Algoritmo
GENÉTICO
DRA. PATRICIA HUARANCCA
INTEGRANTES:
Campos Ochoa, Dante
Cama Auris, Jefferson
Castilla Tejada, Fabian
Vicente Guerra, Diego
Tenorio Acha, Anderson
introducción
La ciencia ha buscado constantemente entender el mundo, desarrollando herramientas
que mejoran nuestra interacción con la naturaleza. La llegada de las computadoras
revolucionó esta capacidad, permitiendo predecir y controlar fenómenos complejos.
Inspirados en principios biológicos, como la selección natural, los algoritmos genéticos
surgieron en la década de 1960 como una técnica de optimización basada en la evolución.
John Holland los conceptualizó como un método para simular la adaptación natural,
utilizando conceptos como cromosomas, cruzamiento y mutación. Aunque inicialmente
diseñados para estudiar la adaptación, los AG se convirtieron en una herramienta poderosa
para resolver problemas complejos, sentando las bases de la computación evolutiva junto
con estrategias de evolución y programación evolutiva.
TEORIA DE DARWIN
El economista Thomas Malthus planteó que, si no se controlaba, la población humana crecería más rápido
que la producción de alimentos, lo que generaría competencia por la supervivencia. Estas ideas influyeron
en Charles Darwin, quien las aplicó al mundo natural, reconociendo que algunos individuos en la lucha por
la existencia están mejor adaptados para sobrevivir.
La teoría de Darwin, conocida como selección natural, se basa en cuatro principios clave: los individuos de
una población presentan variaciones; estas variaciones pueden ser heredadas; los organismos producen
más descendientes de los que pueden sobrevivir; y las variaciones que mejoran el éxito reproductivo
tienen más probabilidades de transmitirse a futuras generaciones. Este proceso favorece a los
organismos mejor adaptados a su entorno.
Con el paso del tiempo, la selección natural puede acumular cambios en una población hasta el punto de
formar nuevas especies. Así, Darwin demostró cómo las presiones ambientales y reproductivas moldean
la diversidad biológica, proporcionando una base científica para entender la evolución.
01
¿QUÉ ES EL
ALGORITMO
GENÉTICO?
Un algoritmo genético (AG) es un método para solucionar
problemas de optimización con o sin restricciones basándose
en un proceso de selección natural que imita la evolución
biológica. Este algoritmo modifica repetidamente una
población de soluciones individuales.
En cada paso, el algoritmo genético selecciona
individuos de la población actual aleatoriamente
y los utiliza como padres para producir los hijos
de la siguiente generación. Tras varias
generaciones sucesivas, la población
"evoluciona" hacia una solución óptima.
COMPONENTES DE UN AG
LA FUNCIÓN QUE SE UNA FUNCIÓN DE
DESEA OPTIMIZAR EVALUACIÓN
Este es el objetivo principal del algoritmo Mide la calidad de cada solución
genético, también conocido como la función respecto a la función objetivo,
objetivo, representa el problema que se quiere asignando un valor de aptitud.
resolver o la meta que se desea alcanzar.
GRUPO CANDIDATO FUNCIÓN DE
PARA LA SOLUCIÓN REPRODUCCIÓN.
Conjunto inicial de posibles Genera nuevas soluciones combinando
soluciones, representadas como y modificando las existentes mediante
individuos dentro de una población. selección, cruzamiento y mutación.
CARACTERÍSTICAS
ADAPTABILIDAD ESTOCASTICIDAD PARALELISMO
Funciona a través de la selección Incluye aleatoriedad como Opera sobre una población
natural, heredando las mejores elemento clave en procesos completa de soluciones,
configuraciones genéticas para como selección y reproducción, facilitando la paralelización en la
garantizar el éxito reproductivo. fomentando la diversidad en las búsqueda de respuestas
soluciones. óptimas.
RECOMBINACIÓN ROBUSTEZ
Combina elementos de distintas Es capaz de mantener un
soluciones para crear nuevos desempeño consistente y eficaz
individuos con mayor potencial en una amplia variedad de
de éxito. problemas.
