Predicción del Índice de Precios al Consumidor
mensual en Lima Metropolitana por medio de un
modelo híbrido de Redes Neuronales Artificiales y
Algoritmos Genéticos
Bardález Trigoso, Gonzalo; Bazan Arzapalo, Jean Pablo & Montenegro Montori, Pedro I.
Universidad ESAN
Carrera de Ingeniería de Tecnologías de Información y Sistemas
Lima, Perú
​Abstract – El Índice de Precios al Consumidor (IPC) es el
indicador por excelencia para medir la inflación de un país,
ya que este mide el valor de una canasta básica de bienes y
servicios para una persona, lo cual es de vital importancia
para el Banco Central de Reserva (BCRP) debido a que se
basan de esta información para determinar las políticas
monetarias necesarias para mantener la estabilidad
monetaria y la inflación en el rango meta. En este estudio se
propone un modelo híbrido basado en Algoritmos Genéticos
(AGs), para identificar las mejores estructuras, y Redes
Neuronales Artificiales MLP (RNAs) backpropagation con
el objetivo de predecir el IPC mensual de Lima
Metropolitana en Perú con un multi-step de 10, empleando
datos del BCRP. Para medir el desempeño del nivel
predictivo se utilizaron las métricas MAPE, MSE y el
coeficiente de determinación R cuadrado. Los resultados de
la predicción fueron divididos en dos partes: en periodo de
validación (2017-2018), donde se obtuvo un MAPE menor a
1% en las estructuras identificadas; y en el periodo de
prueba (2019), donde la mejor estructura obtuvo un MAPE
de 0.26827% y al comparar con el IPC real obtuvo un error
relativo de 0.002683.
Keywords – Artificial Neural Networks; Genetic algorithm;
time series; Consumer Price Index.
I. INTRODUCCIÓN
Se suele destinar nuestros sueldos a cierto gastos como
transporte, comida, vestimenta, entre otros. Son gastos
planificados y cualquier incremento de estos, afectaría
seriamente; pues disminuye nuestro poder adquisitivo de dicho
producto [7]. Asimismo, si los precios de dichos productos
caen, los consumidores se benefician pero las empresas se ven
afectadas.
El IPC, es un indicador estadístico que mide el
comportamiento de precios, de un periodo a otro, de un
conjunto de productos (bienes y servicios) representativo para
el gasto de la población de Lima Metropolitana. Es un
indicador que se refiere a los consumos habituales de los
hogares y a los patrones de un determinado periodo base. [15]
El IPC sirve como un buen indicador para medir la inflación
de precio en distintos productos. Además de tener un impacto
en el Producto Bruto Interno (PBI) y otras variables
macroeconómicas [6]
El BCRP tiene como objetivo principal crear las
condiciones necesarias para un normal desenvolvimiento de
las actividades económicas, preservar la estabilidad monetaria,
y para lograr esto implementan políticas monetarias según el
esquema del índice de inflación, cuya meta anual contempla
un rango entre 1 por ciento y 3 por ciento [9]. Por esta razón
las acciones del BCRP están dirigidas primordialmente a
cumplir con esta meta [9], además de que según el Artículo 84
de la Constitución Política del Perú el BCRP debe informar
exacta y periódicamente al país sobre el estado de las finanzas
nacionales, esto incluye presentar los reportes de inflación
mensuales con sus respectivas proyecciones.
De tal modo, en este estudio se propone un modelo híbrido
