de revista, números enteros de revistas
prominentes sobre computación evolutiva, conferencias enteras y libros enteros sobre el
tema de los AGs multiobjetivo. Coello 2000[18] proporciona una recopilación muy extensa,
con cinco páginas de referencias a artículos sobre el uso de algoritmos genéticos
multiobjetivo en una amplio abanico de campos; vea también Fleming y Purshouse
2002[22]; Hanne 2000[33]; Zitzler y Thiele 1999[65]; Fonseca y Fleming 1995[23]; Srinivas
y Deb 1994[60]; Goldberg 1989[29], p. 197. Sobre el uso de AGs multiobjetivo para
resolver problemas específicos, vea los libros y artículos: Obayashi et al. 2000[49]; Sasaki
et al. 2001[57]; Benini y Toffolo 2002[10]; Haas, Burnham y Mulls 1997[32]; Chryssolouris y
Subramaniam 2001[16]; Hughes y Leyland 2000[37]; He y Mort 2000[35]; Kewley y
Embrechts 2002[39]; Beasley, Sonander y Havelock 2001[8]; Sato et al. 2002[58]; Tang et
al. 1996[62]; Williams, Crossley y Lang 2001[64]; Koza et al. 1999[41]; Koza et al.
2003[42]. Vea un repositorio extenso de referencias sobre AGs multiobjetivo en
http://www.lania.mx/ccoello/EMOO.
Los AGs no permiten la posibilidad de una extinción o una catástrofe de
errores
Batten afirma que, en los AGs, ``siempre sobrevive algo para mantener el proceso'',
mientras que esto no es necesariamente cierto en el mundo real -en resument, los AGs no
permiten la posibilidad de una extinción.
Sin embargo, esto no es cierto; la extinción puede ocurrir. Por ejemplo, algunos AGs
utilizan un modelo de selección con umbral en el que los individuos deben tener una
aptitud superior a un nivel predeterminado para poder sobrevivir y reproducirse (Haupt y
Haupt 1998[34], p. 37). Si no hay ningún individuo que cumpla este criterio en este tipo de
AG, la población puede extinguirse efectivamente. Pero incluso en AGs que no establecen
umbrales pueden ocurrir estados análogos a la extinción. Si las tasas de mutación son
demasiado altas o las presiones selectivas demasiado fuertes, un AG nunca encontrará
una solución factible. La población puede acabar en un caos sin remedio al verse
afectados los cantidatos aptos por el hecho de que las mutaciones perjudiciales se
desarrollen con más rapidez de la que la selección puede eliminarlas (catástrofe de
errores), o puede retorcerse inútilmente, incapaz de conseguir ningún aumento de la
aptitud lo bastante grande para que pueda ser seleccionado. Al igual que en la naturaleza,
debe haber un equilibrio o nunca se alcanzará una solución. La ventaja que tiene un
programador a este respecto es que, si ocurre esto, él puede introducirle al programa
valores diferentes -para el tamaño de la población, para la tasa de mutación, para la
presión selectiva- y comenzar de nuevo. Obviamente, esto no es una opción para los seres
vivos. Batten dice que ``no existe una regla en la evolución que diga que algunos
organismos de la población que evoluciona permanecerán viables ocurran las mutaciones
que ocurran'', pero tampoco existe una regla así en los algoritmos genéticos.
Batten también afirma que ``los AGs que he observado preservan artificialmente a
los mejores de la generación anterior y los protegen de las mutaciones o la recombinación,
en caso de que no se produzca algo mejor en la siguiente generación''. Abordaré esta
crítica en el siguiente punto.
Los AGs ignoran el coste de las sustituciones
La siguiente afirmación de Batten es que los AGs ignoran el ``dilema de Haldane'',
que dice que un alelo que contribuya menos a la aptitud de un organismo tardará
correspondientemente más tiempo en fijarse en la población. Obviamente, a lo que se
refiere es a la técnica de selección elitista, que selecciona automáticamente al mejor
candidato de cada generación sin importar lo pequeña que sea su ventaja sobre sus
competidores. Tiene razón al sugerir que, en la naturaleza, las ventajas competitivas muy
pequeñas pueden tardar en propagarse mucho más. Los algoritmos genéticos no son un
modelo exacto de la evolución biológica a este respecto.
Sin embargo, esto no viene al caso. La selección elitista es una idealización de la
evolución biológica -un modelo de lo que pasaría en la naturaleza si de vez en cuando no
interviniese el azar. Como reconoce Batten, el dilema de Haldane no afirma que una
mutación ligeramente ventajosa nunca quedará fijada en una población; afirma que tardará
más en hacerlo. Sin embargo, cuando el tiempo de computación está muy demandado o
cuando un investigador de AGs desea obtener una solución con mayor rapidez, puede ser
deseable saltarse este proceso implementando el elitismo. Un punto importante es que el
elitismo no afecta a qué mutaciones surgen, sólo asegura la selección de las mejores que
surjan. No importaría lo fuerte que fuera la selección si no ocurrieran mutaciones que
incrementasen la información. En otras palabras, el elitismo acelera la convergencia una
vez que se ha descubierto una solución buena -no provoca un resultado que no habría
ocurrido de otra manera. Por lo tanto, si los algoritmos genéticos con elitismo pueden
producir información nueva, entonces también lo puede hacer la evolución en la
naturaleza.
Además, no todos los AGs utilizan selección elitista. Muchos no lo hacen, y en
cambio dependen sólo de selección por ruleta de rueda y otras técnicas de muestreo
estocásticas, con no menor éxito. Por ejemplo, Koza et al 2003[42], p. 8-9, proporciona
ejemplos de 36 casos en los que la programación genética ha producido resultados
competitivos con los de los humanos, incluyendo la recreación automática de 21 inventos
patentados con anterioridad (seis de los cuales fueron patentados durante o después de
2000), 10 de los cuales duplican la funcionalidad de la patente de manera diferente, e
incluyendo además dos nuevos inventos patentables y cinco algoritmos nuevos que
superan a cualquier algoritmo humano escrito para el mismo propósito. Como declara el
Dr. Koza en una referencia anterior al mismo trabajo (1999[41], p. 1.070): ``No se utiliza la
estrategia elitista''. Algunos artículos más citados en este ensayo, en los que no se utiliza
el elitismo: Robin et al. 2003[54]; Rizki, Zmuda y Tamburino 2002[53]; Chryssolouris y
Subramaniam 2001[16]; Burke y Newall 1999[11]; Glen y Payne 1995[28]; Au, Chan y Yao
2003[7]; Jensen 2003[38]; Kewley y Embrechts 2002[39]; Williams, Crossley y Lang
2001[64]; Mahfoud y Mani 1996[46]. En todos estos casos, sin ningún mecanismo para
asegurar que se seleccionaban los mejores individuos de cada generación, sin eximir a
estos individuos del potencial cambio aleatorio perjudicial, los algoritmos genéticos siguen
produciendo resultados poderosos, eficientes y competitivos con los resultados humanos.
Este hecho puede ser sorprendente para creacionistas como Batten, pero es algo
completamente esperado para los defensores de la evolución.
Los AGs ignoran las limitaciones temporales para una generación
Esta crítica es confusa. Batten afirma que una generación puede durar
microsegundos en un AG, mientras que en los seres vivos una generación puede durar
desde minutos hasta años. Esto es cierto, pero no explica cómo influye esto en la validez
de los AGs como evidencia para la evolución. Si un AG puede generar información nueva,
tarde el tiempo que tarde, entonces la evolución natural puede hacer lo mismo sin duda;
que los AGs pueden efectivamente hacerlo es todo lo que trata de demostrar este ensayo.
La única cuestión restante sería entonces si la evolución biológica ha tenido realmente el
tiempo necesario para causar un cambio significativo, y la respuesta a esta cuestión está a
cargo de los biólogos, geólogos y físicos, no de los programadores informáticos.
Sin embargo, la respuesta que han proporcionado estos científicos está en
completo acuerdo con las escalas de tiempo evolutivas. Numerosas líneas independientes
de evidencia, incluyendo la datación isocrónica radiométrica, los ritmos de enfriamiento de
las enanas blancas, la no existencia en la naturaleza de isótopos con tiempos cortos de
semideintegración, los ritmos de alejamiento de las galaxias lejanas, y el análisis de la
radiación cósmica de fondo, convergen hacia la misma conclusión: una Tierra y un
universo con muchos miles de millones de años, sin duda tiempo suficiente para que la
evolución haya producido toda la diversidad de vida que observamos hoy para todas las
estimaciones razonables.