VENTAJAS DESVENTAJAS
Es mucho más rapido y eficiente que Pueden tardar mucho en converger,
muchos métodos tradicionales o no converger en absoluto, esto
significa que puede hallar una
solución que, siendo mejor que las
Usa operadores probabilísticos, en vez calculadas hasta el momento, noe s
de los típicos operadores determinísticos la mejor solución.
Operan de forma simultánea con varias Pueden converger prematuramente
soluciones, en vez de trabajar de forma debido a una serie de problemas de
secuencial diversa índole
Resulta sumamente faciles de ejecutar
en arquitecturas masivamente paralelas Son poco escalables: un pequeño aumento
en el parametro puede hacer crecer su
complejidad de forma exponencial
No requiere de conocimientos específicos
sobre el problema que intentan resolver Son poco escalables: un pequeño aumento
en el parametro puede hacer crecer su
complejidad de forma exponencial
Sirve tanto para funciones continuas
como discretas
Son támbien de aplicabilidad para
problemas multiobjetivos
APLICACIONES DE LOS AG
Los algoritmos genéticos (AG) son ampliamente utilizados en problemas de
optimización debido a su eficiencia y confiabilidad. Sin embargo, no siempre garantizan
la solución óptima global, y su efectividad depende de las siguientes condiciones:
El espacio de búsqueda debe estar acotado, preferiblemente discreto o continuo
con un rango pequeño.
Es esencial definir una función de aptitud que evalúe la calidad de las soluciones.
Las soluciones deben codificarse de manera sencilla para su implementación
computacional.
ANTECEDENTES Y HISTORIA DE LOS AGs
Inicios de la Consolidación de Schwefel y las
computación John Holland y los Hoffmeister y
Friedman las estrategias Aplicaciones de las
AGs Schwefel
Alan Turing, John von Neumann Introduce algoritmos de Evolutivas Estrategias Evolutivas
y otros pioneros establecen las optimización y aprendizaje Holland desarrolla los conceptos Publican una síntesis
iniciales de los Algoritmos Rechenberg publica trabajos
bases de la computación automático inspirados en la Amplía el trabajo de Rechenberg avanzada sobre
Genéticos (AG) en la que formalizan y sintetizan su
moderna. evolución. aplicando las estrategias estrategias de evolución,
Universidad de Michigan. enfoque de estrategias
evolutivas a problemas de mejorando las técnicas
evolutivas.
ingeniería y diseño. existentes.
1940 1950 1959 1960 1965 1973 1975-1977 1980 1991 1993
Inspiración Surgimiento de la I. Rechenberg y las Publicación de Fogel y Atmar y la
biológica en la Computación estratégias "Adaptation in Crecimiento de la Programación
evolutiva evolutivas Natural and Computación
computación Evolutiva
Inicia formalmente la Propone las Estrategias de la Artificial Systems" evolutiva
Biólogos y matemáticos como Ampliación del enfoque de
exploración de métodos Evolución, un método práctico Diversos investigadores
Baricelli y Fraser comienzan a programación evolutiva,
computacionales inspirados en para optimizar parámetros John Holland formaliza los combinan ideas de
utilizar computadoras para integrando métodos más
la evolución biológica. reales en ingeniería. algoritmos genéticos en su algoritmos genéticos,
simular procesos de evolución generalizados y adaptables.
libro, explicando su estrategias evolutivas y
biológica.
aplicación como método programación evolutiva.
heurístico inspirado en la
selección natural.
02
CONCLUSIÓN
CONCLUSIÓN
Los algoritmos genéticos representan un enfoque innovador y versátil para la resolución de
problemas complejos, basándose en conceptos inspirados en la biología como la selección
natural, la mutación y el cruzamiento. Su capacidad para adaptarse y evolucionar soluciones
los hace ideales para aplicaciones en optimización, donde la búsqueda de soluciones
eficientes puede ser difícil con métodos tradicionales.
