Trabajo de Aplicacion de AG

Algoritmos Gen€ticos
UNIVERSIDAD CATOLICA DE SANTIAGO DEL ESTERO

FACULTAD DE MATEMATICA APLICADA
INGENIERIA EN COMPUTACION
INTELIGENCIA ARTIFICIAL
Dra. Rosanna Costaguta

Ing. Mariela Gola
Trabajo de Aplicaci€n:
Algoritmos Gen•ticos
Dutto, Evelina
- Noviembre 2008 -
Evelina E. Dutto P•gina 0

1. IntroducciÄn
Los Algoritmos Gen€ticos son m€todos adaptativos que pueden usarse
para resolver problemas de b•squeda y optimizaci‚n. Estƒn basados en el
proceso gen€tico de los organismos vivos. A lo largo de las generaciones, las
poblaciones evolucionan en la naturaleza de acorde con los principios de la
selecci‚n natural y la supervivencia de los mƒs fuertes, postulados por Darwin
(1859). Por imitaci‚n de este proceso, los Algoritmos Gen€ticos son capaces de
ir creando soluciones para problemas del mundo real. La evoluci‚n de dichas
soluciones hacia valores ‚ptimos del problema depende en buena medida de
una adecuada codificaci‚n de las mismas.
En la naturaleza los individuos de una poblaci‚n compiten entre s„ en la
b•squeda de recursos tales como comida, agua y refugio. Incluso los miembros
de una misma especie compiten a menudo en la b•squeda de un compa…ero.
Aquellos individuos que tienen mƒs €xito en sobrevivir y en atraer compa…eros
tienen mayor probabilidad de generar un gran n•mero de descendientes. Por el
contrario individuos poco dotados producirƒn un menor n•mero de
descendientes. Esto significa que los genes de los individuos mejor adaptados
se propagaran en sucesivas generaciones hacia un n•mero de individuos
creciente. La combinaci‚n de buenas caracter„sticas provenientes de diferentes
ancestros, puede a veces producir descendientes “s•per individuos", cuya
adaptaci‚n es mucho mayor que la de cualquiera de sus ancestros. De esta
manera, las especies evolucionan logrando unas caracter„sticas cada vez mejor
adaptadas al entorno en el que viven.
Los Algoritmos Gen€ticos usan una analog„a directa con el
comportamiento natural. Trabajan con una poblaci‚n de individuos, cada uno
de los cuales representa una soluci‚n factible a un problema dado. A cada
individuo se le asigna un valor o puntuaci‚n, relacionado con la bondad de
dicha soluci‚n. En la naturaleza esto equivaldr„a al gradote efectividad de un
organismo para competir por determinados recursos. Cuanto mayor sea la

adaptaci‚n de un organismo al problema, mayor serƒ la probabilidad de que el
mismo sea seleccionado para reproducirse, cruzando su material gen€tico con
otro individuo seleccionado de igual forma. Este cruce producirƒ nuevos
individuos, los cuales comparten algunas caracter„sticas de sus padres. Cuanto
menor sea la adaptaci‚n de un individuo, menor serƒ la probabilidad de que
dicho individuo sea seleccionado para la reproducci‚n, y por lo tanto de que su
material gen€tico se propague en sucesivas generaciones.
De esta manera se produce una nueva poblaci‚n de posibles soluciones,
la cual reemplaza a la anterior y verifica la interesante propiedad de que
contiene una mayor proporci‚n de buenas caracter„sticas en comparaci‚n con la
poblaci‚n anterior. As„ a lo largo de las generaciones las buenas caracter„sticas
se propagan a trav€s de la poblaci‚n. Favoreciendo el cruce de los individuos
mejor adaptados, van siendo exploradas las ƒreas mƒs prometedoras del
espacio de b•squeda. Si el Algoritmo Gen€tico ha sido bien dise…ado, la
poblaci‚n convergerƒ hacia una soluci‚n ‚ptima del problema.
El poder de los Algoritmos Gen€ticos proviene del hecho de que se trata
de una t€cnica robusta, y pueden tratar con €xito una gran variedad de
problemas provenientes de diferentes ƒreas, incluyendo aquellos en los que
otros m€todos encuentran dificultades. Si bien no se garantiza que el Algoritmo
Gen€tico encuentre la soluci‚n ‚ptima del problema, existe evidencia emp„rica
de que se encuentran soluciones de un nivel aceptable, en un tiempo
competitivo con el resto de algoritmos de optimizaci‚n combinatoria. El gran
campo de aplicaci‚n de los Algoritmos Gen€ticos se relaciona con aquellos
problemas para los cuales no existen t€cnicas especializadas. Incluso en el caso
en que dichas t€cnicas existan, y funcionen bien, pueden efectuarse mejoras de
las mismas combinƒndolas con los Algoritmos Gen€ticos.
La estructura de este trabajo es como sigue: en la siguiente secci‚n se
introduce por medio de pseudoc‚digo, el denominado Algoritmo Gen€tico
Simple, tambi€n conocido como Algoritmo Gen€tico Can‚nico.

