Algoritmos Genticos

Johana Carpio
Universidad Nacional de Loja
Lauro Japa
Universidad Nacional de Loja
Los algoritmos genticos, se basan en la utilizacin de informacin histrica para encontrar
nuevos puntos de bsqueda de una solucin optima del problema planteado, en el presente
artculo se realizar una introduccin a los Algoritmos Genticos,se revisaran conceptos
importantes, sus aplicaciones y se expondra un pequeo ejemplo en el cual se indicar su
funcionamiento.
Palabras Clave: Optimizacin,Cromosoma, Bits, Poblacin, Mutacin, Codicacin,
Cruce, Algoritmo Gentico.
Introduccin
Un Algoritmo Gentico(AG), es una clase de algo-
ritmo de bsqueda estocstica, basado en los mecanis-
mos de seleccin natural, combinan la supervivencia de
los mejores individuos intercambiando informacin estruc-
turada de forma aleatoria e imitando procesos de evolucin
biolgica(Buckles, 1992), se basan en la teora de la evolu-
cin de Darwin.
Hoy en da se sabe que estos cambios se efectan en los genes
de un individuo (unidad bsica de codicacin de cada uno
de los atributos de un ser vivo), y que sus atributos ms de-
seables (i.e., los que le permiten adaptarse mejor a su en-
torno) se transmiten a sus descendientes cuando ste se re-
produce sexualmente.
Concepto
Los Algoritmos Genticos son mtodos adaptativos que
pueden ser utilizados para implementar bsquedas y proble-
mas de optimizacin, se encuentran basados en los procesos
genticos de organismos biolgicos, codicando una posible
solucin a un problema en un "cromosoma" compuesto por
una cadena de bits o caracteres.
Los objetivos que perseguan John Holland y sus colegas de
la Universidad de Michigan cuando concibieron los algorit-
mos genticos, eran dos:
1. Abstraer y explicar rigurosamente el proceso adapta-
tivo de los sistemas naturales.
2. Disear sistemas articiales que retuvieran los mecan-
ismos ms importantes de los sistemas naturales.
En este sentido, podemos decir que los algoritmos genticos
son: "Algoritmos de bsqueda basados en los mecanismos
de seleccin natural y gentica natural. Combinan la su-
pervivencia de los ms compatibles entre las estructuras de
cadenas, con una estructura de informacin ya aleatorizada,
intercambiada para construir un algoritmo de bsqueda con
algunas de las capacidades de innovacin de la bsqueda
humana"(Goldberg, 1989)
Anatomia de un algoritmo genetico
Los algoritmos genticos son mtodos sistemticos para
la resolucin de problemas de bsqueda y optimizacin que
aplican a estos los mismos mtodos de la evolucin biolg-
ica: seleccin basada en la poblacin, reproduccin sexual y
mutacin.
Los algoritmos genticos son mtodos de optimizacin, que
tratan de resolver el mismo conjunto de problemas que se ha
contemplado anteriormente, es decir, hallar (xi,...,xn) tales
que F(xi,...,xn) sea mximo(Coello, n.d.-a). En un algoritmo
gentico, tras parametrizar el problema en una serie de vari-
ables, (xi,...,xn) se codican en un cromosoma.
Todas los operadores utilizados por un algoritmo gentico se
aplicarn sobre estos cromosomas, o sobre poblaciones de
ellos. En el algoritmo gentico va implcito el mtodo para
resolver el problema; son solo parmetros de tal mtodo los
que estn codicados, a diferencia de otros algoritmos evo-
lutivos como la programacin gentica. Hay que tener en
cuenta que un algoritmo gentico es independiente del prob-
lema, lo cual lo hace un algoritmo robusto, por ser til para
cualquier problema, pero a la vez dbil, pues no est espe-
cializado en ninguno.
Las soluciones codicadas en un cromosoma compiten para
ver cul constituye la mejor solucin (aunque no necesaria-
mente la mejor de todas las soluciones posibles).
El ambiente, constituido por las otras camaradas soluciones,
ejercer una presin selectiva sobre la poblacin, de forma
que slo los mejor adaptados (aquellos que resuelvan mejor
el problema) sobrevivan o leguen su material gentico a las
siguientes generaciones, igual que en la evolucin de las es-
pecies. La diversidad gentica se introduce mediante muta-
ciones y reproduccin sexual.
