Algoritmos Geneticos

Algoritmos Genticos
D.Sc. Yvn Jess Tpac Valdivia

Doctorado en Ciencia de la Computacin
Universidad Nacional de San Agustn
April 21, 2012

Tpac, Y. Computacin Evol (UNSA)
Doctorado en CC.
April 21, 2012
1 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Denominados inicialmente planes reproductivos genticos.

[Holland, 1962a, Holland, 1962b] observ que usando reglas simples
llegaba a comportamientos adaptativos, posibilitando estudiar la evolucin
en sistemas complejos.
Doctorado en CC.
April 21, 2012
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin

Haba que considerar los siguientes principios:
a) la adaptacin ocurre en un ambiente.
Doctorado en CC.
April 21, 2012
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin

b) la adaptacin es un proceso poblacional
Doctorado en CC.
April 21, 2012
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin

c) Comportamientos individuales pueden representarse como programas.
Doctorado en CC.
April 21, 2012
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin

d) Pueden generarse comportamientos futuros haciendo variaciones
aleatorias en los programas.
Doctorado en CC.
April 21, 2012
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin

d) Pueden generarse comportamientos futuros haciendo variaciones
aleatorias en los programas.
e) las salidas de los programas mantienen relacin, si sus respectivas
estructuras tambin la mantienen.
Doctorado en CC.
April 21, 2012
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Definicin
Definicin
Los Algoritmos Genticos son algoritmos estocsticos que implementan
mtodos de bsqueda a partir de un modelo computacional de algunos
fenmenos Neodarwinianos como: la herencia gentica y la supervivencia
de los ms aptos.
La metfora que est por detrs de los algoritmos genticos es la evolucin
natural.
Doctorado en CC.
April 21, 2012
3 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

requiere de los siguientes componentes:
Doctorado en CC.
April 21, 2012
4 / 57
Algoritmos Genticos
Algoritmos Genticos

Una representacin de las soluciones potenciales del problema, de
naturaleza genotpica, denominada cromosoma.
Doctorado en CC.
April 21, 2012
4 / 57
Algoritmos Genticos
Algoritmos Genticos

Una forma de crear una poblacin inicial de posibles soluciones, que
se suele basar en un proceso aleatorio.
Doctorado en CC.
April 21, 2012
4 / 57
Algoritmos Genticos
Algoritmos Genticos

Una funcin de aptitud que hace el papel del ambiente.
Doctorado en CC.
April 21, 2012
4 / 57
Algoritmos Genticos
Algoritmos Genticos

Operadores genticos que alteren la composicin de los cromosomas
seleccionados.
Doctorado en CC.
April 21, 2012
4 / 57
Algoritmos Genticos
Algoritmos Genticos

Operadores genticos que alteren la composicin de los cromosomas
seleccionados.
Parametrizaciones, para los diferentes parmetros que utiliza el
algoritmo gentico (tamao de la poblacin, probabilidad de aplicar
crossover, mutacin, nmero mximo de generaciones, etc.)
Doctorado en CC.
April 21, 2012
4 / 57
Algoritmos Genticos
Algoritmo Gentico Cannico

[Goldberg, 1989] introdujo el modelo de AG con individuos
compuestos por cadenas de nmeros binarios bi {0, 1} para tratar
problemas de optimizacin numrica.
Doctorado en CC.
April 21, 2012
5 / 57
Algoritmos Genticos

En este modelo se aprecia el concepto de genotipo que es cada una
de las cadenas binarias bi que codifican a una respectiva solucin o
fenotipo xi .
Doctorado en CC.
April 21, 2012
5 / 57
Algoritmos Genticos

fenotipo xi .
Aunque una codificacin de fenotipo a genotipo 1 : X 7 G no est
limitada a la representacin binaria en {0, 1}, esta codificacin es muy
parecida a los cromosomas biolgicos.
Doctorado en CC.
April 21, 2012
5 / 57
Algoritmos Genticos

fenotipo xi .
Aunque una codificacin de fenotipo a genotipo 1 : X 7 G no est
limitada a la representacin binaria en {0, 1}, esta codificacin es muy
parecida a los cromosomas biolgicos.
Doctorado en CC.
April 21, 2012
5 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
El pseudocdigo para un algoritmo bsico es el siguiente:
Doctorado en CC.
April 21, 2012
6 / 57
Algoritmos Genticos
Algoritmo Gentico

