350 PC 2018-1

UNIVERSIDAD NACIONAL ABIERTA
VICERRECTORADO ACADEMICO
SUBPROGRAMA DISEÑO ACADÉMICO
AREA INGENIERÍA
PLAN DE CURSO
Identificación
Nombre: COMPUTACIÓN EVOLUTIVA
Código: 350
U.C: 4
Carrera: Ingeniería de Sistemas
Código: 236
Semestre : Formación Profesional
Prelaciones: Investigación de Operaciones II (348)
Autor: MSc. María Eugenia Mazzei
Asesores: MSc. Carmen Z. Maldonado

Lic. Carmen Velásquez
Dr. Antonio Alfonzo
Prof. María Martín
Nivel Central
Caracas, Abril 2018
2
II. FUNDAMENTACIÓN
La Computación Evolutiva es una vertiente de la Computación que se basa en la

imitación de los procesos evolutivos y en el comportamiento de organizaciones
sociales existentes en la naturaleza, para la resolución de problemas de ingeniería, de
Investigación de Operaciones o de optimización en general. Los problemas de
optimización surgen en situaciones en las cuales se requiere hallar la mejor solución
bajo ciertas condiciones y contemplan la administración de recursos en forma
eficiente. En el campo de la Ingeniería, existen problemas de diseño de dispositivos o
de estructuras, entre otros, en los cuales se requiere optimizar el espesor, la
capacidad, la presión o el peso.
Son ejemplos típicos del campo de la Investigación de Operaciones: los

problemas de producción, de ubicación, de asignación, de programación de cursos, de
planificación, de distribución y los problemas de redes estáticas y dinámicas, entre
otros. El diseño de algoritmos estándares para hallar la solución de problemas, en el
contexto evolutivo, se inspira en conceptos y maneras de organización que
pertenecen al campo de la biología, entre ellos están: las poblaciones, la
recombinación, las mutaciones, la supervivencia del más apto, la organización de
enjambres de abejas, hormigas y aves.
El curso de Computación Evolutiva que se presenta es una introducción al

empleo de conceptos bio-inspirados, llevados al diseño de algoritmos, con el fin de
resolver problemas. Estos algoritmos están basados en la utilización de técnicas
heurísticas y proveen un enfoque sencillo y novedoso para su tratamiento y solución a
través del computador.
La asignatura Computación Evolutiva pertenece al grupo de asignaturas de

Formación Profesional y puede cursarse a partir del séptimo semestre. Debido a su
naturaleza esencialmente algorítmica, se le concibe dentro del bloque de
Computación; no obstante, es preciso que el estudiante haya cursado las asignaturas
obligatorias pertenecientes al bloque de Investigación de Operaciones, ya que existe
una estrecha vinculación entre el tipo de problema abordado y el área de
investigación de operaciones. Cabe destacar que esta relación entre la Computación
Computación Evolutiva (Cód. 350) Elaborado por: Msc. María Eugenia Mazzei
Especialista en contenido: Miguel Mena UNA 2018
3
y la Optimización es una tendencia actual, la cual se ha de poner en práctica a
través de este curso.
Se espera que esta asignatura contribuya con la formación del estudiante de
Ingeniería de Sistemas, en el sentido de ofrecer una nueva manera de resolver
problemas, pues se emplean conceptos tomados de la naturaleza para fortalecer las
destrezas computacionales adquiridas en cursos anteriores.
El curso es de carácter teórico-práctico; por una parte comprende un conjunto
de conceptos y técnicas, cuya asimilación es fundamental para su aplicación; y por
otra, el empleo de estos para la implementación y pruebas de algoritmos en el
computador. Como condición para alcanzar un buen desempeño, se espera que el
estudiante posea las destrezas básicas de programación adquiridas en los
semestres iniciales de la carrera, así como las técnicas de optimización
aprendidas en los semestres medios.
Para la administración del curso se cuenta con el siguiente paquete
instruccional:
 Plan de curso.
 Texto UNA. en formato, digital “Computación Evolutiva”, 2013, en formato
PDF.
 Presentaciones digitalizadas en formato PDF, 2011.
 Libro de consulta, disponible en formato PDF:
Introducción a la Computación Evolutiva (Notas de Curso), 2008,
Carlos A. Coello.
4
III. PLAN DE EVALUACION