2 JOHANA CARPIO
Estructura de un Algoritmo Gentico Simple
Codicacin: Los elementos caractersticos del prob-
lema se pueden representar de tal forma que resulte
sencilla su implementacin y comprensin.
Poblacin Inicial: Para construir la poblacin inicial,
que ser la poblacin base de las sucesivas genera-
ciones.
Funcin Fitness: Asigna a cada cromosoma un nmero
real que reeja el nivel de adaptacin al problema del
individuo representado por el cromosoma.
Seleccin: Es el proceso por el cual se eligen una
o varias parejas de individuos de la poblacin inicial
para que desempeen el papel de progenitores. Cro-
mosomas de poblacin para su reproduccin basado
en la aptitud.
Cruce: Realiza la recombinacin de dos cromoso-
mas(organismos) permite el intercambio de informa-
cin entre individuos de una poblacin para generar
nuevos cromosomas.
Mutacin: Cambia aleatoriamente bits en un cromo-
soma de acuerdo a una probabilidad, ademas facilita
hacer una exploracin completa para evitar concen-
tracin de los genes mas aptos en mximos locales.
Operaciones de los Algoritmos Genticos
Codicacin de las Variables: Estos requieren que el
conjunto se codique en un cromosoma. Cada cromo-
soma tiene varios genes, que corresponden a sendos
parmetros del problema. Para poder trabajar con es-
tos genes en el ordenador, es necesario codicarlos en
una cadena, es decir, una ristra de smbolos (nmeros o
letras) que generalmente va a estar compuesta de 0s y
1s. La mayora de las veces, una codicacin correcta
es la clave de una buena resolucin del problema. Ente
los tipos de codicacin tenemos:
1. Codicacin Binaria
2. Codicacin Numrica.
3. Codicacin por Valor directo.
4. Codicacin en rbol.
Seleccin:Se realiza una seleccin de los individuos
mas capacitados. esta seleccin se puede realizar de
las siguientes formas:
1. Seleccin por Rueda de Ruleta.
2. Seleccin por Rango.
3. Seleccin Elitista.
4. Seleccin por Estado Estacionario.
5. Seleccin Jerrquica
Reproduccin o Crossover: una vez realizada la selec-
cin de los cromosomas se procede a realizar la repro-
duccin o cruce entre dos de estos, en si el crossover
consiste en el intercambio de material gentico entre
dos cromosomas. Hay diferentes formas de realizar los
cruces para cada codicacin siendo algunas tcnicas
aplicables indistintamente.
1. Crossover 1 Punto.
2. Crossover 2 Puntos.
3. Crossover Uniforme.
4. Crossover Aritmtico.
Mutacin: Consiste en modicar ciertos genes de
forma aleatoria. La mutacin depende de la codi-
cacin y de la reproduccin.
Funcionamiento de un algoritmo gentico bsico. El
pseudocdigo consiste de los siguientes pasos:
Inicializacin: "Se genera aleatoriamente la poblacin
inicial, que est constituida por un conjunto de cromo-
somas los cuales representan las posibles soluciones
del problema"(Miguel, n.d.). En caso de no hacerlo
aleatoriamente, es importante garantizar que dentro de
la poblacin inicial, se tenga la diversidad estructural
de estas soluciones para tener una representacin de la
mayor parte de la poblacin posible o al menos evitar
la convergencia prematura.
Evaluacin: A cada uno de los cromosomas de esta
poblacin se aplicar la funcin de aptitud para saber
cmo de "buena" es la solucin que se est codi-
cando.
Condicin de trmino El AG se deber detener cuando
se alcance la solucin ptima, pero sta generalmente
se desconoce, por lo que se deben utilizar otros crite-
rios de detencin(Carrera, n.d.). Normalmente se usan
dos criterios: correr el AG un nmero mximo de it-
eraciones (generaciones) o detenerlo cuando no haya
cambios en la poblacin.
INSERT SHORTTITLE COMMAND IN PREAMBLE 3
Ventajas de lo Algoritmos Genticos. Entre algunas de
las ventajas del uso de este tipo de algoritmos tenemos:
Los Algoritmos genticos son intrnsecamente parale-
los, es decir operan de forma simultanea con varias
soluciones.
No necesitan conocimientos especcos sobre el prob-
lema que intentan resolver.
Son fciles de ejecutar en modernas arquitecturas ma-
sivas en paralelo.