Las altas tasas de mutación y reproducción que emplean los AGs no son
realistas
 Batten afirma, sin proporcionar ninguna evidencia o referencia que le apoye, que los
AGs ``producen comúnmente cientos o miles de `descendientes' por generación'', un ritmo
que ni siquiera las bacterias, los organismos biológicos que se reproducen con mayor
velocidad, pueden igualar.
Esta crítica erra el tiro de varias maneras. Primero, si la métrica que se utiliza es
(como debería ser) el número de descendientes por generación, en lugar del número de
descendientes por unidad de tiempo absoluto, entonces existen evidentemente
organismos biológicos que pueden reproducirse a ritmos mayores que los de las bacterias
y que casi igualan los ritmos que Batten considera no realistas. Por ejemplo, una sola rana
puede poner miles de huevos de una vez, cada uno de los cuales tiene el potencial de
desarrollarse como adulto. De acuerdo, la mayoría de éstos normalmente no sobrevivirán
debido a las limitaciones de recursos y a la depredación, pero entonces la mayoría de la
``descendencia'' de cada generación en un AG tampoco sobrevivirá.
Segundo, y más importante: un algoritmo genético trabajando para resolver un
problema no pretende representar a un solo organismo. En cambio, un algoritmo genético
es más análogo a una población completa de organismos -después de todo, son las
poblaciones, y no los individuos, los que evolucionan. Por supuesto, es completamente
plausible que una población tenga colectivamente cientos o miles de descendientes por
generación. (El creacionista Walter ReMine comete este mismo error con respecto al
programa ``weasel'' del Dr. Richard Dawkins. Vea este Mensaje del Mes para más
información).
Además, dice Batten, la tasa de mutación es artificialmente alta en los AGs,
mientras que los seres vivos tienen una maquinaria de comprobación de errores diseñada
para limitar la tasa de mutación en aproximadamente 1 por cada 10.000 millones de par de
bases (aunque esto es demasiado poco -la cifra real está más cerca de 1 por cada 1.000
millones. Ver Dawkins 1996[20], p. 124). Por supuesto, esto es cierto. Si los AGs mutasen
a este ritmo, tardarían muchísimo en resolver problemas reales. Evidentemente, lo que
debe considerarse relevante es la tasa de mutación relativa al tamaño del genoma. La tasa
de mutación debe ser lo bastante alta para promover una cantidad suficiente de diversidad
en la población sin acabar con los individuos. Un ser humano corriente posee entre una y
cinco mutaciones; esto es perfectamente realista para la descendencia de un AG.
Los AGs tienen genomas artificialmente pequeños
El argumento de Batten de que el genoma de un algoritmo genético ``es
artificialmente pequeño y sólo realiza una cosa'' está completamente errado. En primer
lugar, como ya hemos visto, no es cierto que un AG sólo realice una cosa; hay muchos
ejemplos de algoritmos genéticos diseñados específicamente para optimizar muchos
parámetros simultáneamente, a menudo muchos más parámetros de los que podría
manejar un diseñador humano.
¿Y exactamente cómo cuantifica Batten lo de ``artificialmente pequeño''? Muchos
algoritmos evolutivos, como el programa genético de John Koza, utilizan codificaciones de
tamaño variable donde el tamaño de las soluciones candidatas pueden crecer
arbitrariamente. Batten afirma que hasta los seres vivos más sencillos tienen mucha más
información en su genoma que la que un AG haya producido nunca, pero si los
organismos vivos actuales tienen genomas relativamente grandes es porque se ha ganado
mucha complejidad en el curso de los miles de años de evolución. Como señala el artículo
Probabilidad de abiogénesis, hay buenas razones para creer que los primeros organismos
vivos eran mucho más sencillos que cualquier especie actual -las moléculas
autorreplicadoras probablemente no tenían más de 30 o 40 subunidades, pudiendo quedar
especificadas perfectamente con los 1.800 bits de información que Batten reconoce que ha
generado al menos un AG. Asimismo, los algoritmos genéticos son una técnica muy nueva
cuyo potencial completo todavía no ha sido explotado; las propias computadoras digitales
sólo tienen unas pocas décadas, y como señala Koza (2003[42], p. 25), las técnicas de
computación evolutiva han generado resultados cada vez más sustanciales y complejos
durante los últimos 15 años, en sincronía con el rápido aumento de la potencia
computacional, a menudo referida como la ``ley de Moore''. Al igual que la vida primigenia
era muy sencilla comparada con la que vino después, es probable que los algoritmos
genéticos actuales, a pesar de los impresionantes resultados que ya han producido, den
origen a resultados mucho más importantes en el futuro.
Los AGs ignoran la posibilidad de que ocurran mutaciones por todo el
genoma
Aparentemente, Batten no comprende cómo funcionan los algoritmos genéticos, y lo
demuestra realizando este argumento. Afirma que, en la vida real, ``las mutaciones
ocurren por todo el genoma, no sólo en un gen o sección que especifique un caracter
dado''. Esto es cierto, pero cuando dice que lo mismo no es cierto para los AGs, se
equivoca. Exactamente igual que en los seres vivos, los AGs deben escardar los genes
perjudiciales al tiempo que seleccionan los beneficiosos.
Batten continua afirmando que ``el propio programa está protegido contra las
mutaciones, sólo las secuencias objetivo mutan'', y si el programa mutara, fallaría poco
después. Esta crítica, sin embargo, es irrelevante. No existe razón para que el programa
que gobierna a un AG tenga que mutar. El programa no es parte del algoritmo genético; el
programa es el que supervisa al algoritmo genético y produce las mutaciones en las
soluciones candidatas, que son lo que el programador busca mejorar. El programa que
ejecuta al AG no es análogo a la maquinaria reproductiva de un organismo, una
comparación que trata de establecer Batten. En cambio, es análogo a las leyes naturales
invariantes que gobiernan los entornos en los que viven y se reproducen los seres vivos, y
no se espera que éstas cambien ni necesitan ``protegerse'' de ello.
Los AGs ignoran los problemas de la complejidad irreducible
Utilizando el argumento de la ``'' del creacionista de tipo tierra-vieja Michael Behe,
Batten argumenta: ``Muchos caracteres biológicos requieren la presencia de muchos
componentes distintos, funcionando juntos, para que el caracter pueda existir'', mientras
que esto no ocurre en los AGs.
Sin embargo, es trivial demostrar que esta afirmación es falsa, ya que los algoritmos
genéticos han producido sistemas irreduciblemente complejos. Por ejemplo, el circuito
reconocedor de voz que evolucionó el Dr. Adrian Thompson (Davidson 1997[ 19]) está
compuesto de 37 puertas lógicas. Cinco de ellas ni siquiera están conectadas al resto del
circuito, aunque hacen falta las 37 para que el circuito funcione; si cualquiera de ellas se
desconecta de la fuente de alimentación, todo el sistema deja de funcionar. Esto se ajusta
a la definición de sistema complejo irreducible de Behe, y demuestra que un proceso
evolutivo puede producir cosas así.
Debe señalarse que este argumento es el mismo que el primero, simplemente
presentado en un lenguaje distinto, y por tanto la refuntación es la misma. La complejidad
irreducible no es un problema para la evolución, esté la evolución ocurriendo en los seres
vivos de la naturaleza o en el silicio del procesador de una computadora.
Los AGs ignoran la poligenia, la pleiotropía y otras complejidades genéticas
Batten argumenta que los AGs ignoran asuntos como la poligenia (la determinación
de un caracter por múltiples genes), pleiotropía (un gen que afecte a múltiples caracteres)
y los genes dominantes y recesivos.
 Sin embargo, ninguna de estas afirmaciones es cierta. Los AGs no ignoran la
poligenia y la pleiotropía: simplemente se permite que estas propiedades surjan de manera
natural en lugar de programarlas deliberadamente. Es obvio que en cualquier sistema
complejo interdependiente (es decir, un sistema no lineal), la alteración o eliminación de
una parte causará una reacción en cadena por todo el sistema; por tanto, los AGs
incorporan de manera natural la poligenia y la pleiotropía. ``En la literatura sobre
algoritmos genéticos, la interacción entre parámetros se conoce como epistasis (un
término biológico para la interacción entre genes). Cuando hay poca o ninguna epistasis,
