Facultad de Ciencias matemáticas y físicas
Carrera de Ingeniería en Software
Materia:
Inteligencias Artificial
Tema:
Metaheurística evolutiva
Estudiante:
Darwin Zambrano Muruzumbay
Docente:
Ing. Eleanor Valera Tapia
Fecha:
22/04/2025
Índice
Tabla comparativa de las metaheurísticas ................................................................... 1
¿Qué es una metaheurística evolutiva? ........................................................................ 2
Mencione las características relevantes del algoritmo genético .................................. 3
¿Cuáles son las operaciones en un algoritmo genético? .............................................. 3
Resuma en breves pasos el pseudocódigo o flujograma de manera general ............... 3
Ventajas ....................................................................................................................... 4
Desventajas .................................................................................................................. 4
Conclusiones personales .............................................................................................. 4
Bibliografía .................................................................................................................. 5
1
Tabla comparativa de las metaheurísticas
Nombre de la Características 3 Principales Ventajas 3 Principales Desventajas
Metaheurística
Hill Climbing Es un bucle que se Ha demostrado ser instrumental en áreas tan Todos los nodos pueden parecer igualmente
mueve en dirección del dispares como la planificación de rutas, el diseño buenos.
valor creciente y de redes neuronales y la bioinformática. Cuando existen "colinas falsas" ocurre qué el
termina cuando alcanza Reduce el número de nodos a analizar. algoritmo de vuelta hacia atrás de manera extensa.
un pico en el que Dado su bajo costo computacional es la estrategia Este algoritmo no necesariamente se encuentra la
ningún vecino tiene de búsqueda más utilizada en optimización y ruta más eficiente a través del espacio de estados.
valor mejor. aprendizaje.
Búsqueda La lista tabú es aquello Combina búsqueda local con una memoria El tamaño de la lista tabú es un parámetro crítico:
Tabú que caracteriza a la temporal que permite aceptar movimientos no si es demasiado grande se restringe la
búsqueda tabú como mejorantes para escapar de mínimos locales y exploración, y si es muy pequeño puede
metaheurística, ya que evitar ciclos en la exploración de soluciones. producirse repetición de ciclos.
almacena los últimos Es una de las metaheurísticas más habituales en El espacio de búsqueda en optimización
movimientos problemas de optimización combinatoria, gracias combinatoria suele ser tan extenso que resulta
2
realizados y se emplea a su capacidad para guiar estratégicamente la imposible recorrerlo exhaustivamente en un
para recordar aquellos búsqueda en espacios muy grandes. tiempo razonable.
movimientos que nos La lista tabú registra los movimientos recientes y Al no garantizar una diversificación suficiente, el
hacen caer de nuevo en los prohíbe temporalmente, lo que fuerza la algoritmo puede detenerse al llegar a un óptimo
soluciones ya exploración de nuevas regiones y previene volver local y no encontrar nunca el óptimo global.
exploradas. a soluciones ya visitadas.
¿Qué es una metaheurística evolutiva?
Son métodos que van construyendo un conjunto de soluciones a diferencia de los otros métodos que sólo pasan de una solución a otra en cada
iteración. El procedimiento consiste en generar, seleccionar, combinar y reemplazar un conjunto de soluciones. Establecen estrategias para
conducir la evolución en el espacio de búsqueda de conjuntos de soluciones (usualmente llamados poblaciones en este contexto) con la intención
de acercarse a la solución óptima. El aspecto fundamental de las heurísticas evolutivas consiste en la interacción entre los miembros de la
población, frente a las de búsqueda que se guían por la información de soluciones individuales.
Defina que son los algoritmos genéticos
Los algoritmos genéticos operan sobre una población o conjunto de soluciones representadas como cadenas binarias o cromosomas. Durante la
ejecución, el algoritmo cruza los individuos de mayor aptitud para renovar la población y elimina los de menor aptitud. Al final, el cromosoma
de mayor aptitud es la solución al problema (Metaxiotis y Psarras, 2004).