Hacen uso de operadores probaabilsticos en lugar de
tpicos operadores determinsticos de las otras tcni-
cas.
Aplicaciones de Algoritmos genticos
El rea de aplicacin de los algoritmos genticos es muy
amplia debido a que pueden ser utilizados para resolver prob-
lemas de la vida cotiddiana(Coello, n.d.-b), entre sus aplica-
ciones podemos mencionar:
Programacin Automtica: los AG se han empleado
en el desarrollo de programas que resuelvan tareas es-
peccas, asi como tambien para desarrollar estruc-
turas computacionales tales como el autmata celular
y las redes de clasicaacin.
Aprendizaje Mquina: Empleados en la prediccin del
tiempo o en la estructura de una proteina, asi mismo
han servido para desarrollar determinados aspectos de
sistemas particulares de aprendizaje, como puede ser
el de los pesos de una red neuronal, las reglas para
sistemas de clasicacin de aprendizaje o sistemas de
produccin simblica y los sensores para robots.
Economa: Se ha empleado a los Algoritmos genti-
cos para modelizar procesos de innovacin, desar-
rollo de estrategias de puja y la aparicin de mercados
econmicos.
Sistemas Inmunes:Aqui se puede incluir la mutacin
somtica durante la vida de un individuo y el des-
cubrimientos de familias de genes mltiples en tiempo
evolutivo.
Ecologa: En la modelizacin de fenmenos ecolgi-
cos tales como las carreras de armamento biolgico,
coevolucin de parsito-huesped, simbiosis y el ujo
de recursos.
Gntica de Poblaciones: En el estudio de preguntas
del tipo: "Bajo que condiciones ser viable evolutiva-
mente un gen para la recombinacin"
Ejemplo Prctico
Se desea realizar una Aplicacin con el framework de
desarrollo de Algoritmos Genticos JGap, que muestre los
posibles equipos ganadores del Mundial de Ftbol Brasil
2014, tomando en cuenta el Ranking de la FIFA,las Copas
ganadas y los resultados de los ltimos 3 partidos jugados.
Cdigo
1publ i c c l a s s Crud {
2
3 publ i c St a t e me nt c o n e c t a r s e ( ) throws
SQLExcept i on {
4 Connect i on conexi on = Dr i ver Manager .
ge t Conne c t i on ( " j dbc : mysql : / /
l o c a l h o s t / mundi al " , " r o o t " , " " ) ;
5 St a t e me nt s t = conexi on .
c r e a t e St a t e me n t ( ) ;
6 ret urn s t ;
7 }
8
9 publ i c Li s t <Equi po > e x t r a e r L i s t a ( )
throws SQLExcept i on {
10 Li s t <Equi po > l i s t a = new Ar r a y Li s t ( )
;
11 St a t e me nt s t = t h i s . c o n e c t a r s e ( ) ;
12 Re s u l t Se t r s = s t . execut eQuer y ( "
SELECTFROM da t os " ) ;
13 whi l e ( r s . ne xt ( ) ) {
14 Equi po e = new Equi po ( ) ;
15 e . s e t P a i s ( r s . g e t S t r i n g ( " p a i s " ) ) ;
16 e . s e t Ra n k i n g Fi f a ( r s . g e t I n t ( "
r a nki ng " ) ) ;
17 e . s et Copas Ganadas ( r s . g e t I n t ( "
copas " ) ) ;
18 e . s et Gr upo ( r s . g e t S t r i n g ( " gr upo " )
) ;
19 St r i n g var = r s . g e t S t r i n g ( " p1 " )
+ r s . g e t S t r i n g ( " p2 " ) + r s .