los algoritmos de búsqueda mínima [es decir, los trepacolinas **-A.M.] rinden mejor. Los
algoritmos genéticos brillan cuando la epistasis es media o alta...'' (Haupt y Haupt
1998[34], p. 31, itálicas originales).
Igualmente, hay algunas implementaciones de algoritmos genéticos que sí tienen
cromosomas diploides y genes dominantes y recesivos (Goldberg 1989[29], p. 150;
Mitchell 1996[47], p. 22). Sin embargo, los que no lo son simplemente se parecen más a
los organismos haploides, como las bacterias, que a los organismos diploides, como los
seres humanos. Ya que las bacterias están entre los organismos más exitosos de este
planeta (para ciertas medidas), tales AGs siguen siendo un buen modelo de la evolución.
Los AGs no tienen múltiples sistemas de lectura
Batten habla de la existencia de múltiples sistemas de lectura en los genomas de
algunos seres vivos, en los que las secuencias de ADN codifican distintas proteínas
funcionales cuando se leen en direcciones distintas o con distintos desplazamientos de
inicio. Afirma que ``crear un AG para generar una codificación con información densa así
parecería imposible''.
Un reto así pide una respuesta, y aquí está: Soule y Ball 2001[61]. En este artículo,
los autores presentan un algoritmo genético con múltiples sistemas de lectura y
codificación densa, permitiéndole almacenar más información que el tamaño total de su
genoma. Al igual que los codones de tres nucleótidos especifican aminoácidos en los
genomas de los seres vivos, en este AG los codones eran cadenas binarias de cinco
dígitos (hay por lo tanto 25 o 64 codones posibles, el mismo número de codones en los
sistemas biológicos). Como los codones tenían cinco dígitos de longitud, había cinco
sistemas de lectura posibles. La secuencia 11111 sirve como codon de ``comienzo'' y la
00000 como codon de ``parada''; como el codon de comienzo y parada pueden aparecer
en cualquier lugar del genoma, la longitud de cada individuo era variable. Las regiones del
cromosoma que no caían entre pares comienzo-parada eran ignoradas.
El AG se probó con cuatro problemas clásicos de maximización de funciones.
``Inicialmente, la mayoría de los bits no participan en ningún gen, es decir, la mayor parte
de un cromosoma no codifica nada. De nuevo, esto es porque en los individuos iniciales
aleatorios hay relativamente pocos pares de codones comienzo-parada. Sin embargo, el
número de bits que no participan disminuye extremadamente rápido''. Durante el curso de
la ejecución, el AG puede incrementar la longitud efectiva de su genoma introduciendo
nuevos codones de comienzo en distintos sistemas de lectura. Al final de la ejecución, ``la
cantidad de superposiciones es bastante alta. Muchos bits participan en varios genes (a
menudo en los cinco)''. En todos los problemas probados, el AG empezó, de media, con 5
variables especificadas; al final de la ejecución, ese número se había incrementado hasta
una media de 25.
En los problemas de prueba, el AG con múltiples sistemas de lectura produjo
soluciones significativamente mejores que un AG estándar en dos de los cuatro
problemas, y mejores soluciones medias en los otros dos. En uno de los problemas, el AG
comprimió con éxito 625 bits de información en un cromosoma de sólo 250 bits de
longitud, utilizando sistemas de lectura alternativos. Los autores tildan este
comportamiento de ``extremadamente sofisticado'' y concluyen que ``estos datos muestran
que un AG puede utilizar con éxito sistemas de lectura a pesar de la complejidad añadida''
y que ``es claro que un AG puede introducir nuevos`genes' mientras sea necesario para
resolver un cierto problema, incluso con las dificultades impuestas al utilizar codones de
comienzo y parada y genes superpuestos''.
Los AGs tienen objetivos predeterminados
Como muchas otras, esta objeción demuestra que Batten no comprende bien lo que
es un algoritmo genético y cómo funciona. Argumenta que los AGs, al contrario que la
evolución, tienen objetivos predeterminados y especificados desde el principio, y como
ejemplo de esto, ofrece el programa ``weasel'' del Dr. Richard Dawkins.
Sin embargo, el programa weasel no es un verdadero algoritmo genético, y no
representa a los algoritmos genéticos, precisamente por esa razón. No pretendía
demostrar el poder de resolución de problemas de la evolución. En cambio, su única
intención era mostrar la diferencia entre la selección de un solo paso (la infame frase del
``tornado pasando por una chatarrería y produciendo un 747'') y la selección acumulativa
de múltiples pasos. Tenía un objetivo específico predeterminado de antemano. Los
algoritmos genéticos verdaderos, en cambio, no lo tienen.
En un sentido más general, los AGs sí tienen un objetivo, a saber, encontrar una
solución aceptable a un problema dado. En este mismo sentido, la evolución también tiene
un objetivo: producir organismos que estén mejor adaptados a su entorno y por tanto
experimenten un mayor éxito reproductivo. Pero al igual que la evolución es un proceso sin
objetivos específicos, los AGs no especifican de antemano cómo debe resolverse un
problema dado. La función de aptitud solamente se establece para evaluar lo bien que
funciona una solución candidata, sin especificar ninguna forma de funcionar particular y sin
juzgar de qué manera inventa. La solución en sí emerge luego mediante un proceso de
mutación y selección.
La siguiente afirmación de Batten demuestra claramente que no entiende lo que es
un algoritmo genético. Afirma que ``quizás si el programador pudiera dar con un programa
que permitiera que ocurriera cualquier cosa y luego midiera la capacidad de supervivencia
de los `organismos', se estaría acercando a lo que se supone que hace la evolución'' -pero
así es exactamente como funcionan los algoritmos genéticos. Generan aleagoriamente
soluciones candidatas y provocan mutaciones aleatorias sobre ellas durante muchas
generaciones. No se especifica ninguna configuración de antemano; como dice Batten, se
permite que ocurra cualquier cosa. Como escribe John Koza (2003[42], p. 37), repitiendo
misteriosamente las palabras de Batten: ``Una característica importante... es que la
selección [en la programación genética] no es codiciosa. Los individuos que se sabe que
son iferiores serán seleccionados hasta un cierto grado. No se garantiza que se
seleccionará el mejor individuo de la población. Además, el peor individuo de la población
no será necesariamente excluído. Puede ocurrir cualquier cosa y nada está garantizado''.
(Una sección anterior trató este punto concreto como uno de los puntos fuertes de los
AGs). Y, sin embargo, aplicando un filtro selectivo a estas candidatas mutadas
aleatoriamente, surgen soluciones eficientes, complejas y poderosas a problemas difíciles,
soluciones que no fueron diseñadas por ninguna inteligencia y que a menudo pueden
igualar o superar a las soluciones diseñadas por los humanos. La alegre afirmación de
Batten de que ``por supuesto eso es imposible'' está en contradicción directa con la
realidad.
Los AGs no generan información nueva en realidad
 La crítica final de Batten dice así: ``Para un AG particular, necesitamos preguntar
qué parte de la `información' generada por el programa está en realidad especificada en el
programa, en lugar de haber sido generada de novo''. Acusa a los AGs de que a menudo
no hacen más que encontrar la mejor manera de que ciertos módulos interaccionen,
cuendo los propios módulos y las maneras que tienen de interactuar están especificadas
de antemano.
Es difícil saber qué hacer con este argumento. Cualquier problema imaginable -los
términos en una ecuación de cálculo, las moléculas en una célula, los componentes de un
motor, el capital en un mercado financiero- pueden expresarse en términos de módulos
que interactúan de cierta manera. Si todo lo que se tiene son módulos sin especificar que
interactúan de maneras sin especificar, no hay problema que resolver. ¿Significa esto que
la solución a ningún problema requiere la generación de información nueva?
Respecto a la crítica de Batten sobre que la información contenida en la solución
esté especificada en el problema, la mejora manera de mitigar sus preocupaciones es
señalar la cantidad de ejemplos en los que los AGs comienzan con poblaciones iniciales
generadas aleatoriamente que no están de ninguna manera diseñadas para ayudar al AG