basado en Algoritmos Genéticos (AGs), para identificar las
mejores estructuras, y Redes Neuronales Artificiales (RNAs)
Perceptrón-Multicapa (MLP) backpropagation con el objetivo
de realizar una predicción multistep de 10 meses del IPC
mensual en Lima Metropolitana. En esta investigación
primero se presentaron los antecedentes, después se propuso
una metodología, para luego llegar a los resultados y
finalmente se expusieron las conclusiones y recomendaciones.
 II. ANTECEDENTES
Al revisar la literatura respecto al tema se encontró que
Haider y Nadeem Hanif (2007) [1] predijeron la inflación
en Pakistán por medio de redes neuronales artificiales (ANN)
comparándolo con los métodos AR y ARIMA .Obteniendo un
RMSE menor en comparación a los métodos mencionados,
por lo que, la predicción basado en ANN resultó ser más
precisa. Igualmente, Gour Sundar Mitra Thakur, Rupak
Bhattacharyya y Seema Sarkar Mondal (2015) [2] investigaron
sobre la predicción de la inflación de la India utilizando una
red neuronal teniendo en cuenta ciertas variables económicas
como el Producto Bruto Interno (PBI),exportaciones, precio
del oro, entre otros. Los resultados fueron comparados con
diferentes organismos de previsión, demostrando que el
modelo es eficiente pero puede mejorar usando más
parámetros que influyen en la inflación. De igual forma,
Hamed Akbarpour, Mahdi Bastan, Shokoufeh Mohammad
Hosseini, Sareh Akbarpour (2014) [3] desarrollaron un
modelo predictivo sobre la tasa de inflación a corto plazo en
Irán usando ANN. Para este estudio se usaron variables de
entrada como el PBI, tasa de desempleo, producción Fig. 01: Metodología general de la investigación. (W. Ticona et al. 2017).
industrial, etc. El resultado demostró un RMSE aceptable.
A. Data
Juan Camilo Santana (2006) [4] evalúa la capacidad de La Data es una serie de tiempo que consiste en 226
las redes neuronales en la predicción de series temporales observaciones de los valores del IPC (año base 2009=100)
aplicado a la inflación colombiana, tomando los valores del mensual desde enero de 2001 a septiembre de 2019, extraída
IPC mensuales.Se demostro que el la predicción obtenida con de las bases de datos del BCRP. La serie se dividió en
la red neuronal en mas precisa que los métodos tradicionales entrenamiento, validación y prueba. Para entrenar la red se
como el suavizamiento exponencial y el método SARIMA de escogieron los índices mensuales desde el año 2001 al 2018
Box Jenkins. Asimismo, Sanjeev Gupta y Sachin Kashyap (168 observaciones, ya que los años 2001-2002 se emplearon
(2015) [5] emplearon los IPC de los siete países pertenecientes para la construcción del modelo), la validación se realizó en
al G-7 para formar diferentes estructuras de redes neuronales los años 2017 - 2018 (24 observaciones) y la prueba en el
artificiales para predecir cuál sería el comportamiento en los 2019, tomando los meses disponibles de enero a octubre [8].
siguientes años, lograron hacer buenas predicciones. La serie de tiempo del IPC se puede ver en el gráfico 01.
Asimismo [12] y [13] obtuvieron muy buenos resultados a la
hora de predecir el IPC con un modelo híbrido de Algoritmos
genéticos y RNAs, teniendo un error MAPE menor al 1%.
Esto deja claro que las RNA son adecuadas a la hora de
predecir los valores del IPC.