Orientaciones generales: MODALIDAD OBJETIVO CONTENIDO
 Las pruebas son de modalidad presencial y de desarrollo.
 Los objetivos correspondientes a cada unidad están ponderados, lo cual Primera
consiste en la asignación de peso a los objetivos evaluables de la asignatura, 1, 2, 3, Módulo I: U 1,2
prueba
4, 5 Módulo II: U 3,4,5
de acuerdo con la importancia y/o complejidad que tienen. La escala de integral
ponderación de esta asignatura es de 1 a 5 puntos. Esta ponderación está
determinada por la incidencia de los objetivos evaluables en: el perfil de la
carrera, el objetivo terminal de la asignatura y los objetivos terminales de las
asignaturas sobre las que existe prelación. Segunda
1, 2, 3, Módulo I: U 1,2
 Las especificaciones del trabajo práctico se suministran en la primera semana prueba
Módulo II: U 3,4,5
de presentación de prueba a través de su centro local y se publicará en la red a integral 4, 5
través de la página Web ciberesquina. El estudiante consignará el trabajo
resuelto con la segunda prueba integral.
 Responsable :
Prof(a): Miguel Mena . Teléfono (0212)-555-23-56 Trabajo 6, 7, Módulo III: 6,7
Correo electrónico: menamigue@gmail.com
práctico 8 Módulo IV: unidad 8
M U O OBJETIVOS
1 1 Aplicar métodos tradicionales y/o métodos basados en heurísticas en la resolución de problemas de optimización.
I
2 2 Aplicar conceptos bio-inspirados en la realización de abstracciones a problemas.
3 3 Aplicar algoritmos genéticos en la resolución de problemas.
II 4 4 Aplicar estrategias evolutivas en la resolución de problemas.
5 5 Aplicar técnicas de Programación Genética en la resolución de problemas.

6 6 Aplicar los conceptos y técnicas relacionados con los enjambres de hormiga para la resolución de problemas.
III Aplicar los conceptos y técnicas relacionados con los enjambres de partículas para la resolución de problemas.
7 7
Resolver un problema del mundo real, empleando los conceptos y técnicas relacionados con los algoritmos
IV 8 8 evolutivos, la inteligencia social o enfoques afines.
Objetivo: 1 2 3 4 5 6 7 8 Peso acumulado: 1- 9 10 11 12 13 14 15 16 17 18

Peso: 1 1 3 2 2 2 2 5 Calificación: 1 2 3 4 5 6 7 8 9 10
Peso máximo: 18 puntos Criterio de dominio académico: 14 puntos
5
ORIENTACIONES GENERALES
 El material instruccional recomendado para este curso está disponible en formato PDF, en la Biblioteca Digital
UNA. El software de programación a emplear para la realización de ejercicios y del trabajo práctico es de libre
elección.
 Lea las instrucciones que aparecen en el MIA.
 Realice los ejercicios propuestos en cada unidad, en el Material de Apoyo.
 Contacte con otros estudiantes del curso a fin de compartir materiales instruccionales hallados en Internet y
de discutir los temas abordados.
 Consulte otros libros sugeridos en la bibliografía complementaria.
 Consulte las direcciones electrónicas especificadas en el MIA. Si no se hacen referencias específicas,

