1
Tarea No. 4 - Algoritmos genéticos y
programación lineal
Rodrigo A. Franco Luna1 , rodrigo_franco@utp.edu.co
Resumen—En este documento de muestra el desa-
rrollo de la tarea No. 4, correspondiente a los capítulos
de Algoritmos genéticos y Programación lineal , este
consta de 2 ejercicio donde se sintetiza concepto del
capítulo 14 (Algoritmos genéticos), y 15, 16 y 17
(Método Simplex) del libro guía.
Index Terms—Algoritmos genéticos con codificación
binaria, Algoritmos genéticos con codificación real,
cromosomas, población, programación lineal, método
simplex, dual simplex.
I. A LGORITMOS G ENÉTICOS
En los métodos de optimización vistos anterior-
mente, se evidencio una dependencia especial a
ciertas características de la función objetivo, como
por ejemplo; que la función pertenezca a C 1 y C 2 ,
y que la matriz Hessiana evaluada en el punto xk
sea positiva definida (F (xk ) > 0) para garantizar la
propiedad descendente del gradiente, posteriormen-
te se mostraron métodos que aproximan la matriz
hessiana para poder usar métodos como el de New-
ton (llamados Cuasi-Newton). Ahora, considere la
función
f : RN → R
Cuyo gradiente y matriz hessiana no se pueden
calcular analíticamente, no podrá ser optimizada por
lo métodos basados en gradiente, lo cual implica la
implementación de un método que permita optimi-
zar (encontrar un minimizador o un maximizador)
sin la necesidad de que f (x) pertenezca a C 1 y C 2 .
Uno de los métodos se conoce como Algoritmos
genéticos (Genetic Algorithm - GA), esta meto-
dología recibe su nombre de la genética, pues la
1 - Estudiante de Maestría en Ingeniería Eléctrica, Universidad
Tecnológica de Pereira
metodología de los GA trata de simular la evolución
de un conjunto de cromosomas buscando que todos
tengan un alto desempeño, pero desde un punto
de vista a parte, los GA no son mas que técnicas
heurísticas probabilistas basadas en una funcion de
desempeño.
las diferentes técnicas de GE se basan en su
codificación, y las que se tratarán en este documento
son básicamente dos, la primera es la codificación
binaria cuyo alfabeto ∈ 0, 1, y la codificación real
cuyo alfabeto ∈ R, y siempre esta dentro del
conjunto factible de Ω.
Ambas comparten la misma metodología, solo
que debido a su codificación difieren en la forma de
aplicar a los cromosomas las operaciones de cada
paso asociado a la metodología.
Los Algoritmos Genéticos parten de una defini-
ción de un conjunto de elementos (cromosomas) P o
distribuidos sobre Ω con probabilidad uniforme, a
este conjunto se le conoce como población inicial,
cada cromosoma tiene codificado un punto dentro
de Ω, ya sea con una cadena binaria o con un
numero real.
Posterior mente, se usa la función objetivo como
una medida de desempeño, es decir, para definir
cuales con los cromosomas dentro de la población
mejor adaptados, este paso se realiza simplemente
evaluando la decodificación del cromosoma en la
función f (x) (función objetivo), por lo comentado
anteriormente, la solución al problema de optimiza-
ción con GA busca el cromosoma mejor adaptado,
es decir, cuya evaluación en la función objetivo
sea la máxima posible, por tanto, los GA son un
método de optimización que maximiza la función
objetivo, por tanto la solución de un problema de
minimización se puede llevar a la maximización de
 2

−f (x).
f(x)

Después de medir el desempeño de la población,

cada individuo de ella tiene un desempeño asociado, 10
y dicha información se utilizará para definir el nu- 5
mero de veces que dicho individuo se puede cruzar,
0
de tal forma que el sumar todas las descendencias
de los cromosomas a los cuales se les halla definido −5

el número de cruces sume el mismo número de la −10

1
población inicial. 1
0 0.5
0
−0.5
−1 −1
Sea la función 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

Y su conjunto probable Figura 1. Función f (x) (sup.)y −f (x) (inf.)

Como se observa en la figura 1, f (x) tiene un

mínimo en Ω, por tanto para usar los GA se debe
usar la función −f (x).

Ω = x ∈ R2 : −1 ≤ x1 ≤ 1 ∧ −1 ≤ x2 ≤ 1


I-A. GA digitales

En la figura 1 se muestra la gráfica de la función Se genera la población inicial dentro de Ω, esto

f (x) en Ω. se muestra en la figura 2.
 3

Generación− −1 Generación− −20

1 1

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

Figura 2. Población inicial Figura 4. Generación 20

A cada iteración del algoritmo se le llama gene-

ración, y cada generación debe intentar converger
Generación− −30
al máximo de la función de costo, en la figura 3, 4 1
y 5, se muestra la evolución del algoritmo a las 10, 0.8
20 y 30 generaciones respectivamente. 0.6

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

Figura 5. Generación 30 - final

X2

−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

Evolución de los Cromosomas en Ω II. P ROGRAMACIÓN LINEAL

8
La programación lineal introduce el concepto de
6 optimización con restricciones, las cuales son unas
limitaciones en los rangos de valores que pueden
4
tomar las variables.
Desempeño

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


En la figura 6 se muestra que el GA converge En la figura 8 se muestra la solución del sistema

al máximo de la función (linea azul), la linea roja mostrado con las restricciones.
muestra el peor desempeño dado en esa generación
y la linea verde muestra el promedio de los prome- 9
dios, al final la linea azul muestra cual es el valor 8
del máximo desempeño de la población. 7

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

3,4y 5, en la figura 7 se muestra la evolución de el 0

GA Real. −1
−1 0 1 2 3 4 5
X1

Evolución de los Cromosomas en Ω

7
Figura 8. Solucion gráfica del problema Simplex
6

5
II-B. Ejercicio 15.9:
4
Para este punto se propone realizar la optimiza-
3
Desempeño

ción de un circuito eléctrico para garantizar que

2
se genere la máxima transferencia de energía en
1
presencia de restricciones para el sistema, para la
0
cual se obtienen los siguientes resultados.
−1
Peor
La máxima potencia transferida es de 60.0 vatios
−2 Mejor La solución para I1 es 4.0 Amper
Promedio
−3
0 5 10 15 20 25
La solución para I2 es 2.0 Amper
Generaciones La solución para I3 es 2.0 Amper
La solución para I4 es 0.0 Amper
Figura 7. Evolución del Algoritmo Genético - Reales La solución para I5 es 2.0 Amper
 5

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.