III. METODOLOGÍA

En este estudio se utilizó un modelo híbrido de AGs-RNAs,

donde los AG se emplearon para identificar las mejores
estructuras y finalmente seleccionar el mejor candidato. En la
figura 01 se explica en términos generales la metodología que
se aplicó.

Gráfico 01: Serie de tiempo del IPC mensual, periodo 2001 a 2019.

❏ Parámetros
Luego de un análisis, y revisión en la literatura, se decidió
probar las combinaciones de variables de entrada que se
pueden observar a mayor detalle en la Tabla 1. Se emplean
como inputs los valores de la serie de tiempo de periodos
M-9 S t−9
anteriores al que se quiere conocer y variaciones de estos
valores.
M-10 S t−10
Debido al tipo de algoritmo de búsqueda que se usó
M-11 S t−11
(Algoritmos Genéticos) se decidió probar con 24
combinaciones posibles de variables de entrada y que el
M-12 S t−12
mismo algoritmo determine la importancia y escoja las
mejores entradas, dado que 24 parámetros de entrada es un
M-18 S t−18
espacio de búsqueda bien amplio y los AG no se ven limitados
por esto. Además, estas 24 variables de entrada específicas
M-24 S t−24
fueron seleccionadas porque representan el comportamiento
de la serie de datos. De tal forma, las primeras 14 variables S t−1 +S t−2 +S t−3
MM(1,3)
son delays de 1 a 12 meses, 18 y 24 meses antes, de esta 3
manera se pueden comparar los cambios mensuales del IPC y
aproximar en cuanto crecerá el próximo periodo; otros 3 son MM(4,6) S t−4 +S t−5 +S t−6
medias móviles de 3 meses cada una hasta 9 meses antes, ya 3
que se vió en el comportamiento de los datos que cada tres
meses había un incremento notable; 4 variables más son MM(7,9) S t−7 +S t−8 +S t−9
también medias móviles pero de 6 meses cada una hasta 24 3
meses antes, esto se debe también a que cada semestre hay un S t−1 + ... +S t−6
MM(1,6)
comportamiento variante del IPC; y por último 3 son
6
diferencias entre 2 meses, estas diferencias son entre 3-1, 6-4
y 12-9 meses antes dado que de esta forma se puede mapear MM(7,12) S t−7 + ... +S t−12
mejor el cambio del IPC cada 3 meses, lo que se vio en la 6
exploración de la data que es de gran relevancia.
MM(13,18) S t−13 + ... +S t−18
Entre los filtros más comunes están los promedios móviles, 6
las diferencias y los retrasos. Su principal objetivo es reducir
MM(19,24) S t−19 + ... +S t−24
el número de entradas de red, facilitando el procesamiento y el
6
mapeo entre entradas y salidas realizadas por redes
neuronales. [17]. Además ayudan a registrar comportamientos DD(3,1) S t−3 − S t−1
de los valores de la serie de tiempo, como su estacionalidad o
su conducta en cierto periodo [17]. DD(6,4) S t−6 − S t−4
Tabla 01. Detalle de las variables de entrada.
DD(12,9) S t−12 − S t−9

Variable Definición

M-1 S t−1
B. Normalización de la data
M-2 S t−2
Se utilizó como método de normalización la
M-3 S t−3 estandarización en el rango [-1;1]. Además, se incrementó
el límite de la predicción en un ±5% para poder predecir
M-4 S t−4 los valores que salgan de la escala establecida
inicialmente, teniendo finalmente un rango de
M-5 S t−5 [Ymin; Ymax] = [-0.95;1.05]. Esto se hizo debido a que se
observó que el IPC variaba en un 4% aprox. por periodo y
M-6 S t−6 para tener una mejor capacidad predictiva se previó esto.
Y j − Y min
M-7 S t−7 Y jm = Y max − Y min (1)

M-8 S t−8
Yjn : valor normalizado de la observación j
Yj : valor actual para la observación j
Ymin : valor mínimo de la variable
Ymax: valor máximo de la variable

C. Indicadores
Para la identificación, selección, evaluación del
rendimiento y desempeño de los modelos se utilizó el error
medio absoluto porcentual (MAPE):
|Y −Yp|
M AP E = 100 * ∑ | real | ​​ (2)
| Y real |

Yreal : Valor real.