se recomienda buscar el tema en Internet, empleando algún buscador.
 Ante cualquier duda, consulte con su asesor en su Centro Local.
 Si desea hacer algún comentario o sugerencia acerca del curso, comuníquese con el profesor que lo administra
a través de la dirección de correo electrónico suministrada por la carrera.
6
IV. DISEÑO DE LA INSTRUCCIÓN DEL CURSO
Objetivo del curso: Resolver problemas de optimización, con sentido analítico y creativo, a través de la
aplicación los conceptos y técnicas de la Computación Evolutiva.
Objetivo Contenido
1 El problema de optimización. Métodos de búsqueda. Métodos basados
en heurísticas: Recocido Simulado y Búsqueda Tabú. Algoritmos.
Conceptos biológicos y su analogía con la computación. Poblaciones. Función
de evaluación (o de fitness). Vecindad. Generaciones. Computación Evolutiva.
2
Fundamentos. Pasos de un Algoritmo Evolutivo. Operadores de Variación.
Operadores de Selección. Ventajas
Generalidades. Esquemas de representación. Operadores de Cruce y de
3 Mutación. Formulación Matemática del GA. Algoritmo estándar. Aplicación del GA
para la resolución de problemas.
Generalidades. Tipos de Estrategias Evolutivas. Cruce. Mutación. Algoritmo
4
Estándar. Aplicación de EE en la resolución de problemas.
Fundamentos. Representación de los individuos en árboles. Algoritmo
5 Estándar. Aplicación de GP en la resolución de problemas.
Generalidades de los sistemas sociales artificiales. Fundamentos de los
6 Algoritmos Hormiga. Algoritmo ACO. Aplicación del Algoritmo ACO en la
resolución de problemas.
Fundamentos de los Algoritmos de Enjambres de Partículas. Algoritmo
7 PSO. Aplicación del Algoritmo PSO en la resolución de problemas. Variantes del
algoritmo.
Temas incluidos: Vida Artificial. Autómata Celular: El Juego de la Vida. Redes
8 de Neuronas Artificiales. Caso de Estudio: Algoritmo Genético.
7
OBJETIVO ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE

EVALUACIÓN
Materiales Instruccionales: Producto: Solución a
un problema dado,
 Material instruccional de apoyo. empleando un método
 Software: lenguaje de programación de propósito general tradicional o uno
 Presentación: “Optimización” basado en heurísticas:
 Direcciones electrónicas suministradas en el MIA Recocido Simulado o
Búsqueda Tabú.
Actividades a realizar:
Procedimiento: Se
 Lea el capítulo 1, sección 1.1, en el MIA. valorará la abstracción
1  Resuelva los ejercicios y autoevaluación propuestos en el realizada para resolver
Aplicar métodos material instruccional. el problema y la
tradicionales y/o  Vea la presentación, hasta el Método de Ascenso de Colinas correcta aplicación del
métodos Estocástico (inclusive). método.
basados en  Consulte la dirección electrónica (sección 1):
heurísticas en la http://geneura.ugr.es/~jmerelo/tutoriales/heuristics101/
resolución de
Instrumento:
problemas de
 Implemente los algoritmos de Recocido Simulado y Búsqueda Una prueba presencial
optimización. Tabú, empleando algún lenguaje de programación de propósito de desarrollo donde se
general. Pruebe el algoritmo con ejemplos de funciones a optimizar aplicará un método
en un intervalo. tradicional o uno
 Intercambie ejemplos de problemas de búsqueda con otros basado en heurísticas.
estudiantes del curso. Compare los resultados obtenidos al
ejecutar los programas. Momento:
Primera y segunda
prueba Integral.
8
EVALUACIÓN
Materiales Instruccionales: Producto: Aplicación

de conceptos bio-
inspirados en una
 Material instruccional de apoyo.
abstracción del
 Software: lenguaje de programación de propósito general
problema.
 Presentación: “Optimización”
 Direcciones electrónicas suministradas en el MIA Procedimiento: Se
valorará la correcta
Actividades a realizar: aplicación del
 Lea el capítulo 1, sección 1.2, y en el capítulo 2, secciones 1.2 y 3 concepto de
en el MIA. inspiración biológica.
 Resuelva los ejercicios y autoevaluación propuestos en el
material instruccional. Instrumento:
2  Vea en la presentación, los métodos de búsqueda bio-inspirados. Una prueba presencial
Aplicar de desarrollo donde se
conceptos bio-
 Investigue sobre problemas a los cuales se les pueda dar un
tratamiento para su solución, empleando conceptos bio-inspirados. aplicará un concepto
inspirados en la proveniente de la
realización de  Implemente algoritmos que generen poblaciones de individuos.
Consulte la dirección electrónica (sección 2): biología a una
abstracciones a
problemas. http://geneura.ugr.es/~jmerelo/tutoriales/heuristics101/ situación dada.
Momento:
Primera y segunda
prueba Integral.
9
EVALUACIÓN