a resolver el problema. Algunos de tales ejemplos son: Graham-Rowe 2004[31]; Davidson
1997[19]; Assion et al. 1998[6]; Giro, Cyrillo y Galvão 2002[27]; Glen y Payne 1995[28];
Chryssolouris y Subramaniam 2001[16]; Williams, Crossley y Lang 2001[64]; Robin et al.
2003[54]; Andreou, Georgopoulos y Lokothanassis 2002[4]; Kewley y Embrechts 2002[39];
Rizki, Zmuda y Tamburino 2002[53]; y especialmente Koza et al. 1999[41] y Koza et al.
2003[42], que analiza el uso de programación genética para generar 36 inventos
competitivos con los humanos de diseños de circuitos analógicos, biología molecular,
algoritmia, diseño de controladores industriales y otros campos, todos comenzando con
poblaciones de candidatas iniciales generadas aleatoriamente.
De acuerdo, algunos AGs sí comienzan con soluciones generadas inteligentemente
que luego intentan mejorar, pero esto es irrelevante: en esos casos el objetivo no es sólo
devolver la solución de entrada inicial, sino mejorarla mediante la producción de
información nueva. En cualquier caso, aunque la situación inicial sea como la describe
Batten, encontrar la manera más eficiente mediante la que un cierto número de módulos
puede interactuar bajo un conjunto dado de limitaciones puede ser una tarea nada trivial,
cuya solución implique una cantidad considerable de información nueva: el diseño de
horarios en los aeropuertos internacionales, por ejemplo, o las líneas de montaje de una
fábrica, o la distribución de barriles entre almacenes y destilerías. De nuevo, los AGs han
demostrado su efectividad a la hora de resolver problemas cuya complejidad abrumaría a
cualquier humano. A la luz de las múltiples innovaciones y soluciones inesperadamente
efectivas que ofrecen los AGs en muchos campos, la afirmación de Batten de que ``la
cantidad de información nueva generada (por un AG) es normalmente bastante trivial''
suena verdaderamente hueca.
William Dembski
El reciente libro ``No Free Lunch: Why Specified Complexity Cannot Be Purchased
Without Intelligence'' (``No dan almuerzos gratis: por qué la complejidad específica no
puede conseguirse sin inteligencia''), del creacionista de tipo tierra-vieja, el Dr. William
Dembski, está dedicado principalmente al tema de los algoritmos evolutivos y de cómo se
relacionan con la evolución biológica. En particular, el libro de Dembski trata de una
cualidad elusiva que él llama ``complejidad especificada'' que, según afirma él, está
presente en gran abundancia en los seres vivos, y que además los procesos evolutivos
son incapaces de generar, dejando como única alternativa el ``diseño'' a un ``diseñador
inteligente'' sin identificar, mediante mecanismos sin especificar. Para apoyar su caso,
Dembski apela a un tipo de teoremas matemáticos conocidos como teoremas No Dan
Almuerzos Gratis que, según él, demuestran que los algoritmos evolutivos, de media, no lo
hacen mejor que una búsqueda ciega.
Richard Wein ha escrito una refutación excelente y detallada de Dembski, titulada
Not a Free Lunch But a Box of Chocolates (No un almuerzo gratis sino una caja de
chocolates), y no reproduciré sus ideas aquí. En cambio, me centraré en el capítulo 4 del
libro de Dembski, que trata en detalle de los algoritmos genéticos.
Dembski tiene un argumento principal en contra de los AGs, desarrollado a fondo a
lo largo de este capítulo. Aunque no niega que pueden producir resultados impresionantes
-de hecho, dice que hay algo ``extrañamente persuasivo y casi mágico'' (p. 221) acerca del
modo en el que los AGs pueden encontrar soluciones diferentes a cualquier cosa diseñada
por seres humanos-, sostiene que su éxito es debido a la complejidad específica ``pasada
de tapadillo'' dentro de ellos por sus diseñadores humanos y que posteriormente se
manifiesta en las soluciones que producen. ``En otras palabras, toda la complejidad
específica que obtenemos de un algoritmo evolutivo debe aportarse primero en su
construcción y en la información que guía al algoritmo. Los algoritmos evolutivos, por tanto,
no generan o crean complejidad específica, sino que simplemente aprovechan la
complejidad especificada que ya existe'' (p. 270).
El primer problema evidente en el argumento de Dembski es éste. Aunque su
capítulo sobre algoritmos evolutivos ocupa aproximadamente 50 páginas, las primeras 30
de ellas hablan de nada más que el algoritmo ``weasel'' del Dr. Richard Dawkins, el cual,
como ya se ha dicho, no es un verdadero algoritmo genético y no es representativo de los
algoritmos genéticos. Los otros dos ejemplos de Dembski -las antenas genéticas de
alambre doblado de Edward Altshuler y Derek Linden y las redes neuronales que juegan a
las damas de Kumar Chellapilla y David Fogel- se introducen tan sólo en las últimas 10
páginas del capítulo y son tratadas en tres páginas, en combinación. Esto es una seria
deficiencia, considerando que el programa ``weasel'' no es representativo de la mayor
parte del trabajo que se hace en el campo de la computación evolutiva; no obstante,
analizaré los argumentos de Dembski relacionados con él.
Respecto al programa ``weasel'', Dembski afirma que ``Dawkins y sus compañeros
darwinistas utilizan este ejemplo para ilustrar el poder de los algoritmos evolutivos'' (p. 182)
y, de nuevo, ``los darwinistas... están encantados con el ejemplo CREO QUE SE PARECE
A UNA COMADREJA y lo consideran ilustrador del poder de los algoritmos evolutivos para
generar complejidad específica'' (p. 183). Esto es un hombre de paja, creación de Dembski
(¡sobre todo porque el libro de Dawkins fue escrito mucho antes de que Dembski acuñara
ese término!). Esto es lo que Dawkins dice realmente del propósito de su programa:
Lo que importa es la diferencia entre el tiempo que tarda la selección acumulativa, y
el tiempo que tardaría la misma computadora, funcionando absolutamente a la misma
velocidad, en alcanzar la frase objetivo si estuviera obligada a utilizar el otro procedimiento
de selección de un solo paso: más o menos un millón de millones de millones de millones
de millones de años'' (Dawkins 1996[20], p. 49, itálicas originales).
En otras palabras, el programa ``weasel'' pretendía demostrar la diferencia entre
dos tipos distintos de selección: la selección de un solo paso, en la que un resultado
complejo está producido por puro azar en un solo salto, y la selección acumulativa, en la
que un resultado complejo se construye poco a poco mediante un proceso de filtrado que
preserva preferentemente las mejoras. Nunca pretendió ser una simulación de la evolución
en su totalidad.
La selección de un solo paso es el proceso absurdamente improbable atacado con
frecuencia en la literatura creacionista, comparándolo con un tornado pasando por una
chatarrería y produciendo un avión 747, o una explosión en una imprenta produciendo un
diccionario. La selección acumulativa es lo que realmente utiliza la evolución. Utilizando la
selección de un solo paso para alcanzar un resultado funcional de alguna complejidad
significativa, hanría que esperar, de media, muchas veces la edad actual del universo.
Utilizando selección acumulativa, por contra, se puede alcanzar ese mismo resultado en
un periodo de tiempo comparativamente muy corto. El objetivo del programa ``weasel'' de
Dawkins era demostrar esta diferencia, y era el único objetivo del programa. En una nota al
pie de este capítulo, Dembski escribe: ``Es curioso cómo se recicla el ejemplo de Dawkins
sin ninguna indicación de las dificultades fundamentales que lo acompañan'' (p. 230), pero
tan sólo los conceptos erróneos de las mentes de los creacionistas como Dembski y
Batten, que atacan al programa ``weasel'' por no demostrar algo que nunca pretendía
demostrar, son los que dan lugar a estas ``dificultades''.
A diferencia de todos los ejemplos de algoritmo evolutivo tratados en este ensayo,
el programa ``weasel'' tiene ciertamente un resultado especificado de antemano, y la
calidad de las soluciones que genera se juzga comparándola explicítamente con ese
resultado especificado de antemano. Por tanto, Dembski tiene toda la razón cuando dice
que el programa ``weasel'' no genera información nueva. No obstante, luego realiza un
salto gigantesco y completamente injustificado, al extrapolar esta conclusión a todos los
algoritmos evolutivos: ``Como única posibilidad que puede alcanzar el algoritmo evolutivo
de Dawkins, la secuencia objetivo tiene de hecho una complejidad mínima... Por lo tanto,