En la posterior secci‚n nos preguntamos como saber si es posible la
utilizaci‚n de algoritmos gen€ticos frente a determinadas situaciones. A
continuaci‚n se redacta la aplicaci‚n dise…ada, la problemƒtica de origen, la
descripci‚n de los elementos utilizados en el desarrollo del algoritmo, se
presentan las diferentes pantallas dise…adas. Finalizo el trabajo con la
demostraci‚n del c‚digo fuente.
2. Algoritmo GenÅtico Simple

BEGIN
Generar Poblaci‚n Inicial
Computar Funci‚n de evaluaci‚n (Fitness) para cada individuo
WHILE NOT Fin DO
Seleccionar dos individuos de la anterior generaci‚n, para el cruce
(probabilidad de selecci‚n proporcional a la funci‚n de
evaluaci‚n del individuo).
Reproducir con cierta probabilidad los dos individuos obteniendo
dos descendientes.
Mutar los descendientes con cierta probabilidad.
Definir nueva generaci‚n
Computar Fitness para cada individuo
IF Poblaci‚n convergi‚ THEN Fin IS TRUE
ENDWHILE
END
3. ÇCÄmo saber si es posible usar el Algoritmo GenÅtico?

La aplicaci‚n mƒs com•n de los algoritmos gen€ticos ha sido la soluci‚n
de problemas de optimizaci‚n, en donde han mostrado ser muy eficientes y
confiables. Sin embargo, no todos los problemas pueden ser apropiados para la

t€cnica, y se recomienda en general tomar en cuenta las siguientes
caracter„sticas del mismo antes de intentar usarla:
 Su espacio de b•squeda debe estar delimitado dentro de un
cierto rango. Lo mƒs recomendable es intentar resolver problemas que tengan
espacios de b•squeda discretos -aunque €stos sean muy grandes-.
 Debe poderse definir una funci‚n de aptitud que nos indique
qu€ tan buena o mala es una cierta respuesta. La funci‚n de aptitud no es mƒs
que la funci‚n objetivo de nuestro problema de optimizaci‚n.
 Las soluciones deben codificarse de una forma que resulte
relativamente fƒcil de implementar en la computadora. La codificaci‚n mƒs
com•n de las respuestas es a trav€s de cadenas binarias, aunque se han
utilizado tambi€n n•meros reales y letras. El primero de estos esquemas ha
gozado de mucha popularidad debido a que es el que se propuso
originalmente, y ademƒs porque resulta muy sencillo de implementar.
4. AplicaciÄn
4.1 ProblemÉtica
La realidad en la que nos vemos inmersos, esta totalmente tecnificada y
demanda a diario nuevas tecnolog„as de desarrollo. As„ la informƒtica, en todos
sus ƒmbitos tanto de dise…o, desarrollo y programaci‚n de software, como de
dise…o e implementaci‚n de hardware y redes, se abre camino y se vuelve cada
vez mƒs indispensable para el ‚ptimo crecimiento y funcionamiento de las
distintas organizaciones de la comunidad.
Frente a esta situaci‚n, hay numerosas personas que se han dedicado al
estudio de esta rama de la ciencia y han adquirido seg•n sus preferencias,
diferentes perfeccionamientos en diversas ƒreas de la misma,
perfeccionamientos que les permiten el acceso a niveles de vida mas exitosos,
ya que es una actividad por que la que se reciben importantes remuneraciones.