del algoritmo genético
en la resolución de un
 Libro de consulta: Introducción a la Computación Evolutiva,
problema.
de C. Coello (está en formato PDF).
 Software de propósito general
 Presentación: “Algoritmos Evolutivos” Procedimiento: Se
 Direcciones electrónicas suministradas en el MIA valorará la correcta
abstracción del
Actividades a realizar: problema y la
3  Lea el capítulo 2, secciones 1 a 9 en el MIA. aplicación del
Aplicar  Lea en el capítulo 3 del libro de consulta, titulado algoritmo genético.
algoritmos “Principales Paradigmas”, lo relacionado con el algoritmo genético.
genéticos en la Instrumento:
resolución de Una prueba presencial
problemas. material instruccional.
 Vea en la presentación, lo correspondiente a los de desarrollo donde se
algoritmos evolutivos, hasta algoritmos genéticos (inclusive). aplicará alguna
 Diseñe estructuras de datos que permitan representar soluciones variante del algoritmo
en forma de cromosoma. genético.
 Implemente funciones que simulen los operadores de selección
y variación. Momento:
Primera y segunda
 Implemente el algoritmo genético. Pruebe el algoritmo con
prueba Integral.
diferentes ejemplos.
 Consulte la dirección electrónica (secciones: 3, 4 y 5):
http://geneura.ugr.es/~jmerelo/tutoriales/heuristics101/, en esta
dirección se hace referencias a algoritmos genéticos interactivos,
los cuales pueden accederse, a través de los enlaces presentados.
 Discuta con otros estudiantes del curso acerca de la
implementación del algoritmo genético.

10

EVALUACIÓN

de estrategias
evolutivas en la
 Libro de consulta: Introducción a la Computación Evolutiva,
resolución de un
de C. Coello (está en formato PDF).
problema.
 Software de propósito general.
 Presentación: “Algoritmos Evolutivos”. Procedimiento: Se
 Direcciones electrónicas suministradas en el MIA . valorará la correcta
aplicación de las
Actividades a realizar: estrategias evolutivas.
4
Aplicar  Lea el capítulo 2, sección 11, en el MIA, el cual corresponde
estrategias a Estrategias Evolutivas. Instrumento:
evolutivas en la  Realice un cuadro que contenga las diferentes estrategias Una prueba presencial
resolución de de desarrollo donde se
evolutivas aprendidas y su descripción.
problemas. aplicará algún tipo de
 Lea en el capítulo 3 del libro de consulta, titulado
“Principales Paradigmas”, lo referente a estrategias evolutivas. estrategia evolutiva.
material instruccional. Momento:
Primera y segunda
 Vea en la presentación lo correspondiente a las
prueba Integral.
estrategias evolutivas.
 Implemente funciones en los algoritmos realizados que simulen
las estrategias evolutivas aprendidas.
 Consulte la dirección electrónica :
http://delta.cs.cinvestav.mx/~ccoello/compevol/estr1.pdf
http://delta.cs.cinvestav.mx/~ccoello/compevol/estr2.pdf
11
EVALUACIÓN
Materiales Instruccionales: Producto: Aplicación de la

programación genética en la
resolución de un problema.
 Libro de consulta: Introducción a la
Computación Evolutiva, de C. Coello (está en formato
Procedimiento: Se valorará la
PDF).
correcta modelación y/o
 Software de propósito general. aplicación del algoritmo de
 Presentación: “Algoritmos Evolutivos”. Programación Genética.
 Direcciones electrónicas suministradas en el MIA.
Instrumento:
Actividades a realizar: Una prueba presencial de
 Lea el capítulo 2, secciones 12 a 15, en el MIA, el desarrollo donde se aplicará el
5 cual corresponde a Programación Genética. algoritmo de programación
Aplicar técnicas  Lea en el capítulo 3 del libro de consulta, titulado genética.
de “Principales Paradigmas”, lo referente a programación
Programación Momento:
genética.
Genética en la Primera y segunda prueba
resolución de  Resuelva los ejercicios y autoevaluación propuestos en
Integral.
problemas. el material instruccional.
 Vea en la presentación lo correspondiente a
Programación Genética.
 Implemente funciones en los algoritmos realizados que
simulen la aplicación del algoritmo de programación
genética. Pruebe el algoritmo con ejemplos.
http://web.ing.puc.cl/~jabaier/iic2622/gp.pdf
 Comparta con otros estudiantes del curso ejemplos del uso
de estrategias evolutivas, que permitan probar los
algoritmos implementados.
12