los algoritmos evolutivos son incapaces de generar verdadera complejidad'' (p. 182). Hasta
Dembski parece reconocer esto cuando escribe: ``...la mayoría de los algoritmos evolutivos
de la literatura están programados para buscar en un espacio de soluciones posibles a un
problema hasta que encuentran una respuesta -no, como hace Dawkins, programando
explícitamente la respuesta de antemano'' (p. 182). Pero luego, habiendo dado una razón
perfectamente buena de por qué el programa ``weasel'' no es representativo de los AGs en
conjunto, ¡prosigue inexplicablemente realizando esa falaz generalización!
En realidad, el programa ``weasel'' es significativamente distinto de la mayoría de
los algoritmos genéticos, y por tanto el argumento por analogía de Dembski no se
sostiene. Los verdaderos algoritmos evolutivos, como los ejemplos examinados en este
ensayo, no buscan simplemente un camino hacia soluciones ya descubiertas por otros
métodos -en cambio, se les presenta un problema para el que no se conoce una solución
óptima de antemano, y se les pide que descubran esa solución por su cuenta. En realidad,
si los algoritmos genéticos no pudieran hacer más que redescubrir soluciones ya
programadas dentro de ellos, ¿qué sentido tendría utilizarlos? Sería un ejercicio de
redundancia. Sin embargo, el amplio interés científico (y comercial) por los AGs demuestra
que hay mucha más sustancia en ellos que en el ejemplo bastante trivial al que Dembski
pretende reducir todo este campo.
Después de colocar y luego derribar este hombre de paja, Dembski avanza hacia su
siguiente línea de argumentación: que la complejida específica exhibida por los resultados
de los algoritmos evolutivos más representativos ha sido ``pasada de tapadillo'' por los
diseñadores dentro del algoritmo, al igual que en el programa ``weasel''. ``Pero siempre
encontramos que cuando parece generarse complejidad específica de la nada, en realidad
ha sido cargada de antemano, pasada de tapadillo u ocultada a la vista'' (p. 204). Dembski
sugiere que el ``escondite'' más común de la complejidad específica está en la función de
aptitud del AG. ``Lo que ha hecho [el algoritmo evolutivo] es aprovecharse de la
complejidad específica inherente a la función de aptitud y la ha utilizado para buscar y
encontrar el objetivo...'' (p. 194). Dembski prosigue argumentando que, antes de que un
AE pueda buscar una solución en un paisaje adaptativo dado, antes debe emplearse algún
mecanismo para seleccionar ese paisaje adaptativo de entre lo que él llama un espacio de
fases de todos los posibles paisajes adaptativos, y que si ese mecanismo es también
evolutivo, antes debe emplearse algún otro mecanismo para seleccionar su función de
aptitud de un espacio de fases aún mayor, y así sucesivamente. Dembski concluye que la
única manera de detener esta regresión infinita es mediante la inteligencia, la cual, según
el, posee la irreducible y misteriosa habilidad de seleccionar una función de aptitud de un
espacio de fases dado sin recurrir a espacios de fases de mayor orden. ``Sólo existe un
generador de complejidad específica conocido, y éste es la inteligencia'' (p. 207).
Dembski tiene razón cuando dice que la función de aptitud ``guía a un algoritmo
evolutivo hacia el objetivo'' (p. 192). Sin embargo, no tiene razón cuando afirma que
seleccionar la función de aptitud correcta es un proceso que requiera la generación de más
complejidad específica de la que el propio AE produce. Como escribe Koza (1999[41], p.
39), la función de aptitud le dice a un algoritmo evolutivo ``qué hay que hacer'', no ``cómo
hacerlo''. A diferencia del nada representativo programa ``weasel'', normalmente la función
de aptitud de un AE no especifica ninguna forma particular que la solución deba adquirir, y
por tanto no se puede decir que contribuya a la ``complejidad específica'' de la solución
evolucionada en ningún sentido.
Un ejemplo ilustrará la idea con mayor detalle. Dembski afirma que en el
experimento de las damas de Chellapilla y Fogel, su elección de mantener constante el
criterio de victoria entre juego y juego ``insertó una enorme cantidad de complejidad
específica'' (p. 223). Desde luego, es cierto que el producto final de este proceso exhibía
una gran cantidad de complejidad específica (se defina como se defina ese término). Pero
¿es cierto que la medida de aptitud elegida contuviese tanta complejidad específica? Esto
es lo que dicen realmente Chellapilla y Fogel:
Para apreciar el nivel de juego que se había conseguido, puede ser útil considerar
el siguiente experimento mental. Suponga que le piden jugar a un juego en un tablero de
ocho por ocho casillas con colores alternos. Hay 12 piezas en cada lado ordenadas de una
cierta manera antes de empezar el juego. Le dicen las reglas de movimiento de las piezas
(es decir, el movimiento diagonal, comer forzosamente, la promoción) y que se pueden
comer piezas. Sin embargo, no le dicen si comer piezas es favorable o desfavorable (hay
una versión de las damas llamada `damas suicidas', en la que el objetivo es `perder' lo
más rápidamente posible) o incluso si constituye información relevante. Y lo que es más
importante, no le dicen cuál es el objetivo del juego. Usted simplente realiza movimientos y
en algún momento un observador externo declara que el juego ha acabado. No obstante,
no le proporcionan información de si ha ganado, perdido o empatado. Los únicos datos
que usted recibe llegan tras un mínimo de cinco partidas y se ofrecen en la forma de una
puntuación global. Por tanto, no puede saber con certeza qué juegos contribuyeron a la
puntuación global ni en qué grado. Su reto consiste en inducir los movimientos apropiados
en cada partida tan sólo a partir de esta burda información'' (Chellapilla y Fogel 2001[13],
p. 427).
La afirmación de Dembski de que esta medida de la aptitud insertó una ``enorme''
cantidad de complejidad específica excede los límites de lo absurdo. Si se le diera la
misma información a un ser humano que nunca hubiera oído hablar de las damas, y
meses después volviéramos para descubrir que se ha convertido en un jugador experto a
nivel internacional, ¿podemos concluír que se ha generado complejidad específica?
Dembski afirma que para refutar su argumento, ``hace falta demostrar que
encontrar la información que guía a un algoritmo evolutivo hacia un objetivo es
sustancialmente más fácil que encontrar el objetivo directamente mediante una búsqueda
ciega'' (p. 204). Sostengo que ése es precisamente el caso. Intuitivamente, no debe
sorprender que la función de aptitud contenga menos información que la solución
evolucionada. Ésta es precisamente la razón por la que los AGs han hallado un uso tan
amplio: es más fácil (requiere menos información) escribir una función de aptitud que mida
lo buena que es una solución que diseñar una buena solución desde cero.
En términos más informales, consideremos los dos ejemplos de Dembski, la antena
genética de alambre doblado y la red neuronal jugadora de damas evolucionada llamada
Anaconda. Obtener una estrategia ganadora requiere una gran cantidad de información
detallada sobre el juego de las damas (considere a Chinook y su enorme biblioteca de
finales de partida). Sin embargo, no hace falta una información igualmente detallada para
reconocer una estrategia así cuando se la ve: todo lo que necesitamos observar es que
esa estrategia vence consistentemente a sus oponentes. De manera similar, una persona
que no supiera nada sobre cómo diseñar una antena que radie uniformemente en una
región hemisférica en un cierto rango de frecuencias, podría sin embargo probar una
antena así y verificar si funciona como se pretende. En ambos casos, determinar lo que
constituye una aptitud alta es mucho más fácil (requiere menos información) que averiguar
cómo conseguir una aptitud alta.
De acuerdo, aunque requiera menos información escoger una función de aptitud
para un problema dado que resolver verdaderamente el problema definido por esa función
de aptitud, sí que hace falta algo de información para especificar la función de aptitud en
primer lugar, y es una cuestión legítima preguntar de dónde viene esta información inicial.
Dembski todavía puede preguntar sobre el origen de la inteligencia humana que nos
permite decidir resolver un problema en lugar de otro, o sobre el origen de las leyes
naturales del cosmos que hacen posible que la vida exista y florezca y que ocurra la