Al mismo tiempo, la creciente demanda de aplicaciones de software, exige la
creaci‚n de organizaciones o empresas dedicadas al dise…o, desarrollo e
implementaci‚n de aplicaciones de escritorio y de aplicaciones web.
En base a esta situaci‚n, surge la necesidad de la creaci‚n de esta
aplicaci‚n respaldada por las bondades de los Algoritmos Gen€ticos.
La aplicaci‚n mencionada, viene a ayudar a las distintas organizaciones,
en la selecci‚n del mejor programador, seg•n las aptitudes que de €l se
requieran, por ejemplo, dise…o de interfaces, capacidad anal„tica, capacidad de
observaci‚n, esp„ritu autodidacta, creatividad, originalidad, entre otras.
Ademƒs, el algoritmo, a partir del sueldo base que se le asigna al programador
que tenga todas las aptitudes consideradas para esta aplicaci‚n, mostrarƒ el
porcentaje de ese sueldo base a resarcirle al programador seleccionado, y el
correspondiente importe.
4.2 DescripciÄn
A continuaci‚n se describen cada uno de los elementos usados en la
construcci‚n del algoritmo:
 SelecciÄn de la variable de entrada.
En este caso la variable de entrada o cromosoma estƒ conformada por
diez caracter„sticas (ci) consideradas en un programador tipo, estas son:
 Experiencia con el uso de la herramienta
 Conocimientos en Bases de Datos
 Dise…o de Interfaz
 Capacidad Anal„tica
 Capacidad de Comprensi‚n
 Creatividad
 Originalidad
 Conocimiento de Servidores
 Ingl€s T€cnico

 Autodidacta
Al iniciar el algoritmo el usuario deberƒ asignar una prioridad a estas
caracter„sticas seg•n el puesto en el que ese desarrollarƒ, as„, la que se encuentre
en la parte superior de la lista obtendrƒ un ponderador (wi) de valor mayor (10),
y la que se encuentre al final de la lista, tendrƒ el ponderador de menor valor
(1).
Un programador que re•na la totalidad de las caracter„sticas en el
mercado laboral actual recibe $4000 mensuales. Por cada caracter„stica, se paga
un determinado porcentaje de los $4000 antes mencionados, de esta manera:
Experiencia con el uso de la herramienta 20 %
Conocimientos en Bases de Datos 15 %
Dise‚o de Interfaz 13 %
Capacidad Analƒtica 11 %
Capacidad de Comprensi„n 6%
Creatividad 8%
Originalidad 6%
Conocimiento de Servidores 8%
Ingl€s T€cnico 8%
Autodidacta 5%
Al finalizar la ejecuci‚n, el algoritmo devolverƒ las caracter„sticas que
posee el programador seleccionado, el porcentaje del sueldo que le corresponde
recibir por las caracter„sticas que posee, y el importe del mismo.
Por lo tanto, el cromosoma es un vector fila con diez elementos:
Cromosoma= [c1, c2, c3, c4, c5, c6, c7, c8, c9, c10]

 CodificaciÄn de la variable de entrada.
El cromosoma de entrada se inicializa aleatoriamente, mediante
codificaci‚n binaria. El valor representa la existencia o no de la caracter„stica,
as„, 1 – posee caracter„stica, 0 – no posee caracter„stica.
 TamaÑo de la poblaciÄn.
Una cuesti‚n que uno puede plantearse es la relacionada con el tama…o
id‚neo de la poblaci‚n. Parece intuitivo que las poblaciones peque…as corren el
riesgo de no cubrir adecuadamente el espacio de b•squeda, mientras que el
trabajar con poblaciones de gran tama…o puede acarrear problemas
relacionados con el excesivo costo computacional. Se efectuaron estudios
te‚ricos, y se obtuvo como conclusi‚n que el tama…o ‚ptimo de la poblaci‚n
para cromosomas de longitud l, con codificaci‚n binaria, crece
exponencialmente con el tama…o del cromosoma. Posteriormente, basƒndose en
evidencia emp„rica se sugiri‚ que un tama…o de poblaci‚n comprendida entre l
y 2l es suficiente para la definici‚n del problema.
En base a esto, decid„ inicializar la poblaci‚n con un a valor de veinte
individuos, para el caso, veinte programadores aspirantes al puesto. Dado que
la longitud del cromosoma utilizado es diez.
 FunciÄn de aptitud o de adaptaciÄn (Fitness).
Debe ser dise…ada para cada problema de manera espec„fica. Dado un
cromosoma particular, la funci‚n de adaptaci‚n le asigna un n•mero real, que
se supone refleja el nivel de adaptaci‚n al problema del individuo representado
por el cromosoma.
La funci‚n de aptitud utilizada es:
F(x) = ∑ ci * wi ,
… donde wi 1 ≤ i ≤ 10, para i=1 toma valor 10, para i=10 toma valor 1 y ci
representa el valor de la caracter„stica (0/1).

