Departamento de Elearning

Facultad Politécnica
Universidad Nacional de Asunción

Asignatura: Inteligencia Artificial Unidad: VII – Algoritmos Genéticos.

Profesor: Hugo Suzuki
Alumna: Rosana Angélica Avalos Argüello
C.I: 4623778

Objetivos

Comprender la técnica y los conceptos principales.

Desarrollo
Responde el siguiente cuestionario.

1.- En qué tipo de situaciones es útil la resolución de problemas usando la técnica de AG? .
Puede dar un ejemplo?

Los algoritmos genéticos han tenido un impacto extendido sobre problemas de

optimización, como disposición de circuitos y el programado del trabajo en tiendas. o. La
familia de algoritmos de búsqueda locales incluye métodos inspirados por la física
estadística (temple simulado) y la biología evolutiva (algoritmos genéticos)
Un ejemplo de aplicación sería:
El campo de la programación genética está estrechamente relacionado con los algoritmos
genéticos. La diferencia principal es que las representaciones, que son mutadas y
combinadas, son programas más que cadenas de bits. . Los programas se representan en
forma de árboles de expresión; las expresiones pueden estar en un lenguaje estándar
como Lisp o pueden estar especialmente diseñadas para representar circuitos,
controladores del robot, etcétera. Los cruces implican unir los subárboles más que las
subcadenas. De esta forma, la mutación garantiza que los descendientes son expresiones
gramaticalmente correctas, que no lo serían si los programas fueran manipulados como
cadenas

2.- Son los AG una técnica exacta para alcanzar la solución óptima de un problema? Por
qué?
Los algoritmos genéticos, podría generar un programa con buen rendimiento aplicable en
cualquier tarea sencilla. Al ser aplicado a la idea de probar con mutaciones aleatorias
aplicando un proceso de selección con el fin de conservar aquellas mutaciones que
hubiesen demostrado ser más útiles. No obstante, las miles de horas de CPU dedicadas, no
dieron lugar a ningún avance tangible. Los algoritmos genéticos actuales utilizan
representaciones mejores y han tenido más éxito.
Los algoritmos genéticos son una potente herramienta que, imitando la selección natural,
nos permiten dar una solución óptima, o al menos aceptable, a problemas de optimización
que por su complejidad no pueden ser solucionados con un algoritmo tradicional
 Departamento de Elearning
Facultad Politécnica
Universidad Nacional de Asunción

3.- ¿Cómo se hace la representación de los individuos en un ejercicio de AG?

En un algoritmo genético, los individuos pueden ser codificados como cadenas binarias, que
representan el cromosoma o genotipo del individuo. Por otra parte, el valor real al que codifica el
genotipo es llamado fenotipo. Por ejemplo la cadena binaria 1010 sería el genotipo, mientras que el
fenotipo sería 10.

4.- Explicar sobre los principales componentes de un AG simple:

● La población: una población de soluciones candidatas (llamadas individuos,
criaturas o fenotipos) a un problema de optimización se desarrolla hacia
mejores soluciones. Cada solución candidata tiene un conjunto de propiedades
(sus cromosomas o genotipos) que pueden ser mutados y alterados
● Función objetivo: La aptitud suele ser el valor de la función objetivo en el
problema de optimización que se está resolviendo. Los individuos más aptos son
seleccionados estocásticamente de la población actual, y el genoma de cada
individuo es modificado (recombinado y posiblemente mutado al azar) para
formar una nueva generación. La nueva generación de soluciones candidatas se
utiliza entonces en la siguiente iteración del algoritmo. Comúnmente, el
algoritmo termina cuando se ha producido un número máximo de generaciones,
o se ha alcanzado un nivel de aptitud satisfactorio para la población.
● Selección: La función de selección más utilizada, es la denominada
función de selección proporcional a la función objetivo, en la cual cada
individuo tiene una probabilidad de ser seleccionado que es proporcional
a su valor en la función objetivo.
Otro de los métodos más utilizados es el muestreo universal estocástico
o método de la ruleta. Este método emplea un círculo (la ruleta) dividido
en sectores circulares que son proporcionales a la función objetivo. De
esta forma, los sectores correspondientes a individuos mejor adaptados
ocupan un área mayor dentro de la ruleta, mientras que los peor
adaptados se corresponden con sectores circulares con una superficie
muy pequeña.
● Operadores genéticos.: Los operadores genéticos utilizados en los algoritmos
genéticos son análogos a aquellos que ocurren en el mundo natural: la selección
equivalente a la supervivencia del más apto en el mundo natural; el
sobrecruzamiento, también denominado «recombinación», equivale a la
reproducción sexual y la mutación equivale a la mutación biológica.
Entre los operadores genéticos, los considerados fundamentales por la mayoría
de los estudiosos del tema, son los de reproducción, mutación y cruce. Cada uno
de ellos desarrolla una labor específica, bien diferenciada de las de los demás,
como se verá seguidamente.
El operador de reproducción se encarga de seleccionar a los individuos
destinados a tener descendencia agrupándolos en un lugar intermedio
denominado lugar de apareamiento
 Departamento de Elearning
Facultad Politécnica
Universidad Nacional de Asunción

