Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introduccin a los
Algoritmos
genticos
Introduccin a los algoritmos evolutivos
1. Introduccin ................................................................................. 4
2. Origen de los algoritmos genticos ................................................. 7
2.1 Breve historia .......................................................................... 7
2.2 Tcnicas evolutivas vs otras tcnicas de optimizacin ................ 9
3. Fundamentos de los algoritmos genticos...................................... 12
3.1 Generacin de la poblacin inicial ........................................... 13
3.2 Operadores genticos .............................................................. 14
3.2.1 Cruce ............................................................................... 15
3.2.2 Mutacin ......................................................................... 16
3.3 Evaluacin de los individuos ................................................... 17
3.4 Seleccin de individuos ........................................................... 18
3.5 Resolucin del ejemplo ........................................................... 20
4. Aplicaciones reales de AG............................................................ 22
4.1 Algoritmos genticos en economa
AG en modelos de gestin de recursos naturales ........................ 22
4.1.1 AG en economa .............................................................. 23
4.1.2 Modelo de explotacin pesquera con AG .......................... 23
4.1.3 Conclusiones.................................................................... 31
4.2 Algoritmos genticos en optimizacin del espacio: problema de
la mochila ................................................................................ 32
4.2.1 El problema de la mochila ................................................ 32
4.3
Algoritmos
genticos
en
geometra:
optimizacin
de
1. Introduccin
Throw up a handful of feathers, and all must fall to the ground
according to definite laws; but how simple is this problem compared to the action
and reaction of the innumerable plants and animals which have determined, in
the course of centuries, the proportional numbers and kinds of trees now growing
on the old Indian ruins!
Charles Darwin, The origin of species, 1859
La naturaleza que existe hoy es la optimizacin de la naturaleza
que existi ayer.
Con esta sencilla generalizacin del concepto de evolucin y
lucha de especies o war of nature, es fcil comprender que la
optimizacin forma parte de nosotros.
Entendiendo por optimizacin la bsqueda de una cierta mejora
comparativa, una ventaja, un mejor rendimiento o una mayor eficacia,
toda la actividad humana se encuentra movida sutilmente por la
bsqueda incansable de mejoras.1
Aquellos que hemos optado por actividades tcnicas, y en
especial los ingenieros (y en particular, los ingenieros de energa),
buscamos mejoras en todos los campos de la tcnica para hacer los
procesos ms eficientes y mejorar la vida de la gente. Con esta
finalidad: diseamos mejores mquinas, desarrollamos mejores
materiales, pulimos mtodos y procedimientos y todo ello al menor
coste posible.
como el mtodo de bsqueda de mximos y mnimos locales: NelderMead downhill simplex method3 de uso general en infinidad de
aplicaciones.
No obstante, la mayora de los mtodos que haba hasta la
dcada de los setenta, adolecan el defecto de no poder diferenciar el
mximo absoluto de la funcin de un mximo local.
Para tratar de resolver ste y otros inconvenientes, se desarrollan
en los ltimos compases del siglo XX un nuevo grupo de algoritmos
que buscan emular la seleccin natural.
Nuestra lucha particular por alcanzar metas cada vez ms lejanas
y derribar las limitaciones de la tcnica, promueve la evolucin de los
mtodos de clculo. Estos mtodos de clculo, surgidos de la necesidad
y la imaginacin, encontraron la inspiracin en la ms reservada
intimidad de la naturaleza, viendo la luz por primera vez los algoritmos
genticos y evolutivos.
de
los
60
distintos
investigadores
desarrollaron
Algunas
de
estas
ventajas
las
enumeramos
continuacin.
En primer lugar y probablemente lo ms importante es que los
algoritmos genticos son intrnsecamente paralelos. La mayora de los
algoritmos, sin embargo, son en serie slo pueden explorar el espacio
de soluciones en una direccin al mismo tiempo. Y si la solucin a la
que convergen es un extremo local, no pueden hacer otra cosa que
abandonar el trabajo hecho y empezar de nuevo. Por otro lado, ya que
los algoritmos genticos tienen descendencia mltiple, pueden explorar
mltiples direcciones a la vez.
En segundo lugar, las tcnicas evolutivas no necesitan
conocimientos especficos sobre el problema que intentan resolver. As
mismo, al depender nicamente los algoritmos genticos de la funcin
objetivo la convergencia de la solucin ptima no est vinculada a
requisitos de continuidad, diferenciabilidad, convexidad, lo que
proporciona a los algoritmos genticos una mejora sustancial con
respecto a los mtodos clsicos.
En tercer lugar, debido al paralelismo que le permite evaluar
implcitamente muchos esquemas a la vez. Los algoritmos genticos
son realmente efectivos en la resolucin de problemas no lineales, cuyo
espacio de soluciones potenciales es realmente grande, demasiado vasto
para hacer una bsqueda exhaustiva en un tiempo razonable. En un
9
11
13
14
3.2.1.