Yp : Valor predicho

Asimismo, se empleó el error relativo:

|Y real −Y p |
E rror Relativo = Y real ​(3)
Yreal : Valor real.
Yp : Valor predicho
D. Algoritmos Genéticos
​Los AG se pueden considerar como un algoritmo de
optimización con potencial global de búsqueda [11]. Está Fig. 02: Diagrama de flujo de un AG.
inspirado en la teoría de la evolución de Darwin, es decir, la
metodología está inspirada en una metáfora biológica, y aplica
un proceso pseudo-Darwiniano para evolucionar buenas E. Algoritmo Híbrido AGs-RNAs
soluciones en problemas combinatorios de optimización [11].
Se puede ver en la figura 02 el funcionamiento del AG, sus En este estudio se utilizó los AG como algoritmos de
etapas y su resultado. búsqueda para encontrar las mejores estructuras que se
adecuen para nuestro problema, es decir, los AGs fueron
usados para detectar la mejor estructura de RNA MLP
entrenada con backpropagation considerando variables de
entrada y un número de neuronas en la capa oculta, como
método de aprendizaje se empleó backpropagation. Se basó en
la metodología de [10], se usó como función fitness de los
AGs el error MAPE calculado de las salidas de la RN con los
datos de validación (multi-step). El proceso se puede ver
brevemente explicado en la figura 03.
 ​Fig. 03: Modelo Híbrido (AGs-RNAs). (W. Ticona et al. 2017).

Existen distintos métodos de selección de los padres, como

la selección por “torneo”, “elitismo”, “ruleta o “ranking”. En
esta investigación se utilizó el método de selección por
“ruleta” el cual consiste en que los padres son seleccionados
según su fitness, mientras mejor sea el cromosoma, más Fig. 04: AG - Proceso de selección por Ruleta.
chances tiene de ser seleccionado [14]. Imaginen una ruleta
donde están colocados todos los cromosomas de la población,
a cada uno le corresponde un espacio determinado de acuerdo De tal forma, se continúa el proceso con lo que sería el
a su función de fitness, mientras mejor fitness mayor espacio cruce de los mejores individuos que se seleccionaron en el
tendrá [14]. Por último se gira la ruleta y se selecciona el proceso anterior. En esta investigación se usó el método de
cromosoma donde cayó está, de tal forma los cromosomas con cruce “crossover” uniforme, que consiste en generar una
mayor fitness tendrán más oportunidades de salir máscara de bits y por medio de esta y los padres generar a los
seleccionados. Se puede observar como funciona este método hijos. Esto se muestra en la figura 05.
en la figura 04.
 Después de que se realizaron todos estos pasos se quedó un
conjunto de generaciones y de éstas se seleccionó los mejores
individuos. Con estos cromosomas se formaron las estructuras
de las mejores RNA que se pudieron encontrar.
Además, se consideró utilizar para el proceso de mutación
el método ‘mutación intercambiable’, que consiste en escoger
2 posiciones del cromosoma de manera aleatoria e
intercambiar los bits de estas posiciones [16]. Este método
está visible en la figura 06.
Para este trabajo de investigación se consideró 50
generaciones cada una con 50 individuos. Asimismo, se
consideró un Índice de cruce de 0.80 [19] y [20] y un índice de
mutación de 0.01 [17], se escogieron estos valores porque han
mostrado buenos resultados anteriormente. Se repetirá este
proceso tres veces.

Fig. 05: AG - Proceso de cruce “crossover” uniforme..

 ha sido la función predominante en estudios similares [3], [4],
[5], [12] y [13]. Asimismo, para mantener la lógica del uso de
Tansig, en la capa de salida se emplea la función de activación
de transferencia lineal o purelin, su ecuación está en (6). Los
gráficos de estas dos funciones se pueden apreciar en la figura
06.
1
tansig(n) = (1 + exp(−n)) ​ ​ (5)

​ purelin(n) = n (6)

Fig. 07: Funciones de activación Tansig y Purelin.

IV. RESULTADOS

Se realizaron 3 experimentos para identificar a las mejores

estructuras candidatas con algoritmos genéticos. Para dichos
experimentos se realizaron 45 iteraciones. Al final de cada
experimento, se tenía una población de 12 individuos y sus
respectivos errores MAPE.

De cada experimento se escogieron los 2 mejores

candidatos, totalizando 6 estructuras distintas, las cuales se
sometieron a 500 iteraciones de búsqueda para hallar los
mejores pesos y bias, luego se seleccionó las mejor en función
del error MAPE y se declaró dicha estructura la vencedora.
Estas estructuras se muestran en la tabla 02.