evolución. Éstas son preguntas válidas, y Dembski tiene derecho a pensar en ellas. Sin
embargo, en este punto - aparentemente inadvertido por el propio Dembski- se ha alejado
de su argumento inicial. Ya no está afirmando que la evolución no pueda ocurrir; en
cambio, esencialmente está preguntando por qué vivimos en un universo en el que puede
ocurrir la evolución. En otras palabras, Dembski no parece darse cuenta de que la
conclusión lógica de su argumento es la evolución teísta. Es perfectamente compatible con
un Dios que (como muchos cristianos, incluyendo el biólogo evolutivo Kenneth Miller,
creen) utilizó la evolución como su herramienta creativa, y creó el universo para hacer que
fuera no sólo probable, sino seguro.
Concluiré aclarando algunos conceptos erróneos menores adicionales del capítulo 4
de No Free Lunch. Para empezar, aunque Dembski, al contrario que Batten, está
claramente informado acerca del campo de la optimización multiobjetivo, afirma
erróneamente que ``hasta que no se consiga alguna forma de univalencia, la optimización
no puede comenzar'' (p. 186). El análisis de los algoritmos genéticos multiobjetivo de este
ensayo muestran el error de esta afirmación. Quizá otras técnicas de diseño tengan esta
restricción, pero una de las virtudes de los AGs es precisamente que pueden establecer
contrapartidas y optimizar varios objetivos mutuamente exclusivos simultáneamente, y
luego un supervisor humano puede elegir la solución que mejor consiga los resultados
esperados del grupo final de soluciones paretianas. No es necesario ningún método para
combinar múltiples criterios en uno.
Dembski también afirma que los AGs ``parecen menos expertos a la hora de
construír sistemas integrados que requieran de múltiples partes para realizar funciones
novedosas'' (p. 237). La gran cantidad de ejemplos detallados en este ensayo (en
particular, la utilización de John Koza de la programación genética para diseñar circuitos
analógicos complejos) demuestran que esta afirmación también es falsa.
 Finalmente, Dembski menciona que INFORMS, la organización profesional de la
comunidad de investigación de operaciones, le presta muy poca atención a los AGs, y esto
``es una razón para ser escéptico acerca del alcance y poder general de esta técnica'' (p.
237). Sin embargo, sólo porque una sociedad científica particular no esté haciendo un uso
generalizado de los AGs no significa que esos usos no sean generalizados en otros sitios
o en general, y este ensayo ha procurado demostrar que éste es ciertamente el caso. Las
técnicas evolutivas han hallado una amplia variedad de usos en prácticamente todos los
campos de la ciencia que merece la pena nombrar, además de muchas empresas del
sector comercial. Aquí hay una lista parcial:
 Lockheed Martin (Gibbs 1996[25])
 GlaxoSmithKline (Gillet 2002[26])
 LBS Capital Management (Naik 1996[48])
 First Quadrant (Begley and Beals 1995[9])
 Texas Instruments (Begley and Beals 1995[9])
 U.S. West (Begley and Beals 1995[9])
 John Deere & Co. (Petzinger 1995[50])
 Volvo (Rao 1998[52])
 Ascent Technology (Wired 2002[1])
 Boeing (Ashley 1992[5])
 British Petroleum (Lemley 2001[45])
 Ford Motor Company (Lemley 2001[45])
 Unilever (Lemley 2001[45])
 United Distillers and Vintners (Lemley 2001[45])
En contraste, dada la escasez de descubrimientos e investigación científica
estimulados por el diseño inteligente, Dembski no se encuentra en posición de quejarse de
la falta de aplicaciones prácticas. El diseño inteligente es una hipótesis vacía, que no nos
dice nada más que ``algún diseñador hizo algo, de alguna manera, en algún momento,
para provocar este resultado''. En contraste, este ensayo ha demostrado con suerte que la
evolución es una estrategia de resolución de problemas llena de aplicaciones prácticas.
Conclusión
Hasta los creacionistas encuentran imposible negar que la combinación de la
mutación y la selección natural puede producir adaptación. No obstante, todavía siguen
intentando justificar su rechazo a la evolución dividiendo el proceso evolutivo en dos
categorías -``microevolución'' y ``macroevolución''- y afirmando que sólo la segunda es
controvertida, y que cualquier cambio evolutivo que podemos observar es sólo un ejemplo
de la primera.
Veamos. La microevolución y la macroevolución son términos que tienen significado
para los biólogos; se definen, respectivamente, como evolución por debajo del nivel de
especies y evolución al nivel de especies o por encima. Pero la diferencia crucial entre el
modo en el que los creacionistas utilizan estos términos y el modo en el que lo hacen los
científicos es que los científicos reconocen que los dos son fundamentalmente el mismo
proceso con los mismos mecanismos, tan sólo operando a diferentes escalas. Sin
embargo, los creacionistas están obligados a postular algún tipo de brecha infranqueable
que los separa, para poder negar que los procesos de cambio y adaptación que vemos en
la actualidad puedan extrapolarse para producir toda la diversidad que vemos en el mundo
de los seres vivos.
No obstante, los algoritmos genéticos hacen que esta idea sea insostenible, al
demostrar la naturaleza sin junturas del proceso evolutivo. Consideremos, por ejemplo, un
problema que consista en programar un circuito para que discrimine entre un tono de 1
kilohercio y un tono de 10 kilohercios, y responda respectivamente con salidas uniformes
de 0 y 5 voltios. Digamos que tenemos una solución candidata que puede discriminar con
precisión entre los dos tonos, pero sus salidas no son lo bastante uniformes como se
requiere; producen pequeñas ondulaciones en lugar del voltaje constante requerido.
Supuestamente, de acuerdo con las ideas creacionistas, cambiar este circuito de su
estado presente a la solución perfecta sería ``microevolución'', un cambio pequeño dentro
de las capacidades de la mutación y la selección. Pero, sin duda -argumentaría un
creacionista-, llegar a este mismo estado final desde una ordenación inicial completamente
aleatoria de componentes sería ``macroevolución'', y estaría más allá del alcance de un
proceso evolutivo. Sin embargo, los algoritmos genéticos han sido capaces de conseguir
ambas cosas: evolucionar el sistema a partir de una ordenación aleatoria hasta la solución
casi perfecta y finalmente hasta la solución perfecta y óptima. No surgió ninguna dificultad
o brecha insalvable en ningún punto del camino. En ningún momento hizo falta
intervención humana para montar un conjunto de componentes irreduciblemente complejo
(a pesar del hecho de que el producto final sí contiene tal cosa) o para ``guiar'' al sistema
evolutivo a través de algún pico dificultoso. El circuito evolucionó, sin la ayuda de ninguna
orientación inteligente, desde un estado completamente aleatorio y no funcional hasta un
estado rigurosamente complejo, eficiente y óptimo. ¿Cómo puede no ser esto una
demostración experimental convincente del poder de la evolución?
Se dice que la evolución cultural humana ha reemplazado a la biológica -que
nosotros, como especie, hemos llegado a un punto en el que somos capaces de controlar
conscientemente nuestra sociedad, nuestro entorno y hasta nuestros genes al nivel
suficiente para hacer que el proceso evolutivo sea irrelevante. Se dice que los caprichos
culturales de nuestra cambiante sociedad son los que determinan la aptitud hoy en día, en
lugar de la marcha enormemente lenta, en comparación, de la mutación genética y la
selección natural. En cierto sentido, esto puede ser perfectamente cierto.
Pero en otro sentido, nada podría estar más lejos de la verdad. La evolución es un
proceso de resolución de problemas cuyo poder sólo comenzamos a comprender y
explotar; a pesar de esto, ya está funcionando por todas partes, moldeando nuestra
tecnología y mejorando nuestras vidas, y, en el futuro, estos usos no harán sino
multiplicarse. Sin un conocimiento detallado del proceso evolutivo no habrían sido posibles
ninguno de los incontables avances que le debemos a los algoritmos genéticos. Aquí hay
una lección que deben aprender los que niegan el poder de la evolución y los que niegan
que el conocimiento de ella tenga beneficios prácticos. Por increíble que pueda parecer, la
evolución funciona. Como lo expresa el poeta Lord Byron: ``Es extraño pero cierto; porque
la verdad siempre es extraña, más extraña que la ficción.''