Procedimiento Elemental:
t=0
Doctorado en CC.
April 21, 2012
6 / 57
Algoritmos Genticos
Algoritmo Gentico

t=0
inicializar poblacin de genotipos Gt
Doctorado en CC.
April 21, 2012
6 / 57
Algoritmos Genticos
Algoritmo Gentico

t=0
decodificar y evaluar las estructuras de Gt
Doctorado en CC.
April 21, 2012
6 / 57
Algoritmos Genticos
Algoritmo Gentico

t=0
mientras cfin = falso hacer
t =t +1
seleccionar Gt de Gt1
operar Gt , formando Gt
evaluar Gt
Doctorado en CC.
April 21, 2012
6 / 57
Algoritmos Genticos
Algoritmo Gentico

t=0
mientras cfin = falso hacer
t =t +1
seleccionar Gt de Gt1
operar Gt , formando Gt
evaluar Gt
fin mientras
Doctorado en CC.
April 21, 2012
6 / 57
Algoritmos Genticos
Ciclo de un Algoritmo Gentico
Algoritmo Gentico
Evaluacin de
la descendencia
f()
Individuo
x1
x2
x3
x4
Genotipo
Fitness
100100
010010
010110
000001
1296
324
484
1
Seleccin de
Progenitores
Evolucin
Cruce
Nueva poblacin
de descendientes
Reproduccin
Mutacin
Doctorado en CC.
April 21, 2012
7 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Doctorado en CC.
April 21, 2012
8 / 57
Algoritmos Genticos
Representacin
Representacin
Describir adecuadamente el espacio de bsqueda relevante al problema
Doctorado en CC.
April 21, 2012
8 / 57
Algoritmos Genticos
Representacin
Representacin
Codificar genticamente la esencia del problema
Se evoluye el cdigo (fenotipo) se evoluye la solucin (genotipo)
Doctorado en CC.
April 21, 2012
8 / 57
Algoritmos Genticos
Representacin
Representacin
Ser compatible con los operadores de cruce y mutacin.
Doctorado en CC.
April 21, 2012
8 / 57
Algoritmos Genticos
Representacin
Representacin
Doctorado en CC.
April 21, 2012
8 / 57
Algoritmos Genticos
Representacin
Representacin

Una representacin adecuada contribuir en el xito del algoritmo
evolutivo.
Doctorado en CC.
April 21, 2012
8 / 57
Algoritmos Genticos
Representacin
Representacin
De acuerdo al mtodo de solucin se tiene algunas representaciones a ser
usadas:
Doctorado en CC.
April 21, 2012
9 / 57
Algoritmos Genticos
Representacin
Representacin
usadas:
Mtodo de solucin
Numrica
Orden
Grupos
Enteros
Mixto
Representacin (cromosoma)
Binaria, real
Listas
Vectores
Entero
Combinada (por ejemplo: real y listas)
Doctorado en CC.
April 21, 2012
9 / 57
Algoritmos Genticos
Representacin
Representacin
usadas:
Mtodo de solucin
Numrica
Orden
Grupos
Enteros
Mixto
Representacin (cromosoma)
Binaria, real
Listas
Vectores
Entero
Combinada (por ejemplo: real y listas)
El cromosoma codifica una solucin al problema. Se tendrn tantos genes

como parmetros. Dada la funcin a optimizar f (x) = f (x1 , x2 )
C1
x1
y1
C2
x2
y2
Doctorado en CC.
Binario,
Real,
entero,
mixto
April 21, 2012
9 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Implica usar el alfabeto binario B = {0, 1} obteniendo una cadena binaria
de longitud l pertenece a un espacio Bl = B . . . B = {0, 1}l
Doctorado en CC.
April 21, 2012
10 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Sea una funcin a optimizar f (x), donde x = {x1 , . . . , xn }.
Doctorado en CC.
April 21, 2012
10 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Cada variable xi debe codificarse a una cadena binaria de longitud li ,
usando la codificacin i1 : Qi 7 Bli .
Doctorado en CC.
April 21, 2012
10 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
El cromosoma total tendr una longitud
x1
i=1 li .
xi
z }| {
100
. . . 1} . . .
| {z
l1
Pn
z }| {
010
. . . 0} . . .
| {z
li
Doctorado en CC.
xn
z }| {
110
. . . 0}
| {z
ln
April 21, 2012
10 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
x1
i=1 li .
xi
z }| {
100
. . . 1} . . .
| {z
l1
Pn
z }| {
010
. . . 0} . . .
| {z
li
Doctorado en CC.
xn
z }| {
110
. . . 0}
| {z
ln
April 21, 2012
10 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
x1
i=1 li .
xi
z }| {
100
. . . 1} . . .
| {z
l1
Pn
z }| {
010
. . . 0} . . .
| {z
li
xn
z }| {
110
. . . 0}
| {z
ln
Se representan hasta 2l puntos de bsqueda diferentes gi G.