Tabla 02. Mejores estructuras evaluadas

Variables de Número de Validación Prueba

Modelo
entrada Neuronas MAPE MAPE
Fig. 06: AG - Proceso de mutación “intercambiable”.

F. Funciones de Activación M-1; M-4; M-5;

M-6; M-7;
Se decidió usar la función de activación tangente M-12; M-18;
hiperbólica sigmoidal (tansig) en la capa oculta, cuya ecuación M-24; MM(1,3);
1 1 0.11545% 1.10406%
MM(4,6);
se puede ver en (5). Debido a como está definida la serie (base MM(7,9);
100 con subidas y bajadas), si se quiere detectar estos MM(7,12)
cambios, se observa que la serie debería pasar por el cero, para DD(12,9)
poder adquirir valores positivos y negativos; la función de
activación tansig cumple con estos requerimientos. Además,
 M-1; M-4; M-5;
M-6; M-12;
M-18; M-24;
MM(1,3);
2 1 0.11926% 0.26827%
MM(4,6);
MM(7,9);
MM(7,12);
DD(12,9)

M-1; M-2; M-4;

M-5;
M-6; M-7;
M-12; M-18;
3 1 0.11501% 3.87249%
M-24; MM(1,3);
MM(4,6);
MM(7,9);
DD(12,9)
Fig. 08: Estructura del mejor modelo RNA MLP backpropagation
M-5; M-6; (modelo 02).
M-9;M-18;
M-24; MM(1,3);
4 1 0.11224% 26.04544%
MM(7,9);
MM(7,12);
En la figura 09 se muestra la serie con los valores reales,
DD(3,1) los predichos por la mejor estructura del modelo híbrido
AGs-RNAs y lo previsto por el Sistema financiero para el año
M-1; M-2; M-4; 2019 (Prueba).
M-5; M-6;
M-12;
M-18; M-24;
5 1 0.12477% 3.63279%
MM(1,3);
MM(7,9);
MM(7,12);
D(12,9)

M-3; M-9;
M-10; M-11;
M-18; M-24;
6 MM(1,3); 1 0.19516% 1.05258%
MM(7,12);
MM(19,24);
D(6,4)
Se puede observar que se han obtenido muy buenos
resultados a la hora de predecir el IPC mensual base
2009=100, tanto en la validación como en la prueba. De tal
manera, se puede observar en la tabla 02 que el MAPE
obtenido en la validación no supera el 1%. Asimismo, se
seleccionó la mejor estructura según el MAPE obtenido en la
prueba, así la mejor estructura que se seleccionó fue la del
modelo 02, compuesta por 12 parámetros de entrada y una
neurona en la capa oculta, con un error MAPE en la validación
de 0,11926% y en la prueba de 0.26827%. En la figura 08 está
detallada la estructura del mejor modelo.
Fig. 09: Comparación de lo real vs. predicho del año 2019 (prueba).
En la tabla 03 se muestra el IPC promedio real calculado
entre los meses de enero a octubre del 2019, el promedio
estimado por el Sistema Financiero (SF) según el BCRP y la
predicción del algoritmo híbrido de AGs-RNAs multi-step de
10 del año 2019. Se muestran a continuación los errores
relativos de los valores predichos por el SF y el modelo
híbrido calculado. De tal forma, con el modelo propuesto se
obtuvo un error relativo de 0.002683, siendo un poco mejor el
conseguido por el SF de 0.002162, una diferencia de 0.00052.
Tabla 03. Error relativo de las predicciones para el año 2019 (prueba)
Predicción del IPC Promedio del IPC Error Relativo
2019 (ene-oct)