Sin embargo, su efectividad depende de una correcta configuración y de la naturaleza del
problema. Si bien no siempre garantizan la solución óptima global, destacan por su capacidad
de explorar espacios de búsqueda amplios y por su flexibilidad para combinarse con otras
técnicas. Esto los convierte en una herramienta poderosa en áreas como la ingeniería, la
inteligencia artificial y la investigación científica.
En conclusión, los algoritmos genéticos son un ejemplo claro de cómo los principios naturales
pueden inspirar soluciones tecnológicas avanzadas, siempre que se empleen con un enfoque
crítico y adaptado a las necesidades específicas de cada problema.
03
PREGUNTAS
CUESTIONARIO
HOY APRENDEMOS SOBRE:
Algoritmos
Genéticos
PREGUNTA 1
¿Qué es un algoritmo genético (AG)?
Un método de resolución Una técnica de optimización
A de ecuaciones. B inspirada en la selección natural.
Un modelo de redes Un programa que genera
C neuronales. D gráficos automáticamente.
PREGUNTA 2
¿Quién desarrolló los algoritmos genéticos?
A Alan Turing B John von Neumann
C John Holland D Rechenberg
PREGUNTA 3
¿En qué década surgieron los algoritmos genéticos?
A 1950
B 1960
C 1970
D 1980
PREGUNTA 4
¿Qué es un cromosoma en términos de algoritmos
genéticos?
Una posible solución
A Una célula biológica
B representada en un AG.
C Un operador matemático. D Un código de programación.
PREGUNTA 5
¿Qué operador genético introduce variabilidad en los
algoritmos genéticos?
Reproducción
A Selección
B
C Mutación D Optimización
PREGUNTA 6
¿Qué representa un gen en un algoritmo genético?
Un parámetro dentro de Un elemento de una red
A una solución.
B neuronal.
Una célula de la solución
C Un valor matemático fijo. D final.
PREGUNTA 7
¿Cuál es la función de la aptitud en un AG?
Medir el rendimiento de Seleccionar los peores
A una solución.
B cromosomas.
Calcular la velocidad de
C convergencia.
D Multiplicar genes.
PREGUNTA 8
¿Qué técnica de selección es común en los AG?
A Selección natural. B Selección por ruleta.
C Selección exponencial. D Selección manual.
PREGUNTA 9
¿Cuál de los siguientes NO es un tipo de codificación
en los AG?
A Binaria B Hexadecimal
C Permutación D Derivativa
PREGUNTA 10
¿Qué ventaja tienen los AG frente a otros métodos de
optimización?
Operan de forma No requieren conocimiento
A secuencial. B específico del problema.
Siempre encuentran la
C solución óptima.
D Son determinísticos.
PREGUNTA 11
¿Qué papel tiene la selección en los algoritmos
genéticos?
Evaluar la función de
A Introducir variabilidad.
B aptitud.
Elegir individuos para
C cruzar.
D Estabilizar el algoritmo.
PREGUNTA 12
¿Qué representa el espacio de búsqueda en un AG?
La memoria del Todas las posibles soluciones.
A programa. B
Los operadores genéticos
C usados.
D Las generaciones futuras.
PREGUNTA 13
¿Qué es el elitismo en un AG?
Seleccionar Garantizar que los mejores
A aleatoriamente soluciones B individuos pasen a la
iniciales. siguiente generación.
Reducir el tamaño de la
C población. D Aumentar el número de
generaciones.
PREGUNTA 14
¿Qué objetivo tiene la mutación en un AG?
Crear nuevas Producir individuos
A generaciones. B idénticos.
Introducir diversidad
C genética. D Garantizar la convergencia
rápida.
PREGUNTA 15
¿Cuál de las siguientes es una desventaja de los AG?
Son poco eficientes en Requieren conocimientos
A espacios de búsqueda B avanzados de genética.
pequeños.
Pueden converger
C prematuramente. D Son determinísticos.
¡Gracias por
participar!
Cuestionario redactado por: Grupo 03