********
Algoritmo genético
De Wikipedia
(Redirigido desde Algoritmos genéticos)
Saltar a navegación, búsqueda
En los años setenta, de la mano de John Holland surgió una de las líneas más
prometedoras de la inteligencia artificial, la de los algoritmos genéticos. Son llamados así
porque se inspiran en la evolución biológica y su base genético-molecular.
Estos algoritmos hacen evolucionar una población de individuos sometiéndola a
acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y
recombinación genética), 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 forman parte de una familia denominada algoritmos
evolutivos, que incluye las Estrategias de evolución, la Programación evolutiva y la
Programación genética. Dentro de esta última se han logrado avances curiosos:
En 1999, por primera vez en la historia, se concedió una patente a un invento no
realizado directamente por un ser humano: se trata de una antena de forma extraña, pero
que funciona perfectamente en las condiciones a las que estaba destinada.
No hay, sin embargo, nada injusto en el hecho de que el autor del algoritmo
genético del que salió la forma de la antena se haya atribuido la autoría de la patente,
pues él escribió el programa e ideó el criterio de selección que condujo al diseño
patentado.
Un algoritmo genético es un método de búsqueda dirigida basada en probabilidad.
Bajo una condición muy débil (que el algoritmo mantenga elitismo, es decir, guarde
siempre al mejor elemento de la población sin hacerle ningún cambio) se puede demostrar
que el algoritmo converge en probabilidad al óptimo. En otras palabras, al aumentar el
número de iteraciones, la probabilidad de tener el óptimo en la población tiende a 1.
[editar]
Esquema general del algoritmo
1. Inicializar aleatoriamente una población de soluciones a un problema,
representadas por una estructura de datos adecuada.
2. Evaluar cada una de las soluciones, y asignarle una puntuación o fitness
según lo bien que lo hayan hecho.
3. Escoger de la población la parte que tenga una puntuación mayor
4. Mutar (cambiar) y entrecruzar (combinar) las diferentes soluciones de esa
parte escogida, para reconstruir la población.
5. Repetir un número determinado de veces, o hasta que se haya encontrado
la solución deseada.
****/////
Algoritmos Genéticos: una introducción
Asís García Chao