EVALUACIÓN
Materiales Instruccionales: Producto: Aplicación de

la meta-heurística
basada en colonias de
hormigas para la
 Presentación: “Inteligencia Social” resolución de un
 Direcciones electrónicas suministradas en el MIA problema.
Actividades a realizar: Procedimiento: Se
 Lea en el MIA, capítulo 3, la sección sobre algoritmos basados en valorará la correcta
colonias de hormigas. modelación y/o aplicación
 Resuelva los ejercicios y autoevaluación propuestos en el del algoritmo.
6 material instruccional.
Aplicar los  Diseñe las estructuras de datos apropiadas para implementar el Instrumento:
conceptos y Trabajo práctico.
algoritmo.
técnicas
relacionados con  Vea en la presentación lo correspondiente a los algoritmos
hormiga. Momento:
los enjambres de Lo referente a las
hormiga para la  Implemente funciones en los algoritmos realizados que especificaciones y a la
resolución de simulen la aplicación del algoritmo hormiga. entrega del trabajo
problemas.  Consulte en la siguiente dirección electrónica : resuelto se explica en
http://www.ing.ula.ve/~aguilar/publicaciones/objetos/revistas/UA.pdf las Orientaciones
Generales del Plan de
la sección que trata sobre los algoritmos hormiga. evaluación (sección III).
13
EVALUACIÓN
Materiales Instruccionales: Producto: Aplicación de la

meta-heurística basada en
enjambres de partículas
para la resolución de un
 Presentación: “Inteligencia Social” problema.
 Direcciones electrónicas suministradas en el MIA
Procedimiento: Se valorará
Actividades a realizar: la correcta modelación y/o
7  Lea en el capítulo 3 del MIA, la sección que corresponde aplicación del algoritmo de
Aplicar los a Optimización por enjambres de partículas. enjambres.
conceptos y  Resuelva los ejercicios y autoevaluación propuestos en el
técnicas material instruccional. Instrumento:
relacionados con Trabajo práctico.
 Vea en la presentación lo correspondiente a los algoritmos
los enjambres de
partículas para la
de optimización de partículas.
Momento:
resolución de  Diseñe las estructuras de datos apropiadas para Lo referente a las
problemas. implementar el algoritmo. especificaciones y a la
 Implemente funciones que realicen la evaluación de las entrega del trabajo resuelto
partículas, su generación aleatoria y su topología. Luego se explica en las
implemente el algoritmo de optimización de partículas. Orientaciones Generales del
Plan de evaluación (sección
 Discuta con otros estudiantes del curso aspectos III).
relacionados con la implementación del algoritmo de
enjambres de partículas.
http://www.scielo.org.co/pdf/iei/v28n2/v28n2a15.pdf
la sección dedicada a los algoritmos de enjambres
de partículas.
14

EVALUACIÓN
Materiales Instruccionales: Producto: Aplicación de

algún método bio-inspirado
en la resolución de un
 Libro de consulta: Redes Neuronales Artificiales y sus
problema.
Aplicaciones, Xabier Basogain.
Documento en formato PDF: Hojas de Cálculo para la
Procedimiento: Se valorará
Simulación de Redes de Neuronas Artificiales(RNA),
la correcta modelación del
García, J., López, A. M., Romero, J. E., García, A. R.,
8 problema, la implementación
Camacho, C., Cantero, J. L., Atienza, M.,Salas, R.
Resolver un del algoritmo y la obtención
problema del mundo  Software de propósito general de la solución.
real, empleando los  Direcciones electrónicas suministradas en el MIA y otras
conceptos y técnicas que traten los temas a abordar. Instrumento:
relacionados con los Trabajo práctico.
algoritmos Actividades a realizar:
evolutivos, la
Momento:
inteligencia social o  Lea en el capítulo 4 del MIA, los temas expuestos. Lo referente a las
enfoques afines.  Investigue en la web sobre estos temas y otros afines a la especificaciones y a la
Computación Evolutiva. entrega del trabajo resuelto
 Lea los casos de estudio. se explica en las
 Diseñe algoritmos apropiados para la resolución de Orientaciones Generales del
problemas de optimización, empleando nuevos enfoques bio- Plan de evaluación (sección
inspirados. III).
15
V. BIBLIOGRAFÍA
Obligatoria
Coello, C. A., Introducción a la Computación Evolutiva (Notas de Curso), 2008,