 SelecciÄn.
Una vez calificados todos los individuos de una generaci‚n, el algoritmo
debe, al igual que lo hacen la naturaleza y el hombre, seleccionar a los
individuos mƒs calificados, mejor adaptados al medio, para que tengan mayor
oportunidad de re-producci‚n. De esta forma se incrementa la probabilidad de
tener individuos “buenos” (con alta calificaci‚n) en el futuro.
En esta aplicaci‚n, los individuos se reproducen mediante la estrategia
de selecci‚n directa, despu€s de la calificaci‚n se ordenan los individuos de
mayor a menor, seg•n el fitness obtenido, y se reproducirƒn de a pares, el de
mayor valor, con el de valor inmediatamente inferior.
 Cruce.
El c‚digo gen€tico de los padres de un individuo se mezcla para
producir hijos con caracter„sticas de ambos padres, as„ la operaci‚n de cruce en
esta aplicaci‚n se realiza mediante la estrategia destructiva, es decir, los hijos se
insertan en la nueva poblaci‚n aunque tengan un fitness menor que el de sus
padres. Los bits elegidos para el cruce son el bits 2 y el bits 7…
Padres
Hijos
Puntos de Cruce
Bits 2 Bits 7

 MutaciÄn.
Ocasionalmente algunos elementos del c‚digo de ciertos individuos de
un algoritmo gen€tico se alteran a prop‚sito. Šstos se seleccionan
aleatoriamente en lo que constituye el s„mil de una mutaci„n. El objetivo es
generar nuevos individuos, que exploren regiones del dominio del problema
que probablemente no se han visitado a•n.
La mutaci‚n, produce una variaci‚n en la informaci‚n gen€tica
contenida en un cromosoma. Generalmente se efect•a a trav€s del cambio de
valor de un gen de 1 por 0, o viceversa, luego de la operaci‚n de reproducci‚n,
y con una probabilidad de ocurrencia muy baja.
Para esta aplicaci‚n especifica, la probabilidad de ocurrencia es de 0.03,
solo mutarƒ un bit del primer hijo, y el bit a mutar serƒ seleccionado
aleatoriamente.
 Criterio de fin.
La condici‚n de fin establecida para este algoritmo gen€tico, esta
especificada en diez generaciones.

4.3 PresentaciÄn de Pantallas

Pantalla Principal
Pantalla Acerca De

Pantalla Algoritmo Gen€tico
Pantalla de Resultados

4.4 CÄdigo Fuente

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Text;
using System.Windows.Forms;
namespace WindowsApplication1
{
public partial class Form1 : Form
{
//TamaÄo de poblacion
private int POP = 20;
//habilidades
private int LEN = 10;
//Probabilidad de mutacion
//Generaciones
private double END = 10;
//vector de porcentajes p/c caracteristica

private int[] porcentajes = new int[10] { 20, 15, 13, 11, 6, 8, 6, 8, 8, 5 };
//genes de 20 programadores por 10 habilidades
private int[,] genes = new int[20, 11];
//ramdom para seleccionar los genes

Random rnd = new Random();
//Constructor del programa

Array myArr = Array.CreateInstance(typeof(Int32), 2, 3);
private string[] arre = new String[10] { "Experiencia con el Uso de la