g e t S t r i n g ( " p3 " ) ;
20 char cad [ ] ;
21 cad = var . t oChar Ar r ay ( ) ;
22 e . s e t Ul t i mo s P a r t i d o s ( cad ) ;
4 JOHANA CARPIO
23 l i s t a . add ( e ) ;
24
25 }
26 r s . c l o s e ( ) ;
27 ret urn l i s t a ;
28 }
29
30 publ i c voi d mod i f i c a r b a s e s Da t o s ( St r i n g
pai s , St r i n g dat o , i nt col umna )
throws SQLExcept i on {
31 St a t e me nt s t = t h i s . c o n e c t a r s e ( ) ;
32 St r i n g c ol = " " ;
33 s wi t ch ( col umna ) {
34 cas e 1:
35 c ol = " r a nki ng " ;
36 break ;
37 cas e 2:
38 c ol = " gr upo " ;
39 break ;
40 cas e 3:
41 c ol = " copas " ;
42 break ;
43 cas e 4:
44 c ol = " p1 " ;
45 break ;
46 cas e 5:
47 c ol = " p2 " ;
48 break ;
49 cas e 6:
50 c ol = " p3 " ;
51 break ;
52 }
53 St r i n g s q l = "UPDATE da t os SET" +
c ol + " = " + da t o + " WHERE p a i s
= " + p a i s + " " ;
54 s t . execut eUpdat e ( s q l ) ;
55 / / Sys t em . out . p r i n t l n ( " Dato
modi f i c ado " ) ;
56 }
57}
La clase FuncionFitnes
1
2publ i c c l a s s Func i onFi t ne s ext ends
Fi t n e s s Fu n c t i o n {
3
4 s t a t i c St r i n g s e c u e n c i a = " " ;
5 s t a t i c i nt i n d i c e ;
6 Li s t <Equi po > e qui pos ;
7
8 publ i c Func i onFi t ne s ( Li s t <Equi po > e ) {
9 t h i s . e qui pos = e ;
10 }
11
12 @Overri de
13 pr ot e c t e d doubl e e v a l u a t e ( IChromosome
cromosoma ) {
14 Li s t i n d Se l e c c i o n a d o s = new
Ar r a y Li s t ( ) ;
15 doubl e s c or e = 0;
16 i nt e s Sol uc i on = 1;
17 f or ( i nt i = 0; i < cromosoma . s i z e ( )
; i ++) {
18 i n d i c e = ( I n t e g e r ) cromosoma .
get Gene ( i ) . g e t Al l e l e ( ) ;
19 Equi po equi po = e qui pos . ge t (
i n d i c e ) ;
20 / / Para c o n t r o l a r a 2 e qui pos por
grupo
21 i nt cont ador Gr upo = 0;
22 f or ( i nt n = 0; n <
i n d Se l e c c i o n a d o s . s i z e ( ) ; n++)
{
23 i nt i nd = ( i nt )
i n d Se l e c c i o n a d o s . ge t ( n ) ;
24 i f ( e qui pos . ge t ( i nd ) .
get Gr upo ( ) . e qu a l s ( equi po .
get Gr upo ( ) ) ) {
25 cont ador Gr upo += 1;
26 }
27 }
28
29 i f ( i n d Se l e c c i o n a d o s . c o n t a i n s (
i n d i c e ) | | cont ador Gr upo >=2) {
/ / s i e x i s t e e l equi po o e s t an
2 de l mismo grupo
30 e s Sol uc i on = 0;
31 } e l s e {
32 i n d Se l e c c i o n a d o s . add ( i n d i c e )
;
33 s e c u e n c i a = s e c u e n c i a + " \ n"
+ e qui pos . ge t ( i n d i c e ) .
g e t Pa i s ( ) ;
34 }
35 doubl e suma = t h i s .
c a l c u l a r Po r Co p a s ( equi po ) +
t h i s . c a l c u l a r Ra n k i n g ( equi po )
+ t h i s . c a l c u l a r Ut i mo s Pa r t i d o s
( equi po ) ;
36 i f ( suma <= 0) {
37 e s Sol uc i on = 0;
38 }
39 s c or e = s c or e + suma ;
40 }
41 ret urn s c or e e s Sol uc i on ;
42 }
43
44 publ i c doubl e c a l c u l a r Ra n k i n g ( Equi po e )
{
45 doubl e v a l o r = 0;
46 v a l o r = v a l o r + ( e . ge t Ra nki ngFi f a ( )
500) 0 . 0 0 5 ;
47 ret urn v a l o r ;
48 }
49
INSERT SHORTTITLE COMMAND IN PREAMBLE 5
50 publ i c doubl e c a l c u l a r Ut i mo s Pa r t i d o s (
Equi po e ) {
51 doubl e v a l o r = 0;
52 f or ( i nt i = 0; i < e .
g e t Ul t i mo s Pa r t i d o s ( ) . l e n g t h ; i ++)
{
53 char [ ] u l t i mo s P a r t i d o s = e .