3
Mencione las características relevantes del algoritmo genético
Consisten en una estrategia que, usando operadores análogos a los de la selección natural, filtra y
optimiza un conjunto de soluciones inicialmente aleatorio.
Resulta de utilidad para problemas que involucren un gran caudal de información y un gran
conjunto de soluciones posibles.
¿Cuáles son las operaciones en un algoritmo genético?
Generar la población inicial.
Evaluar la población generada.
Seleccionar unos padres para el cruce, basándose en la información del paso anterior.
Emplear los operadores de cruce para obtener una descendencia.
Emplear un operador de mutación en los hijos.
Seleccionar padres e hijos que constituyan la nueva población.
En el caso de que se satisfaga la condición de parada el algoritmo se detiene; si no, se vuelve
al Paso 2.
Resuma en breves pasos el pseudocódigo o flujograma de manera general
Inicializar población P con posibles soluciones.
Mientras no se cumpla el criterio de parada:
Seleccionar dos padres de P según su aptitud (mejores tienen mayor probabilidad).
Cruzar los padres para generar un conjunto de k hijos.
Para cada hijo:
Aplicar mutación con probabilidad Pm
Evaluar si el hijo entra a la población con probabilidad proporcional a su aptitud.
Si el hijo entra:
Reemplazar un individuo de la población, seleccionado con probabilidad
inversamente proporcional a su aptitud (los peores tienen mayor
probabilidad de salir).
4
Fin del algoritmo al cumplirse el criterio de parada.
Ventajas
Es mucho más rápido y más eficiente que muchos métodos tradicionales
El proceso se puede paralelizar, por lo cual se pueden usar múltiples procesadores a la vez
para hacer converger la solución más rápidamente
Desventajas
Un pequeño aumento en el número de parámetros puede hacer crecer su complejidad de
forma exponencial, hasta hacerlo de hecho inviable por tiempo y recursos necesarios.
Pueden converger en óptimos locales. Esto significa que puede hallar una solución que,
siendo mejor que las calculadas hasta el momento, no es la mejor solución
Conclusiones personales
Pienso que la metodología evolutiva es una interesante forma de encontrar una solución
óptima mediante la selección de las mejores soluciones que se ha generado al transcurso de la
investigación basándose en la evolución de toda especie, donde los que son mejores en toda forma
son lo que sobreviven y se reproducen, así creando un ciclo de mejora.
Eso se aplica en los algoritmos genéticos, donde se toma las mejores soluciones donde luego son
emparejadas para de ahí generar una nueva solución hijo. Así este compartirá lo mejor de ambas
soluciones haciéndolo más valiosa, y además este puede ser mutado de tal forma que podemos
hacerle ciertos cambios si así lo requerimos. Y así crear una solución más que optima, y este ciclo
se ira repitiendo hasta obtener la mejor decencia posible, así como se busca en la evolución de toda
especie.
5
Bibliografía
Bedoya, Á. S. (Marzo de 2022). AVANCES Y DESAFÍOS DE LA. Obtenido de Universidad
pontifica: https://repositorio.comillas.edu/rest/bitstreams/507551/retrieve
Buqueda Local y Variantes. (s.f.). Obtenido de
https://ccc.inaoep.mx/~emorales/Cursos/Busqueda/blocal.pdf
C. Verrastro, J. G. (04 de Junio de 2009). Algoritmos Geneticos . Obtenido de Universidad
Tecnológica Nacional : https://www.frba.utn.edu.ar/wp-
content/uploads/2021/02/AlgoritmosGeneticos-compressed.pdf
Coello, C. A. (s.f.). Metaheurísticas Bio-Inspiradas para Optimización:La Última Frontera.