Herramienta", "Conocimiento en Bases de Datos", "DiseÄo de Interfaz", "Capacidad
Analitica", "Capacidad de Compresion", "Creatividad", "Originalidad", "Conocimiento de
Servidores", "Ingles Tecnico", "Autodidacta" };
public Form1()
{
InitializeComponent();
}
private void Form1_Load(object sender, EventArgs e)

{
enlazarlist();
}
private void enlazarlist()

{
this.listBox1.DataSource = arre;
}
private void button3_Click(object sender, EventArgs e)

{
run();
}
public void run()

{
//******comienza el algoritmo********
//inicializamos la poblacion
init_pop();
//comienzan las generaciones

for (int generaciones = 0; generaciones < END; generaciones++)
{
//tomamos dos miembro de la poblacion, los dos mayores
fitness();
reproduccion();
}
fitness();

verfinal();
//******Termina el algoritmo********
}
//*****FITNESS*****
private void fitness()
{
for (byte i = 0; i < POP; i++)
{
for (byte j = 0; j < LEN; j++)
{
genes[i, 10] += genes[i, j] * (10 - j);
}
//terminamos de calcular el fitnes de cada programador
//ordenamos segun fitness mayor
int arre = 0;
for (byte i = 0; i < POP; i++)
{
for (int k = i + 1; k < POP; k++)
{
//int k = (i + 1);
if (genes[i, 10] < genes[k, 10])
{
for (byte j = 0; j < LEN + 1; j++)

{
arre = genes[i, j];
genes[i, j] = genes[k, j];
genes[k, j] = arre;
}
}
}
}
}
private void reproduccion()

{
// bits 2 y 7 de cruce
int a, b, k;
int arre;
for (int i = 0; i < POP; i = i + 2)
{
k = i + 1;
//genero los hijos
for (int j = 2; j < LEN - 2 + 1; j++)
{
arre = genes[i, j];
genes[i, j] = genes[k, j];
genes[k, j] = arre;
}
mutacion(i);
}
}
private void mutacion(int hijo1)

{
int genmuta;
double a;
genmuta = rnd.Next(9);
a = rnd.NextDouble();
if (a <= 0.03)
{
genes[hijo1, genmuta] = 1 - genes[hijo1, genmuta];
}
private void init_pop()

{
//Recorro los programadores - filas
for (int i = 0; i < POP; i++)
{

//recorro las habilidades - columnas

for (int j = 0; j < LEN; j++)
{
//creo valores 0 1 para las habilidees
if (rnd.NextDouble() < 0.5)
{
genes[i, j] = 0;
}
else
{
genes[i, j] = 1;
}
}
}
}

{
if (this.listBox1.SelectedIndex != 0)
{
string aux = this.listBox1.Text ;
arre[this.listBox1.SelectedIndex] = arre[listBox1.SelectedIndex - 1];
arre[listBox1.SelectedIndex - 1]= aux;
int aux2 = porcentajes[listBox1.SelectedIndex];
porcentajes[listBox1.SelectedIndex] = porcentajes[listBox1.SelectedIndex
- 1];
porcentajes[listBox1.SelectedIndex - 1]= aux2;
listBox1.DataSource = null;
enlazarlist();
listBox1.SetSelected(listBox1.SelectedIndex - 1, true);
listBox1.Refresh();
}
}

{
if (this.listBox1.SelectedIndex < 9)
{
string aux = this.listBox1.Text;
arre[this.listBox1.SelectedIndex] = arre[listBox1.SelectedIndex + 1];
arre[listBox1.SelectedIndex + 1] = aux;
int aux2 = porcentajes[listBox1.SelectedIndex];
porcentajes[listBox1.SelectedIndex] = porcentajes[listBox1.SelectedIndex
+ 1];
porcentajes[listBox1.SelectedIndex + 1] = aux2;
listBox1.DataSource = null;
enlazarlist();
listBox1.SetSelected(listBox1.SelectedIndex + 1,true);
}
}
private void verfinal()