1. Introducción

1.1. Origen

Los algoritmos genéticos (AG), fueron inventados en 1975 por John Holland, de la
Universidad de Michigan. Los AG son, simplificando, algoritmos de optimización, es decir,
tratan de encontrar la mejor solución a un problema dado entre un conjunto de soluciones
posibles. Los mecanismos de los que se valen los AG para llevar a cabo esa búsqueda
pueden verse como una metáfora de los procesos de evolución biológica.

2. Algoritmos Genéticos

2.1. Descripción

Los algoritmos genéticos son, grosso modo, un método de optimización: dada una función
objetivo, el AG lleva a cabo una búsqueda en el espacio de soluciones intentando
encontrar la solución que minimiza dicha función objetivo. Por lo tanto, los algoritmos
genéticos están indicados para resolver todo tipo de problemas que puedan ser
expresados como un problema de optimización: basta con encontrar la representacón
adecuada para las soluciones y la función a optimizar.

Básicamente, los algoritmos genéticos funcionan como sigue: dada una población de
soluciones, y en base al valor de la función objetivo para cada una de los individuos
(soluciones) de esa población, se seleccionan los mejores individuos (los que minimizan la
función objetivo) y se combinan para generar otras nuevos. Este proceso se repite
cíclicamente[1].

Como se pude ver, el proceso es similar al que se da en la naturaleza: una serie de

individuos compiten por su supervivencia; los mejor adaptados al medio (los que optimizan
la función objetivo) sobreviven y tienen más posibilidades de aparearse, transmitiendo así
parte de su material genético "mejor adaptado" a las generaciones siguientes. De esta
manera, generación tras generación, la especie consigue una mayor y mejor adaptación al
medio en el que vive.

2.2. Funcionamiento

2.2.1. Bases biológicas

Como ya se ha dicho, los algoritmos genéticos están inspirados en la naturaleza, en la

evoución de las especies. Por ello, para comprender su funconamiento es aconsejable
conocer primero cómo funcionan los mecanismos de la evolución desde un punto de vista
meramente biológico[2].

En primer lugar, hay que percatarse de que el primer factor clave en el proceso evolutivo
es la presión selectiva que ejerce el medio sobre las poblaciones [3] que lo habitan.
Básicamente, ni el espacio vital ni el alimento son suficientes para todos, de modo que
algunos individuos, concretamente aquéllos más débiles (o más correctamente, peor
adaptados), tienen menos probabilidades de sobrevivir y de aparearse.

Se genera así un mecanismo de selección que filtra el conjunto de la población. Este filtro,
el de la adaptación al medio, permite seleccionar a aquellos individuos cuyas
características se ajustan mejor a las vicisitudes que plantea la supervivencia en el entorno
natural en el que se desarrolla su existencia. Así mismo, se desechan las "soluciones"
inadecuadas, esto es, las características de los individuos no adaptados.

Se dijo antes que el primer factor clave en la evolución es la presión selectiva del medio.
Pues bien, el segundo factor clave es la información genética y su transmisión entre
generaciones. La información genética, codificada en el ADN, describe a un individuo
concreto de forma completa, determinando las características que dicho individuo
desarrollará a lo largo de su vida. De esta manera, el que un individuo se adapte o no al
medio depende básicamente de la información contenida en su material genético. La
transmisión de dicha información mediante la reproducción es la que articula el proceso
evolutivo, el cual se vale de la recombinación del material genético aportado por los
progenitores para "ensayar" nuevos conjuntos de características, generando así una
descendencia que hereda en lo posible todas aquéllas que resultan ventajosas.

De este modo, a lo largo de generaciones sucesivas, el material genético de los individuos

mejor adaptados prevalece, generándose en cada ciclo reproductor individuos mejor
adaptados, en promedio, que aquéllos de los que descienden.

2.2.2. Descripción algorítmica

A continuación se describe un algoritmo genético básico. Las similitudes con el proceso

natural de la evolución son evidentes pero, de todos modos, se expondran a medida que
surjan.

En primer lugar, debe definirse el problema. Para que el AG funcione, será necesario dar
una función que permita medir cómo de acertada es una solución respecto a otra. En otros
términos, el problema debe poder definirse como un problema de minimización (o
maximización) de una función objetivo, que representa la presión selectiva del medio.

En segundo lugar, deberá especificarse la manera de codificar las soluciones. Lo más

usual es escoger una representación en forma de cadena de bits. La interpretación que se
dé a esa cadena dependerá de la naturaleza de la solución (puede ser la codificación de
un valor entero, de un real, una ristra de balores booleanos...)

Una vez se conoce el problema y la manera de representar sus soluciones, se procede a

implementar el AG. Para facilitar la comprensión de la explicación que sigue, se expondrá
mediante seudocódigo, el cual se comentará a continuación.
1. Inicializar la población
2. Selección
1. Aplicar función objetivo
2. Ordenar según valor obtenido
3. Seleccionar individuos para el cruce
3. Cruce
4. Mutación
5. Inserción
6. IF se_cumple_criterio_parada THEN parar ELSE volver a 2

En primer lugar (1) se procede a la inicialización de la población. Para cada individuo de la

población se selecciona un valor completamente aleatorio. Después se aplica a cada
individuo la función objetivo (2.1), lo que da una medida de lo adaptado que está cada uno
de ellos. En función del valor obtenido se ordena la población (2.2), quedando así en
primer lugar los individuos más adaptados. Se seleccionan entonces los individuos que se
van a cruzar (2.3). Suponiendo que se han seleccionado dos, se procede a cruzarlos (3):
se escoge un punto de corte, y la tira de bits que representa a cada progenitor se divide en
dos por ese punto. A continuación se generan dos individuos nuevos uniendo las
subcadenas generadas como se muestra en la siguiente figura:

Progenitores:
00110101
01110011
   ^
Corte:
001 10101
011 10011

Cruce:
001 10011
011 10101

Descendencia:
00110011
01110101

En el paso 4 se genera en la descendencia una mutación en un gen (bit) aleatorio. Esto

sucede con una probabilidad baja (esto es, en la mayoría de los casos, el paso 4 no tiene
efecto).

          mutación (2º bit)

00110011
===================>
01110011

Una vez se ha generado la descendencia, deberá insertarse en la población (5). Para

llevar a cabo la inserción existen diversas políticas. Una de ellas consiste simplemente en
eliminar los dos individuos peor adaptados e insertar los recién generados.

Por último, en el paso 6 se comprueba si alguno de los individuos disponibles satisface los
criterios establecidos y se puede considerar como solución al problema. En este paso
también se puede comprobar si se ha excedido un número de iteraciones o un límite de
tiempo. Si no es así y ningún individuo cumple los criterios de parada, se vueve al paso 2.

3. Lo que queda por ver

Hasta aquí esta breve introducción a los algoritmos genéticos. Quedan muchas cosas por
ver y por concretar: distintos tipos de representación, políticas de selección, cruce,
mutación e inserción, ejemplos de implementación. En resumen, falta una descripción
rigurosa de todo el proceso, pero ese no es el objetivo de este artículo. En próximos
artículos se abordarán todos esos temas y otros como la programación genética o el
entrenamiento de redes de neuronas artificiales mediante algoritmos genéticos.
4. Notas

[1] Hasta que se cumple un criterio de parada (la solución es aceptable o se ha

sobrepasado un límite de iteraciones).
[2] Por supuesto, la explicación dada aquí carece de rigor y se centra sólo en los aspectos
de interés para la computación. El autor pide disculpas por los errores cometidos al
intentar resumir tan amplio tema en tan reducido espacio.
[3] En suma, sobre los individuos.

5. Enlaces

The Origin of Species. Charles Darwin. 1859

The Genetic Algorithms Archive
Genetic Algorithms and Artificial Life Resources