Algoritmos

genéticos

Febrero 2023
 Algoritmo Genético

Producción y edición

Luis Guillermo Barrios

C.I 28.267.869

Algoritmo Genético

Computación Evolutiva

Algoritmo Genético y la IA

Modelo de computación
Bioinspirados
Índice

1 Introducción

Algoritmos
2-3 genéticos
Algoritmos
4-5 genéticos y las IA

6 Computación
Evolutiva
Computación
7- 8 Bioinspirados

9 Conclusión

Referencias
10 Bibliográficas
 Introducción
Los Algoritmos genéticos son métodos sistemáticos
para la resolución de problemas de búsqueda y
optimización que aplican a estos los mismos métodos
de evolución biológica: selección basada en la
población, reproducción y mutación. Un algoritmo
genético consiste en los siguiente: hallar en que
parámetros depende el problema, codificarlos en un
cromosoma, y se aplican los métodos de la evolución:
selección y reproducción con intercambio de
información y alteraciones que generan diversidad.

Los Algoritmos genéticos requieren que el conjunto se

codifique en un cromosoma. Cada cromosoma tiene
varios genes, que corresponden a sendos parámetros
del problema. Para poder trabajar con estos genes en
el ordenador, es necesario codificarlos en una cadena,
es decir, una ristra de símbolos (Números o letras)
que generalmente va a estar compuesta de 0s y 1s
 Algoritmos
Un algoritmo es una serie de pasos organizados que
describe el proceso que se debe seguir, para dar
solución a un problema específico. Un algoritmo
genético (o AG para abreviar) es una técnica de
programación inspirada en la reproducción de los
seres vivos y que imita a la evolución biológica como
estrategia para resolver problemas de optimización.
En general, los algoritmos genéticos (AGs) son parte
de la llamada inteligencia artificial; es decir, la
resolución de problemas mediante el uso de
programas de computación que imitan el
funcionamiento de la inteligencia natural.
 Genéticos
El algoritmo genético (AG) es una técnica de optimización
y búsqueda basada en los principios de genética y
selección natural. Un AG permite que una población
.
compuesta por muchos individuos evolucione bajo reglas
de selección específicas hacia un estado que maximice su
aptitud.

Los AG trabajan sobre una población de individuos, cada

uno de ellos representa una posible solución al problema
que se desea resolver. Todo individuo tiene asociado una
aptitud de acuerdo a la medida en que representa la
solución potencial al problema a solucionar (en la
naturaleza el equivalente sería una medida de la eficiencia
del individuo en la lucha por los recursos).

El AG es poderoso y ampliamente aplicable a

problemas complejos. Hay una clase extensa de
problemas de optimización que son un tanto difícil de
resolver usando técnicas convencionales de
optimización. Los algoritmos genéticos son algoritmos
eficientes que poseen soluciones aproximadamente
óptimas. Las ya bien conocidas aplicaciones incluyen
programación, transporte, planificación de ruta,
tecnologías de grupo, diseño de plano, entrenamiento
de red neural y muchos otros.
Algoritmos Genéticos y la
IA
Usamos la Inteligencia Artificial a diario y casi sin
darnos cuenta. Por ejemplo, cuando pedimos a Siri o al
asistente de Google que nos ponga la alarma del día
siguiente. Pero, ¿cómo funciona?

Sintetizando se puede decir que

los algoritmos son instrucciones
paso a paso que ayudan a un
ordenador a completar un
cálculo. De esta manera, la
Inteligencia Artificial utiliza
algoritmos para crear máquinas
que aprendan de su propia
experiencia, se reconfiguran
ante nuevos escenarios y
desarrollan las tareas de
manera similar a cómo lo
haríamos nosotros.