{
LimpiarCheck();
int sueldo = 0;
for (byte j = 0; j < LEN ; j++)
{
if (genes[0, j] ==1)
{
switch(arre[j])
{
case "Experiencia con el Uso de la Herramienta":
chkExperiencia.Checked = true;
break;
case "Conocimiento en Bases de Datos":
chkBaseDatos.Checked=true;
break;
case "DiseÄo de Interfaz":
chkDiseÄoInterfaz.Checked = true;
break;
case "Capacidad Analitica":
chkCapacAnalitica.Checked = true;
break;
case "Capacidad de Compresion":
chkCapacComp.Checked = true;
break;
case "Creatividad":

this.chkCreatividad.Checked = true;
break;
case "Originalidad":
this.chkOriginalidad.Checked = true;
break;
case "Conocimiento de Servidores":
this.chkServidores.Checked = true;
break;
case "Ingles Tecnico":
chkIngles.Checked = true;
break;
case "Autodidacta":
this.chkAutodidacta.Checked = true;
break;
}
sueldo += porcentajes[j];
}
}
this.txtporcentaje.Text = sueldo.ToString() + " %";
sueldo = (int)Math.Ceiling( 4000 * sueldo * 0.01);
this.txtSueldo.Text = "$ " + sueldo.ToString();
MessageBox.Show("El Algoritmo ha finalizado", "Resultados Listos",
MessageBoxButtons.OK, MessageBoxIcon.Information);
}
private void LimpiarCheck()

{
chkCreatividad.Checked = false;
chkAutodidacta.Checked = false;
chkBaseDatos.Checked = false;
chkCapacAnalitica.Checked = false;
chkCapacComp.Checked = false;
chkDiseÄoInterfaz.Checked = false;
chkExperiencia.Checked = false;
chkIngles.Checked = false;
chkOriginalidad.Checked = false;
chkServidores.Checked = false;
private void button1_MouseMove(object sender, MouseEventArgs e)

{
this.button1.Size = new System.Drawing.Size(61, 56);
}
private void button1_MouseLeave(object sender, EventArgs e)

{
}

{
}

{
}

{
}

{
}
private void panel1_Paint(object sender, PaintEventArgs e)

{

private void acercaDeToolStripMenuItem_Click(object sender, EventArgs e)

{
Form acerca = new FrmAcerca();
acerca.ShowDialog();
}
private void algoritmoToolStripMenuItem_Click(object sender, EventArgs e)

{
Form algoritmo = new FrmAlgoritmo();
algoritmo.ShowDialog();
}
}
5. Conclusiones
 Los Algoritmos Gen€ticos son t€cnicas de gran utilidad en la
optimizaci‚n de funciones que son dif„ciles de tratar haciendo uso de las
t€cnicas de optimizaci‚n clƒsica.
 El Algoritmo Gen€tico desarrollado permiti‚ encontrar el programador
con fitness mƒs alto, devolvi‚ como respuesta las caracter„sticas que el
“ganador” posee, y el sueldo a abonarle.
 Personalmente, el desarrollo de este trabajo me brindo una grata
experiencia, ya que obtuve conocimientos mƒs espec„ficos y concretos sobre los
algoritmos gen€ticos.
En este trabajo se introdujo por medio de pseudoc‚digo, el denominado
Algoritmo Gen€tico Simple, tambi€n conocido como Algoritmo Gen€tico
Can‚nico.
En la posterior secci‚n se respondi‚ sobre como saber si es posible la
utilizaci‚n de algoritmos gen€ticos frente a determinadas situaciones. A
continuaci‚n se redact‚ la aplicaci‚n dise…ada, la problemƒtica de origen, la
descripci‚n de los elementos utilizados en el desarrollo del algoritmo, se
presentaron las diferentes pantallas dise…adas. Finaliz‚ el trabajo con la
demostraci‚n del c‚digo fuente.

Trabajo de Aplicacion de AG

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo de Aplicacion de AG

Caricato da

Copyright:

Formati disponibili

Algoritmos Gen€ticos

UNIVERSIDAD CATOLICA DE SANTIAGO DEL ESTERO

Dra. Rosanna Costaguta

Evelina E. Dutto P•gina 0

para resolver problemas de b•squeda y optimizaci‚n. Estƒn basados en el

proceso gen€tico de los organismos vivos. A lo largo de las generaciones, las

poblaciones evolucionan en la naturaleza de acorde con los principios de la

selecci‚n natural y la supervivencia de los mƒs fuertes, postulados por Darwin

ir creando soluciones para problemas del mundo real. La evoluci‚n de dichas

soluciones hacia valores ‚ptimos del problema depende en buena medida de

una adecuada codificaci‚n de las mismas.

