Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen—En este documento de muestra el desa- metodología de los GA trata de simular la evolución
rrollo de la tarea No. 4, correspondiente a los capítulos de un conjunto de cromosomas buscando que todos
de Algoritmos genéticos y Programación lineal , este tengan un alto desempeño, pero desde un punto
consta de 2 ejercicio donde se sintetiza concepto del
capítulo 14 (Algoritmos genéticos), y 15, 16 y 17 de vista a parte, los GA no son mas que técnicas
(Método Simplex) del libro guía. heurísticas probabilistas basadas en una funcion de
desempeño.
Index Terms—Algoritmos genéticos con codificación
binaria, Algoritmos genéticos con codificación real, las diferentes técnicas de GE se basan en su
cromosomas, población, programación lineal, método codificación, y las que se tratarán en este documento
simplex, dual simplex. son básicamente dos, la primera es la codificación
binaria cuyo alfabeto ∈ 0, 1, y la codificación real
I. A LGORITMOS G ENÉTICOS cuyo alfabeto ∈ R, y siempre esta dentro del
En los métodos de optimización vistos anterior- conjunto factible de Ω.
mente, se evidencio una dependencia especial a Ambas comparten la misma metodología, solo
ciertas características de la función objetivo, como que debido a su codificación difieren en la forma de
por ejemplo; que la función pertenezca a C 1 y C 2 , aplicar a los cromosomas las operaciones de cada
y que la matriz Hessiana evaluada en el punto xk paso asociado a la metodología.
sea positiva definida (F (xk ) > 0) para garantizar la Los Algoritmos Genéticos parten de una defini-
propiedad descendente del gradiente, posteriormen- ción de un conjunto de elementos (cromosomas) P o
te se mostraron métodos que aproximan la matriz distribuidos sobre Ω con probabilidad uniforme, a
hessiana para poder usar métodos como el de New- este conjunto se le conoce como población inicial,
ton (llamados Cuasi-Newton). Ahora, considere la cada cromosoma tiene codificado un punto dentro
función de Ω, ya sea con una cadena binaria o con un
numero real.
f : RN → R Posterior mente, se usa la función objetivo como
una medida de desempeño, es decir, para definir
Cuyo gradiente y matriz hessiana no se pueden cuales con los cromosomas dentro de la población
calcular analíticamente, no podrá ser optimizada por mejor adaptados, este paso se realiza simplemente
lo métodos basados en gradiente, lo cual implica la evaluando la decodificación del cromosoma en la
implementación de un método que permita optimi- función f (x) (función objetivo), por lo comentado
zar (encontrar un minimizador o un maximizador) anteriormente, la solución al problema de optimiza-
sin la necesidad de que f (x) pertenezca a C 1 y C 2 . ción con GA busca el cromosoma mejor adaptado,
Uno de los métodos se conoce como Algoritmos es decir, cuya evaluación en la función objetivo
genéticos (Genetic Algorithm - GA), esta meto- sea la máxima posible, por tanto, los GA son un
dología recibe su nombre de la genética, pues la método de optimización que maximiza la función
1 - Estudiante de Maestría en Ingeniería Eléctrica, Universidad objetivo, por tanto la solución de un problema de
Tecnológica de Pereira minimización se puede llevar a la maximización de
2
−f (x).
f(x)
−f(x)
10
−5
f (x) = (x2 − x1 )4 + 12x1 x2 − x1 + x2 − 3
−10
1
1
0 0.5
0
−0.5
−1 −1
Ω = x ∈ R2 : −1 ≤ x1 ≤ 1 ∧ −1 ≤ x2 ≤ 1
I-A. GA digitales
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
X2
X2
0 0
−0.2 −0.2
−0.4 −0.4
−0.6 −0.6
−0.8 −0.8
−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
X1 X1
0.4
0.2
X2
−0.2
−0.4
Generación− −10
1
−0.6
0.8
−0.8
0.6
−1
−1 −0.5 0 0.5 1
0.4 X
1
0.2
−0.2
−0.4
−0.6
−0.8
−1
−1 −0.5 0 0.5 1
X
1 Como se observa, en cada iteración el algoritmo
converge al máximo de la función, en la figura 6 se
Figura 3. Generación 10 muestra la evolución de todas las generaciones.
4
2
II-A. Ejercicio 15.8:
0
Solucione el siguiente programa lineal gráfica-
mente:
−2
Peor
Mejor
Maximice 2x1 + 5x2
Promedio
−4
0 5 10 15 20 25
Generaciones
0 ≤ x1 ≤ 4
Sujeto a 0 ≤ x2 ≤ 6
Figura 6. Evolución del Algoritmo Genético - Digital
x1 + x2 ≤ 8
Maximizador
6
I-B. GA Reales
5
Al igual que en el caso digital, para el caso real
X2
4
también se genera una población inicial, y de la
3
misma manera aplicando la reglas de la evolución
2
de los cromosomas, por tanto el comportamiento de
la generaciones es similar al mostrado en la figura 1
GA Real. −1
−1 0 1 2 3 4 5
X1
5
II-B. Ejercicio 15.9:
4
Para este punto se propone realizar la optimiza-
3
Desempeño
III. C ONCLUSIONES
Los algoritmos genéticos son una opción para
la maximización de funciones a las que es
complejo obtener su matriz hessiana, sin em-
bargo, no son optmimos por que estan basados
en un conjunto de reglas eurísticas basadas
en probabilidades, lo cual no permite que
sean funcionales computacionalmente, gene-
ralmente métodos como los GA se usan para
encontrar un mejor punto para inicializar un
algoritmo de verdad.
Los métodos Simplex permiten obtener opti-
mización de funciones lineales con restriccio-
nes, los modelos canónicos permiten acoplar
los problemas a los metodos Simplex.
R EFERENCIAS
[1] Apuntes de clase Introducción a la Optimización - Maestría
en Ingeniería Eléctrica, Universidad Tecnológica de Pereira.
[2] Chong y Zak. An introduction to Optimization. Capitulo 8,9
y 11.