IPC Real 131.6096599 -

Sistema Financiero 131.7609029 0.002162

Algoritmo híbrido
131.3017654 0.002683
AGs-RNAs
 V. CONCLUSIONES
El cálculo del IPC es una labor importante dentro de cada
país pues es un buen indicador de cómo está yendo este. En
especial porque es uno de los indicadores más relevantes al
momento de calcular la inflación, y esta es una tarea de gran
relevancia para el país y su estabilidad económica. Asimismo,
la serie del IPC en Perú durante el 2001 al 2019 no presenta
un comportamiento anómalo, esta se mantiene dentro de un
margen del 4% y con tendencia a aumentar año a año.
En este estudio, se propuso un modelo híbrido de AGs y
RNA multistep de 10 que se demostró eficiente a la hora de
predecir el IPC mensual. De tal forma se llegó a obtener en los
periodos de validación de 2017 a 2018 muy buenos resultados
obteniendo un MAPE menor al 1% en todas las estructuras
seleccionadas y en la predicción del año 2019 (prueba) se
obtuvo un MAPE de 0.26827% con la estructura propuesta.
Además, se obtuvo resultados muy positivos comparándolos
con las proyecciones del SF presentadas por el BCRP, dado
que se obtuvo un error relativo de 0.002683, comparándolo
con el obtenido por el SF de 0.002162. Asimismo, se ve que, a
pesar de que la predicción del SF superó por poco a la nuestra
(diferencia de 0.00052), hemos logrado predecir con un buen
nivel el IPC mensual durante el periodo seleccionado.
Finalmente, sería interesante analizar el impacto que puedan
tener ciertas variables exógenas dentro del cálculo del IPC,
además de ingresar la información de que en ciertos meses hay
un incremento leve del IPC, por medio de variables dummy
para el mes. Por otra parte, sería interesante también intentar
predecir el comportamiento de la variación porcentual cada 12
meses; la cual está basada en el IPC y se usa como un
indicador de inflación.
REFERENCIAS
[1] Haider, Adnan and Hanif, Muhammad Nadeem. (2007). Inflation
Forecasting in Pakistan using Artificial Neural Networks. MPRE Paper.
Recuperado de: ​https://mpra.ub.uni-muenchen.de/14645/
[2] Gour Sundar Mitra Thakur, Rupak Bhattacharyya, Seema Sarkar
Mondal. (2016). Artificial Neural Network Based Model for Forecasting
of Inflation in India. Fuzzy Information and Engineering, 8(1), 87-100.
doi: ​https://doi.org/10.1016/j.fiae.2016.03.005​.
[3] Akbarpour, Hamed & Bastan, Mahdi & Hosseini, Shokoufeh &
Akbarpour, Sareh. (2014). Investigation on short-term inflation rate in
Iran using artificial neural network.The First National Conference on
Development in Monetary and Banking Management. Tehran, Iran.
Recuperado de:
https://www.researchgate.net/publication/313342366_Investigation_on_
short-term_inflation_rate_in_Iran_using_artificial_neural_network
[4] Santana, Juan C. (2006). Predicción de series temporales con redes
neuronales: una aplicación a la inflación colombiana. Revista
Colombiana de Estadística, 29(1), 77-92. Recuperado de:
http://www.scielo.org.co/pdf/rce/v29n1/v29n1a05.pdf
[5] Gupta, S. and Kashyap, S. (2015). Forecasting inflation in G-7 countries:
an application of artificial neural network. Foresight, 17(1), 63-73. doi:
https://doi.org/10.1108/FS-09-2013-0045
[6] Pedrosa, Steven J. (2019). Índice de precios al consumo (IPC).
Economipedia. Recuperado de:
https://economipedia.com/definiciones/ipc-indice-precios-al-consumo.ht
ml
[7] Pérez Sanchez, Ana. (2015). ¿Qué es el IPC? FinancialRed:
IPC.Recuperado de:
https://www.ipcblog.es/que-es-el-ipc/#targetText=La%20importancia%2
0del%20IPC,como%20por%20ejemplo%20los%20alquileres​.
[8] BCRP. (2019). Inflación. Recuperado de:
https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/inflacion
[9] BCRP. (2019). PREGUNTAS FRECUENTES: ¿Cuál es el objetivo del
BCRP?. Recuperado de:
http://www.bcrp.gob.pe/sobre-el-bcrp/preguntas-frecuentes.html
[10] W. Ticona, K. Figueiredo and M. Vellasco, "Hybrid model based on
genetic algorithms and neural networks to forecast tax collection:
Application using endogenous and exogenous variables," ​2017 IEEE
XXIV International Conference on Electronics, Electrical Engineering
and Computing (INTERCON),​ Cusco, 2017, pp. 1-4. doi:
10.1109/INTERCON.2017.8079660
[11] A. Brabazon & P. B. Keenan, "A hybrid genetic model for the prediction
of corporate failure", Computational Management Science. 1. 293-310,
octubre 2004. doi: 10.1007/s10287-004-0017-6.
[12] D. Gjylapi1 & V. Kasemi, "COMBINING GENETIC ALGORITHMS
AND ARTIFICIAL NEURAL NETWORKS IN FORECASTING
CONSUMER PRICE INDEX (CPI)", The 1st International Conference
on “Research and Education – Challenges Towards the Future”
(ICRAE2013), Albania, 24-25 May 2013. Recuperado de:
http://konferenca.unishk.edu.al/icrae2013/icraecd2013/doc/694.pdf
[13] M. Álvarez-Díaz, "Forecasting the US CPI: Does Nonlinearity Matter?",
Working Papers 201512, University of Pretoria, Department of
Economics, 2015. Recuperado de:
https://www.up.ac.za/media/shared/61/WP/wp_2015_12.zp48599.pdf
[14] M. Obitko, (1998, September). “Introduction to Genetic Algorithms -
Tutorial with Interactive Java Applets”, Recuperado de:
http://www.obitko.com/tutorials/genetic-algorithms/selection.php
[15] INEI. (2010). Metodología del cambio de año base 2009 del índice de
precios al consumidor de Lima Metropolitana.. Recuperado de:
https://www.inei.gob.pe/media/MenuRecursivo/2_1.pdf
[16] Nitasha, Soni & Tapas, Kumar. (2014). “Study of Various Mutation
Operators in Genetic Algorithms”. International Journal of Computer
 Science and Information Technologies, Vol. 5 (3), 4519-4521.
Recuperado de:
http://ijcsit.com/docs/Volume%205/vol5issue03/ijcsit20140503404.pdf