En formato PDF.
Mazzei, M., E., (2013) Texto UNA: Computación Evolutiva (UNA). En formato PDF.
Complementaria
Arrioja, N., Inteligencia Artificial. Users, Gradi S.A. Argentina, 2007.
Basogain, X., Redes Neuronales Artificiales y sus Aplicaciones,1998. En formato

PDF.
Bonabeau, E., Dorigo, M., Theraulaz ,G., Swarm Intelligence, From Natural to
Artificial Systems, Santa Fe Institute Studies in the Sciences of Complexity,
Oxford University Press,1999.
Dorigo, M., Stüzle, T., Ant Colony Optimization, MIT Press, 2004.
Goldgerg, D., E., Genetic Algorithms in Search, Optimization, and Machine

Learning, Addison-Wesley, 1989.
Kennedy J., Eberhart R., Swarm Intelligence. Morgan Kaufmann Publishers,
2001.
Koza J.,R., Genetic Programming II, MIT Press, 1994.
Michalewicz, .Z ., How to solve it. Modern Heuristics. Springer , 1998.
Michalewicz, Z., Genetic Algorithm + Data Structures = Evolutionary . Springer,

1996.
Nilsson, N., Artificial Intelligence: A New Sinthesis. Morgan Kaufmann
Publishers Inc., 1998.
Russell, S. J., Norvig, P., Inteligencia Artificial, Un Enfoque Moderno. Pearson
Educación, S. A., Madrid, 2003.

350 PC 2018-1

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

350 PC 2018-1

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL ABIERTA

Nombre: COMPUTACIÓN EVOLUTIVA

Carrera: Ingeniería de Sistemas

Semestre : Formación Profesional

Prelaciones: Investigación de Operaciones II (348)

Autor: MSc. María Eugenia Mazzei

Asesores: MSc. Carmen Z. Maldonado

La Computación Evolutiva es una vertiente de la Computación que se basa en la

Son ejemplos típicos del campo de la Investigación de Operaciones: los

El curso de Computación Evolutiva que se presenta es una introducción al

La asignatura Computación Evolutiva pertenece al grupo de asignaturas de

III. PLAN DE EVALUACION

3 3 Aplicar algoritmos genéticos en la resolución de problemas.

II 4 4 Aplicar estrategias evolutivas en la resolución de problemas.

5 5 Aplicar técnicas de Programación Genética en la resolución de problemas.

Objetivo: 1 2 3 4 5 6 7 8 Peso acumulado: 1- 9 10 11 12 13 14 15 16 17 18

Peso máximo: 18 puntos Criterio de dominio académico: 14 puntos

 Lea las instrucciones que aparecen en el MIA.

 Realice los ejercicios propuestos en cada unidad, en el Material de Apoyo.

 Consulte otros libros sugeridos en la bibliografía complementaria.

 Consulte las direcciones electrónicas especificadas en el MIA. Si no se hacen referencias específicas,

 Ante cualquier duda, consulte con su asesor en su Centro Local.

IV. DISEÑO DE LA INSTRUCCIÓN DEL CURSO

OBJETIVO ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE

Materiales Instruccionales: Producto: Aplicación

Materiales Instruccionales: Producto: Aplicación

OBJETIVO ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE

Materiales Instruccionales: Producto: Aplicación

Materiales Instruccionales: Producto: Aplicación de la

OBJETIVO ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE

Materiales Instruccionales: Producto: Aplicación de

Materiales Instruccionales: Producto: Aplicación de la

OBJETIVO ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE

Materiales Instruccionales: Producto: Aplicación de

Coello, C. A., Introducción a la Computación Evolutiva (Notas de Curso), 2008,

Arrioja, N., Inteligencia Artificial. Users, Gradi S.A. Argentina, 2007.

Basogain, X., Redes Neuronales Artificiales y sus Aplicaciones,1998. En formato

Goldgerg, D., E., Genetic Algorithms in Search, Optimization, and Machine

Koza J.,R., Genetic Programming II, MIT Press, 1994.

Michalewicz, .Z ., How to solve it. Modern Heuristics. Springer , 1998.

Michalewicz, Z., Genetic Algorithm + Data Structures = Evolutionary . Springer,

También podría gustarte