En la naturaleza los individuos de una poblaci‚n compiten entre s„ en la

de una misma especie compiten a menudo en la b•squeda de un compa…ero.

Aquellos individuos que tienen mƒs €xito en sobrevivir y en atraer compa…eros

tienen mayor probabilidad de generar un gran n•mero de descendientes. Por el

contrario individuos poco dotados producirƒn un menor n•mero de

se propagaran en sucesivas generaciones hacia un n•mero de individuos

creciente. La combinaci‚n de buenas caracter„sticas provenientes de diferentes

ancestros, puede a veces producir descendientes “s•per individuos", cuya

adaptaci‚n es mucho mayor que la de cualquiera de sus ancestros. De esta

adaptadas al entorno en el que viven.

Los Algoritmos Gen€ticos usan una analog„a directa con el

comportamiento natural. Trabajan con una poblaci‚n de individuos, cada uno

de los cuales representa una soluci‚n factible a un problema dado. A cada

individuo se le asigna un valor o puntuaci‚n, relacionado con la bondad de

dicha soluci‚n. En la naturaleza esto equivaldr„a al gradote efectividad de un

organismo para competir por determinados recursos. Cuanto mayor sea la

Evelina E. Dutto P•gina 1

adaptaci‚n de un organismo al problema, mayor serƒ la probabilidad de que el

mismo sea seleccionado para reproducirse, cruzando su material gen€tico con

otro individuo seleccionado de igual forma. Este cruce producirƒ nuevos

individuos, los cuales comparten algunas caracter„sticas de sus padres. Cuanto

menor sea la adaptaci‚n de un individuo, menor serƒ la probabilidad de que

dicho individuo sea seleccionado para la reproducci‚n, y por lo tanto de que su

material gen€tico se propague en sucesivas generaciones.

De esta manera se produce una nueva poblaci‚n de posibles soluciones,

la cual reemplaza a la anterior y verifica la interesante propiedad de que

contiene una mayor proporci‚n de buenas caracter„sticas en comparaci‚n con la

poblaci‚n anterior. As„ a lo largo de las generaciones las buenas caracter„sticas

se propagan a trav€s de la poblaci‚n. Favoreciendo el cruce de los individuos

espacio de b•squeda. Si el Algoritmo Gen€tico ha sido bien dise…ado, la

poblaci‚n convergerƒ hacia una soluci‚n ‚ptima del problema.

El poder de los Algoritmos Gen€ticos proviene del hecho de que se trata

problemas provenientes de diferentes ƒreas, incluyendo aquellos en los que

otros m€todos encuentran dificultades. Si bien no se garantiza que el Algoritmo

Gen€tico encuentre la soluci‚n ‚ptima del problema, existe evidencia emp„rica

de que se encuentran soluciones de un nivel aceptable, en un tiempo

competitivo con el resto de algoritmos de optimizaci‚n combinatoria. El gran

campo de aplicaci‚n de los Algoritmos Gen€ticos se relaciona con aquellos

problemas para los cuales no existen t€cnicas especializadas. Incluso en el caso

en que dichas t€cnicas existan, y funcionen bien, pueden efectuarse mejoras de

las mismas combinƒndolas con los Algoritmos Gen€ticos.

La estructura de este trabajo es como sigue: en la siguiente secci‚n se

introduce por medio de pseudoc‚digo, el denominado Algoritmo Gen€tico

Simple, tambi€n conocido como Algoritmo Gen€tico Can‚nico.

Evelina E. Dutto P•gina 2

En la posterior secci‚n nos preguntamos como saber si es posible la

utilizaci‚n de algoritmos gen€ticos frente a determinadas situaciones. A

continuaci‚n se redacta la aplicaci‚n dise…ada, la problemƒtica de origen, la

descripci‚n de los elementos utilizados en el desarrollo del algoritmo, se

presentan las diferentes pantallas dise…adas. Finalizo el trabajo con la

demostraci‚n del c‚digo fuente.

2. Algoritmo GenÅtico Simple

Generar Poblaci‚n Inicial