Algoritmos genéticos

Adriana Patricia Cespedes

Ana Karina Imbachi
Natalia Vannesa Lopez

Grado 10.4

Liceo nacional femenino

2020

Ibagué-Tolima
Introducción
Un algoritmo (siguiendo a FRY, p. 8) es «un conjunto ordenado y finito de operaciones
que permite hallar la solución a un problema». Es (siguiendo con la misma autora),
«simplemente una serie de instrucciones lógicas que muestran cómo realizar una tarea de
principio a fin. En esta amplia definición, la receta de un pastel es un algoritmo, como lo
es la lista de indicaciones que podríamos darle a un extraño que se ha perdido (…), [E]n
teoría cualquier lista autónoma de instrucciones para lograr un objetivo concreto y definido
podría calificarse de algoritmo».
En definitiva (HARARI, 2016, p. 100) es «un conjunto metódico de pasos que pueden
emplearse para hacerse cálculos, resolver problemas y alcanzar decisiones».
La cuestión es: ¿nuestra actividad cerebral es un algoritmo? ¿Somos los humanos un
algoritmo biológico?
Es posible que el proceso de acelerada automatización que estamos experimentando
pueda condicionar la respuesta. De hecho, como expone FRY (p. 3), no deberíamos
pasar por alto que los algoritmos «poseen el poder oculto de alterar lenta y sutilmente las
pautas que dictaminan lo que significa ser humano».
Si las máquinas son cada vez más sofisticadas e, incluso, pueden/podrán interactuar con
nosotros sin que seamos conscientes de su artificialidad, ¿en qué nos diferenciamos?
Soy consciente de que se trata de un tema extremadamente complejo que exigiría un
análisis detallado y profundo – que excede de lo que puede ser abordado en una entrada
de un blog.
No obstante, permítanme el atrevimiento y aproveche esta ocasión para tantear la
cuestión, apuntando algunas ideas y valoraciones (que espero que les resulten
interesantes y, en el mejor de los casos, les inviten a la reflexión y/o el debate).

Planteamiento
El diseño de algoritmos cada vez más eficientes para resolver problemas complejos (tanto
problemas de optimización como de búsqueda) ha sido tradicionalmente uno de los
aspectos más importantes en la investigación en el campo de la informática. El objetivo
perseguido en este campo es fundamentalmente el desarrollo de nuevos métodos
capaces de resolver los mencionados problemas complejos con el menor esfuerzo
computacional posible, mejorando así a los algoritmos existentes. En consecuencia, esto
no sólo permite afrontar los problemas considerados de forma más eficiente, sino afrontar
tareas vedadas en el pasado debido a su alto coste computacional.
En este contexto, la actividad investigadora tanto en algoritmos exactos como heurísticos
para resolver problemas complejos de optimización está creciendo de forma evidente en
estos días. La razón es que continuamente se están afrontando nuevos problemas de
ingeniería, mientras que al mismo tiempo cada vez están disponibles mejores recursos
computacionales, como nuevos tipos de ordenadores, redes, y entornos como Internet.
La aplicación de Algoritmos Evolutivos (EAs) a problemas de optimización ha sido muy
intensa durante la ´ultima década. Un EA es un proceso iterativo que trabaja sobre un
conjunto P de individuos que componen una población, y a los que se les aplica una serie
de operadores de variación que permiten a la población de individuos evolucionar y
mejorar. Los individuos representan soluciones potenciales al problema considerado, a las
que se les asocia un valor de adecuación, también llamado de fitness, con el fin de medir
cómo de buena es la solución representada por el individuo para el problema dado. Estos
algoritmos son usualmente empleados para resolver problemas complejos tales como
tareas de optimización con restricciones, con ruido, engañosos, o con un elevado grado
de epítasis y/o multimodalidad.
El comportamiento que muestra un EA al resolver los problemas viene determinado por el
equilibrio que mantiene al manipular las soluciones de la población entre la explotación
local de las mejores soluciones y la exploración del campo de búsqueda. Si un EA tiene
una elevada capacidad de explotación, los individuos (soluciones potenciales)
evolucionarán muy rápidamente hacia soluciones mejores cercanas en el espacio de
búsqueda que, muy probablemente, no serán soluciones ´optimas al problema, y de las
que le resultara muy difícil escapar. La consecuencia de esta rápida progresión de las
soluciones es una fuerte pérdida de diversidad en la población (todas las soluciones que
la componen se vuelven muy parecidas, o incluso similares), por lo que la evolución de los
individuos se estanca (es decir, los operadores de variación no pueden generar individuos
mejores que los existentes). Por el contrario, un algoritmo que potencie demasiado la
exploración recorrerá una parte considerablemente amplia del espacio de búsqueda, pero
no será capaz de profundizar en las zonas más prometedoras, por lo que no encontrara
soluciones de calidad.