Cruce
3.2.2.
Mutacin
16
17
19
Primera generacin
Segunda generacin
Elemento
Elemento binario Evaluacin Descendencia binaria Descendencia Evaluacin descendencia
2
(0,0,1,1)
9
(0,0,0,0)
0
0
12
(1,1,0,0)
-11
(1,1,1,1)
15
-56
6
(0,1,1,0)
25
(0,1,0,0)
4
21
4
(0,1,0,0)
21
(0,1,1,0)
6
25
6
(0,1,1,0)
25
(0,1,0,1)
5
24
1
(0,0,0,1)
0
(0,0,1,0)
2
9
2
(0,0,1,0)
9
(0,0,1,0)
2
9
14
(1,1,1,0)
-39
(1,1,1,0)
14
-39
21
estos
tres
ejemplos
hemos
querido
estudiar
muy
22
4.1.1.
AG en economa
del
comportamiento
de
agentes
del
mercado,
4.1.2.
AG
El modelo que vamos a estudiar, que busca optimizar la gestin
de la explotacin pesquera, parte de las suposiciones:
Los agentes no conocen la dinmica de reproduccin del
recurso natural5
23
es la capacidad
24
a ingresos.
el nmero de faenadores:
; una
con cambios de
ratio, excepto con los ms altos, donde el beneficio neto medio cae
apreciablemente.
28
29
30
4.1.3.
Conclusiones
socio-econmico
con
sistemas
evolutivos
31
empresa
sueca
de
muebles
con
nombres
4.2.1.
El problema de la mochila
33
34
35
36
37
problema para diez ciudades, casi dos horas para 13 ciudades y 77147
aos para resolver con slo 20 ciudades.
Por ello, los algoritmos clsicos no son capaces de resolver el
problema
general
sin
demasiadas
simplificaciones.
Obteniendo
4.3.1.
una
solucin
de
este
problema
mediante
eso
no
quiere
decir
que
vayan
ser
un
determinado
porcentaje
de
ellos,
elegidos
operador
aleatoriamente
(1, 2, 4, 5, 3)
cruzamiento
nuestros
ms
individuos
en
habitual
un
cortara
determinado
4, 2, 5)
(1,2,
4, 5, 3)
(1, 2, 4, 2, 5)
40
4.3.2.
Conclusiones
42
5. Conclusiones
Resulta complicado tratar de resumir todo lo que hemos
aprendido durante la realizacin de este informe. Sin embargo, la
leccin ms importante que extraemos de esta redaccin no es lo que
hemos aprendido, sino todo aquello que nos queda por aprender. Todas
las aplicaciones prcticas de los algoritmos evolutivos aplicados a la
optimizacin de procesos, sus distintas modificaciones para adaptarse a
distintos problemas, los cambios que se producen con las variaciones de
los operadores genticos y un milln de temas ms, todos ellos
tremendamente interesantes.
Este informe es una introduccin conceptual a los algoritmos
genticos. Nuestro propsito ha sido el de presentar al lector una visin
general del funcionamiento de esta herramienta de anlisis numrico y
modelizacin, para que pueda comprender el funcionamiento y el
potencial de la misma. Para conseguir este objetivo, hemos explicado
de dnde vienen y cmo son los algoritmos genticos, mostrando
aplicaciones de los mismos en campos muy distantes. Esperamos haber
conseguido despertar el mismo inters por los AG que el que ellos han
generado en nosotros.
Haciendo un balance personal, los tres redactores de este texto
hemos descubierto un mundo nuevo, una metodologa de un potencial
que nos era desconocido hasta la fecha. Nuestra imaginacin se deja
llevar hacia nuevos retos para los AG, ayudada por su genial
concepcin de la optimizacin informtica como una lucha de especies,
y vuela hacia horizontes que esperamos alcanzar algn da.
43
44
45
o Sylvie Geisendorf
o Professor of Environment and Economics
o ESCP Europe Business School Berlin
Practical Genetic Algorithms
o Randy L. Haupt; Sue Ellen Haupt
o Ed: Wiley-Interscience, 2ed, 2004
Wikipedia.org
o El problema de la mochila
o Problema del viajante
o Proceso estocstico
o Genetic Algorithm: Initialization
Optimizacin de problemas dinmicos con algoritmos
genticos, 2004
o Enrique Alba y Juan F. Saucedo
o Dpto de Lenguajes y Ciencias de la Computacin
o E.T.S.I. informticos, Universidad de Mlaga
Social Systems Engineering center:
o Insiorc.org
Problema del viajante, algoritmos genticos
Algoritmos genticos y computacin evolutiva
o Adam Marczyk, 2004
o The-geek.org
46