[17] Ticona, Wilfredo Mamani; Vellasco, Marley M. B. Rebuzzi; Leite,

Karla. T. Figueiredo. “Estudo de Métodos de Mineração de Dados
Aplicados à Gestão Fazendária de Municípios”. Rio de Janeiro, 2013.
128p. Dissertação de Mestrado - Departamento de Engenharia Elétrica,
Pontifícia Universidade Católica do Rio de Janeiro.

[18] Francisco de Assis Amaral Bastos. “Previsão de receitas tributárias

mediante redes neurais artificiais”, 2010. 78p. Dissertação apresentada
ao Curso de Mestrado Integrado Profissional em Computação Aplicada
da Universidade Estadual do Ceará e do Instituto Federal de Educação,
Ciência e Tecnologia do Ceará.

[19] S. A. Bagherzadeh, M. T. Sulgani, V. Nikkhah, M. Bahrami, A.

Karimipour & Y. Jiang, "Minimize pressure drop and maximize heat
transfer coefficient by the new proposed multi-objective
optimization/statistical model composed of “ANN + Genetic Algorithm”
based on empirical data of CuO/paraffin nanofluid in a pipe", Physica A:
Statistical Mechanics and its Applications, vol. 527, 2019, doi:
https://doi.org/10.1016/j.physa.2019.121056.

[20] M. D. Vose, "Modeling Simple Genetic Algorithms", Evolutionary

Computation 1995 vol. 3(4), 453-472,
doi:https://doi.org/10.1162/evco.1995.3.4.453