g e t Ul t i mo s Pa r t i d o s ( ) ;
54 char r e s u l t a d o = u l t i mo s P a r t i d o s
[ i ] ;
55 s wi t ch ( r e s u l t a d o ) {
56
57 cas e G :
58 v a l o r = v a l o r + 1; / /
59 break ;
60 cas e P :
61 v a l o r = v a l o r 1;
62 break ;
63 cas e E :
64 v a l o r = v a l o r + 0;
65 break ;
66 }
67 }
68 ret urn v a l o r ;
69 }
70
71 publ i c doubl e c a l c ul a r Por Copa s ( Equi po e )
{
72 doubl e v a l o r = 0;
73 v a l o r = v a l o r + e . get CopasGanadas ( )
0 . 5 ;
74 ret urn v a l o r ;
75 }
76
77 publ i c s t a t i c St r i n g i mpr i mi r Se c ue nc i a ( )
{
78 ret urn s e c u e n c i a ;
79 }
80}
La clase Genotipo
1
2publ i c c l a s s Genot i po {
3
4 Co n f i g u r a t i o n c o n f i g u r a c i o n ;
5 Swappi ngMut at i onOper at or swapper ;
6 IChromosome cromosoma = nul l ;
7 Func i onFi t ne s f i t n e s ;
8 Li s t <Equi po > l i s t a Eq u i p o s ;
9 pr i vat e s t a t i c f i n a l i nt
MAX_ALLOWED_EVOLUTIONS = 50;
10
11 publ i c Genot i po ( Li s t <Equi po > l i s t a ) {
12 t h i s . l i s t a Eq u i p o s = l i s t a ;
13 }
14
15 publ i c voi d c e a r Ge not i po ( ) throws
Exc e pt i on {
16 c o n f i g u r a c i o n = new
De f a u l t Co n f i g u r a t i o n ( ) ; / /
Conf i guramos JGAP
17 Co n f i g u r a t i o n . r e s e t P r o p e r t y (
Co n f i g u r a t i o n .
PROPERTY_FITEVAL_INST) ;
18 c o n f i g u r a c i o n . s e t F i t n e s s Ev a l u a t o r (
new De f a u l t F i t n e s s Ev a l u a t o r ( ) ) ;
19 c o n f i g u r a c i o n . g e t Ge n e t i c Op e r a t o r s ( ) .
c l e a r ( ) ;
20
21 swapper = new
Swappi ngMut at i onOper at or (
c o n f i g u r a c i o n ) ;
22 c o n f i g u r a c i o n . a ddGe ne t i c Ope r a t or (
swapper ) ;
23 c o n f i g u r a c i o n .
s e t P r e s e r v F i t t e s t I n d i v i d u a l ( t rue )
;
24 c o n f i g u r a c i o n . s e t P o p u l a t i o n S i z e ( 32) ;
/ / Creamos n u e s t r a pobl ac i on
i n i c i a l
25 c o n f i g u r a c i o n .
s e t Ke e p Po p u l a t i o n Si z e Co n s t a n t (
f a l s e ) ;
26
27 f i t n e s = new Func i onFi t ne s ( t h i s .
l i s t a Eq u i p o s ) ;
28 c o n f i g u r a c i o n . s e t F i t n e s s F u n c t i o n (
f i t n e s ) ; / / I n di c a l a f u n c i o n de
a p t i t u d en e s t e caso f i t n e s
29
30 Gene [ ] genes = new Gene [ 4 ] ;
31 genes [ 0 ] = new I nt e ge r Ge ne (
c on f i gu r a c i o n , 0 , l i s t a Eq u i p o s .
s i z e ( ) 1) ; / / creamos l a
c o d i f i c a c i o n de 4 gnes y t e ndr an
v a l o r e s e n t r e 0 y 31
32 genes [ 1 ] = new I nt e ge r Ge ne (
c on f i gu r a c i o n , 0 , l i s t a Eq u i p o s .
s i z e ( ) 1) ;
33 genes [ 2 ] = new I nt e ge r Ge ne (
c on f i gu r a c i o n , 0 , l i s t a Eq u i p o s .
s i z e ( ) 1) ;
34 genes [ 3 ] = new I nt e ge r Ge ne (
c on f i gu r a c i o n , 0 , l i s t a Eq u i p o s .