Para crear Inteligencia Artificial hay dos fundamentos

básicos de los que se valen: los algoritmos y los datos
para configurarlos. El algoritmo proporciona las
instrucciones para la máquina y los datos permiten a la
máquina aprender a emplear esas instrucciones y
perfeccionar su uso.
Algoritmos Genéticos y la
IA
Los algoritmos genéticos forman parte de lo que se
denomina o se conoce como inteligencia artificial, es
decir, resolver problemas mediante el uso de
programas informáticos que imitan el manejo de la
sabiduría
Utilizar la iniciativa de John H. Hollanden los años
70, no es demasiado complejo, suponemos una
población de personas en la que cada una
representa una posible solución al problema que se
requiere resolver. Cada solución tiene una cualidad
y por supuesto, debería ser probable. En este punto,
aplicamos un conjunto de mecanismos evolutivos
que producen toda una nueva generación de
humanos. Si todo va buen, después de un cierto
numero de generaciones obtendremos soluciones
que mejoran la solución original
 Origen del concepto de
Computación Evolutiva
Durante los años 50 se comenzó a aplicar los principios de
Charles Darwin en la resolución de problemas. Durante los
años 60 y 70, varias corrientes de investigación
independientes comenzaron a formar lo que ahora se
conoce como computación evolutiva. La idea surgió en la
universidad de Míchigan. Fue el profesor J.H. Holland quien
ideó originalmente que la programación debía seguir los
ejemplos de la naturaleza. Posteriormente la patente de
programación evolutiva se empleó por primera vez en la
década de 1960 y su creador fue Lawrence J. Fogel.

¿Qué es?

La computación evolutiva (en adelante CE) es una de las

ramas de la Inteligencia Artificial que se aplica para la
resolución de problemas de optimización combinatoria.
La CE está inspirada en los mecanismos de evolución
biológica propuestos por Darwin, Medel y Lamark. Sin entrar
mucho en detalle sobre los estudios que hicieron estos
científicos, solo vamos a mencionar brevemente lo que
propusieron. Darwin propuso la "Selección natural de los
más adaptados", Medel propuso la "Teoría corpuscular de la
herencia" y Lamark propuso la "Herencia de caracteres
adquiridos".
 Modelos de c
Bioinsp
Estos métodos se conocen con el nombre de algoritmos
bioinspirados y tratan de imitar la evolución natural de las
especies y la respuesta de los sistemas sociales ante los
desafíos que se les presentan. Dentro de estos, como
veremos, se encuentra la familia de los algoritmos
evolutivos y, más en concreto, los algoritmos genéticos, que
se basan en la evolución de las especies y en la de los
cromosomas respectivamente.

Los algoritmos bioinspirados se

caracterizan por ser no
determinísticos. Además,
presentan a menudo,
implícitamente, una estructura
paralela y son adaptativos. En
nuestro día a día nos
encontramos con aplicaciones
de ellos continuamente, para
optimizar el diseño de antenas
de comunicación, de tácticas
militares, de fármacos, de alas
de aviones o incluso de salas de
conciertos, el transporte de
materiales, el cálculo de
estrategias de mercado, etc.
computación
pirados
Redes Neuronales

Basados en la simulación del

comportamiento del sistema
nervioso

Optimización Colonia
de hormigas
Basados en la simulación del
comportamiento de las colonias de
hormigas cuando buscan comida

Particle Swarm
Optimización (pso)
Es una técnica de optimización
inspirada en el comportamiento
social de manadas de aves o
peces
 Conclusión
La popularidad de los AG se deben en parte a que la
evolución es un método robusto y bien probado dentro
de los sistemas biológicos naturales. Además son
fácilmente paralelizadles, lo que supone una ventaja
gracias al abaratamiento actual de los costes del
hardware. Por otra parte, los AG pueden realizar
búsquedas en espacios de hipótesis que contienen
complejas interacciones entre las distintas partes,
donde el impacto de cada aporte sobre la función de
evaluación es difícil de especificar.

Como hemos podido observar, la ventaja principal de

los algoritmos genéticos radica en su sencillez. Se
requiere poca información sobre el espacio de
búsqueda ya que se trabaja sobre un conjunto de
soluciones o parámetros codificados. Se busca una
solución por aproximación de la población, en lugar de
una aproximación punto a punto, Con un control
adecuado podemos mejorar a la aptitud promedio de la
población, obteniendo nuevos y mejores individuos, y
por lo tanto, mejores soluciones.
Referencias
Bibliográficas
Goldberg (1989) Genetic Algorithms in seaech,
optimization and machine learning. 13th Edition

Arranz de la Peña ( 2018) Algoritmos genéticos,

Universidad Carlos III, España.

Gestal ( 2010) Introducción a los algoritmos genéticos

y la programación genética, Universidade da Coruña,
Servizo de Publicacions.

Wolpert (1997) Transactions on Evolutionary

Computation.

Berzal (2012) Compuitacion Evolutiva, Universidad de

Granada, Departamento de ciencias de la
computación e IA

Herrera (2013) Algoritmos Bioinspirados, Dpto.

Ciencias de la computación de IA, Universidad de
Granada. España