Obtenido de CINVESTAV-IPN: https://www.math.cinvestav.mx/sites/default/files/platica-
escuela-2022-Coello.pdf
Inteligencia Artificial 360. (30 de Diciembre de 2023). Algoritmo de Hill Climbing. Obtenido de IA
360: https://inteligenciaartificial360.com/glosario/algoritmo-de-hill-climbing/
Javier Guaña-Moya, Yamileth Arteaga-Álcivar, & María Elizabeth Cedeño Zambrano. (31 de Julio
de 2023). Ventajas y desventajas del uso de las Herramientas de Inteligencia artificial en la
educación. Obtenido de Tecnopedagogía e innovación:
https://editorialscientificfuture.com/index.php/rti/article/view/34/25
José, C. O. (2019). Inteligencia artificial ¿Dr. Jekyll o Mr. Obtenido de Mercados y negocios:
https://www.redalyc.org/journal/5718/571860888002/571860888002.pdf
Kraz Team. (15 de Septiembre de 2021). Qué son los algoritmos genéticos y porqué utilizarlos en
nuestro negocio. Obtenido de Kraz: https://blog.kraz.ai/marketing/que-son-los-algoritmos-
geneticos-y-porque-utilizarlos-en-nuestro-negocio/
Manzanares, E. M. (12 de Noviembre de 2004). Hill-Climbing. Obtenido de
https://ccc.inaoep.mx/~emorales/Cursos/Busqueda/node23.html
6
Mario César Vélez, & José Alejandro Montoya. (Julio de 2007). METAHEURÍSTICOS: UNA
ALTERNATIVA PARA LA SOLUCIÓN DE PROBLEMAS COMBINATORIOS EN
ADMINISTRACIÓN DE OPERACIONES. Obtenido de Revista EIA:
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1794-12372007000200009
Metaheurísticas. (s.f.). Obtenido de
https://www.cs.us.es/~fsancho/Blog/posts/Metaheuristicas.md#:~:text=Las%20metaheur%C
3%ADsticas%20evolutivas%20establecen%20estrategias,acercarse%20a%20la%20soluci%
C3%B3n%20%C3%B3ptima.
METAHEURÍSTICAS. (2020). Obtenido de
https://sci2s.ugr.es/sites/default/files/files/Teaching/GraduatesCourses/Metaheuristicas/2021
/Tema01-Metaheuristicas-20-21.pdf
Montero, J. (2018). Búsqueda tabú para la optimización de un proceso industrial de inyeccion de
piezas de aluminio. Obtenido de Universidad Politecnica de Madrid:
https://oa.upm.es/55171/1/TFM_JAVIER_MONTERO_ISUSI.pdf
ROMERO, M. C., & R. V. (Junio de 2016). UN ALGORITMO METAHEURÍSTICO DE
RECOCIDO SIMULADO PARA EL 3AP-AXIAL. Obtenido de Universidad de Oriente,
Núcleo de Sucre: https://ve.scielo.org/pdf/saber/v28n3/art13.pdf
Rouhiainen, L. P. (Noviembre de 2008). Inteligencia Artificial. Obtenido de Alienta editorial:
https://proassetspdlcom.cdnstatics2.com/usuaris/libros_contenido/arxius/40/39307_Inteligen
cia_artificial.pdf
T, B. L. (2019). ALGORITMO HILL CLIMBING. Obtenido de Tecnologia educativa UNAN:
https://aeia.home.blog/algoritmo-hill-climbing/
USOS, BENEFiCiOS Y RiESGOS DE LA INTELiGENCiA ARTIFICIAL. (2024). Obtenido de
Universidad Externado: https://www.uexternado.edu.co/wp-
content/uploads/2024/05/RevistaExperto15.pdf
7
Yoan Martínez López, & Rafael Falcón Martínez. (Diciembre de 2013). Métodos de búsqueda para
la configuración de redes neuronales asociativas. Obtenido de Universidad de las Ciencias
Informáticas: https://www.redalyc.org/pdf/3783/378334197006.pdf