s i z e ( ) 1) ;
35
36 cromosoma = new Chromosome (
c on f i gu r a c i o n , genes ) ; / / Creamos
un i n d i v i d u o a p a r t i r de l a
c o n f i g u r a c i o n de l o s genes
a n t e r i o r
37
38 genes [ 0 ] . s e t Al l e l e ( new I n t e g e r ( 0 ) ) ;
/ / es c u a l q u i e r v al or ( 0 ) y l uego
6 JOHANA CARPIO
va cambi ando
39 genes [ 1 ] . s e t Al l e l e ( new I n t e g e r ( 0 ) ) ;
40 genes [ 2 ] . s e t Al l e l e ( new I n t e g e r ( 0 ) ) ;
41 genes [ 3 ] . s e t Al l e l e ( new I n t e g e r ( 0 ) ) ;
42
43 c o n f i g u r a c i o n . set Sampl eChromosome (
cromosoma ) ; / / Le i ndi camos a JGAP
un ej empl o de como s er an l o s
i n d i v i d u o s , a p a r t i r de l
i n d i v i d u o de ej empl o que creamos
44
45 Genot ype pobl a c i on = Genot ype .
r a ndomI ni t i a l Ge not ype (
c o n f i g u r a c i o n ) ;
46
47 f or ( i nt i = 0; i <
MAX_ALLOWED_EVOLUTIONS; i ++) { / /
Comi enza a i t e r a r e l al gor i t mo
48 pobl a c i on . evol ve ( ) ;
49 IChromosome comosomaAct ual =
pobl a c i on .
ge t Fi t t e s t Chr omos ome ( ) ; / /
Obt enemos e l mej or i n d i v i d u o
para e s t a ge ne r ac i on
50 i f ( comosomaAct ual .
g e t Fi t n e s s Va l u e ( ) > cromosoma
. g e t Fi t n e s s Va l u e ( ) ) {
51 cromosoma = comosomaAct ual ;
52 }
53 }
54 }
55
56 publ i c St r i n g i mpr i mi r Re s ul t a do ( ) {
57 St r i n g r e s u l = " Val or de l Fi t n e s : "+
cromosoma . g e t Fi t n e s s Va l u e ( ) +" \ n" ;
58 f or ( i nt i = 0; i < cromosoma . s i z e ( )
; i ++) {
59 i nt i ndex = ( I n t e g e r ) cromosoma .
get Gene ( i ) . g e t Al l e l e ( ) ;
60 Equi po eq = ( Equi po )
l i s t a Eq u i p o s . ge t ( i ndex ) ;
61 r e s u l = r e s u l + " \ n" + eq .
g e t Pa i s ( ) +" \ n \ t gr upo : "+eq .
get Gr upo ( ) +" \ n \ t Ranki ng Fi f a :
"+eq . ge t Ra nki ngFi f a ( ) +" \ n \
t Copas Ganadas : "+eq .
get CopasGanadas ( ) ;
62 }
63 ret urn r e s u l ;
64 }
65}
Conclusiones
Los Algortimos Genticos constituyen mtodos robus-
tos y aadaptativos que contribuyen a la solucin de
problemas cambiantes en el tiempo.
Los Algortimos Genticos no requieren de un
conocimiento profundo acerca del problema a resolver.
Muchas son las aplicaciones a las que se les atribuye el
uso de los Algoritmos Genticos debido a la eciencia
que muestran.
El uso de este tipo de algoritmos presenta ventajas
como el no depender de condiciones iniciales debido a
que usa la bsqueda estocstica(realiza intentos aleato-
rios).
Recomendaciones
Se debe tomar en cuenta si la poblacin inicial es cer-
cana a la solucin optima ya que en este caso los al-
goritmos genticos tardaran mas que las tcnicas de
resolucin tradicionales.
El usuario deber determinar cuan de cerca esta la
solucin estimada a la solucin real(la proximidad de-
pender de la conlcuisn en concreto).
Disponible en:
<https://github.com/JohanaC/Algoritmos
G
en
ticos/commit/ f e0adc97bb8a00d34 f ca0adc7161 f 760bac09eb3 >
References
Buckles, B. P. (1992). Genetics algorithms . IEEE Computers
Society Press.
Carrera, A. C. (n.d.). Algoritmos genticos. Retrieved from
Departamento de Informtica y Sistemas
Coello, C. C. (n.d.-a). Algoritmos genticos y sus aplicaciones.
Coello, C. C. (n.d.-b). Algoritmos genticos y sus aplicaciones.
Goldberg, D. (1989). Genetics algorithms in search, optimization
and machine learning. Addison Wesley.
Miguel, M. (n.d.). Algoritmos genticos. Retrieved from