5.- Como evalúa el AG qué individuos o cromosomas se seleccionan para continuar a la

siguiente generación?

La medida de la diversidad genética g, guía el comportamiento del operador de cruce

Hamming de forma adaptativa. Si g toma valores cercanos a cero, se incrementa la
diversidad genética de la población para evitar la caída en óptimos locales. Por otro lado, si g
toma valores grandes, se incrementa la capacidad de búsqueda local, generando nuevas
cadenas similares a las de sus progenitores en términos de distancia Hamming. Esta
característica se consigue empleando una función ϕ : ℜ→ℜ, de la misma forma que es
utilizada en el operador de cruce morfológico. La función ϕ interviene en el cálculo del
número máximo de bits, n, que han de ser modificados en los dos descendientes. Para ello se
utiliza la siguiente fórmula:

n = E[ϕ(g)· l] siendo E[x] la parte entera de x.

Dado h = dH(smin, smax), el conjunto de cadenas mínimas, denotado por Gmin

se define como el conjunto de cadenas binarias a una distancia Hamming |n| de smin y h - n
de smax:

Gmin = {s1,...,sθ}, dH(smin,si) = |n| y dH(smax,si) = h – n, ∀ si∈Gmin

donde θ es el cardinal del conjunto Gmin y Gmax.

De la misma manera, el conjunto de cadenas máximas, denotado por Gmax,

se define como el conjunto de cadenas binarias a una distancia Hamming |n| de smax y h – n
de smin:

Gmax = {s1’,...,sθ’}, dH(smax,si’) = |n| y dH(smin,si’) = h – n, ∀ si’ ∈Gmax

Los conjuntos definidos Gmin y Gmax aseguran que:

∀ si∈Gmin, ∀ si’ ∈Gmax, dH(si,sj) = h –2n

Sea m∈{0,...,h-2n} elegido de forma aleatoria, el conjunto descendencia Om={o1,...,op}, se

define como el conjunto de cadenas binarias tales que:

1. ∀s ∈Gmin, ∀s’ ∈Gmax: dH(oi,s) = m, dH(oi,s’) = h –2n – m, con oi∈Om,

2. ∀s ∈Gmin, ∀s’ ∈Gmax: dH(oi,s) = h –2n - m, dH(oi,s’) = m, con oi∈Om.

Dado el conjunto descendencia Om={o1,...,op}, el conjunto descendencia

simétrica, Om’={o1’,...,oq’}, se define como el conjunto de cadenas binarias

 Departamento de Elearning
Facultad Politécnica
Universidad Nacional de Asunción
tales que:

1. Si para alguna cadena s’’∈Gmin, dH(oi,s’’) = m, con oi∈Om, entonces ∀ s ∈Gmin, ∀

s’ ∈Gmax : dH(oi’, s) = h –2n – m, dH(oi’,s’) = m, ∀

oi’∈Om’.

2. Si para alguna cadena s∈Gmin, dH(oi,s) = h – 2n - m, con oi∈Om,

entonces ∀ s ∈Gmin, ∀ s’ ∈Gmax : dH(oi’, s) = m, dH(oi’,s’) = h – 2n -

m, ∀ oi’∈Om’.

El operador de cruce Hamming elige de forma aleatoria el conjunto Om, de

la cual una de las cadenas, o, se toma como el primer individuo descendiente. Después se
calcula el conjunto descendiente simétrico, Om’,

del cual se selecciona de forma aleatoria al segundo individuo descendiente. Estos dos
descendientes son el resultado dado por el operador de cruce.