Doctorado en CC.
April 21, 2012
10 / 57
Algoritmos Genticos
Representacin
Codificacin de Real a Binario

Sea la funcin f (x), x = {x1 , . . . , xn } X Rn , a ser optimizada.
Se requiere codificarla cumpliendo las siguientes propiedades:
Doctorado en CC.
April 21, 2012
11 / 57
Algoritmos Genticos
Representacin

Cada individuo x = {x1 , . . . , xn } X deve codificarse a una palabra
binaria de longitud l. Para esto se define una funcin de codificacin:
1 : X 7 Bl
Doctorado en CC.
(1)
April 21, 2012
11 / 57
Algoritmos Genticos
Representacin

Cada individuo x = {x1 , . . . , xn } X deve codificarse a una palabra
binaria de longitud l. Para esto se define una funcin de codificacin:
1 : X 7 Bl
(1)
Cada variable xi pose su propio domnio, tal que

xi hlefti , righti i , i = (1, . . . , n). Por lo tanto, debe existir una
funcin de codificacin para cada variable xi :
i1 : hlefti , righti i R 7 Bli
Doctorado en CC.
(2)
April 21, 2012
11 / 57
Algoritmos Genticos
Representacin

Si se especifica una precisin de pi dgitos decimales para cada xi , el
espacio Bli deber ser capaz de codificar al menos
(righti lefti ) 10pi valores para xi .
(righti lefti ) 10pi
diferentes soluciones
dominio
de xi
lefti
Precision
1
10pi
Doctorado en CC.
righti
April 21, 2012
12 / 57
Algoritmos Genticos
Representacin

Si se especifica una precisin de pi dgitos decimales para cada xi , el
espacio Bli deber ser capaz de codificar al menos
(righti lefti ) 10pi valores para xi .
diferentes soluciones
dominio
de xi
lefti
Precision
1
10pi
righti
El valor li N queda definido por la ecuacin:

2li
li
(3)
log2 (righti lefti ) + pi log2 (10)

Doctorado en CC.
April 21, 2012
12 / 57
Algoritmos Genticos
Representacin
Decodificacin de Binario a Real

Se define la decodificacin i de binario a real para una variable xi como:
Doctorado en CC.
April 21, 2012
13 / 57
Algoritmos Genticos
Representacin

i : Bli 7 hlefti , righti i R
Doctorado en CC.
(4)
April 21, 2012
13 / 57
Algoritmos Genticos
Representacin

(4)
consiste en convertir la cadena binaria bi a decimal y escalarla al intervalo

de dominio hlefti , righti i de acuerdo a la ecuacin 5:
xi(real) = lefti +
lX
i 1
2j aj
j=0
Doctorado en CC.
righti lefti
2li 1
(5)
April 21, 2012
13 / 57
Algoritmos Genticos
Representacin

(4)
consiste en convertir la cadena binaria bi a decimal y escalarla al intervalo

de dominio hlefti , righti i de acuerdo a la ecuacin 5:
xi(real) = lefti +
lX
i 1
2j aj
j=0
righti lefti
2li 1
(5)
Si una variable lefti xi righti es codificada en binario, la cadena

binaria binf = (00 . . . 0) representa el valor lefti y la cadena binaria
bsup = (11 . . . 1) representa el valor righti .
Doctorado en CC.
April 21, 2012
13 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas y desventajas
Ventajas:
La codificacin binaria : X 7 Bl es simple y fcil de manipular, nos
da buenos resultados y facilita la accin de los operadores genticos.
Doctorado en CC.
April 21, 2012
14 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas:
Se pueden codificar diversos tipos de espacios a binario:
(Z 7 Bl , R 7 Bl , etc.)
Doctorado en CC.
April 21, 2012
14 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas:
(Z 7 Bl , R 7 Bl , etc.)
Desventajas:
Distancia de Hamming
Doctorado en CC.
April 21, 2012
14 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas:
(Z 7 Bl , R 7 Bl , etc.)
Desventajas:
Distancia de Hamming
Incremento de la dimensionalidad
Doctorado en CC.
April 21, 2012
14 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Distancia de Hamming: Poca coherencia de la distancia en bits entre

bi , bj y la distancia real de las variables xi , xj .
Esto se puede mitigar con el uso del Cdigo de Gray.
Doctorado en CC.
April 21, 2012
15 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Distancia de Hamming: Poca coherencia de la distancia en bits entre

bi , bj y la distancia real de las variables xi , xj .
Esto se puede mitigar con el uso del Cdigo de Gray.
Decimal
Binario
Gray
0
1
2
3
4
5
6
7
000
001
010
011
100
101
110
111
000
001
011
010
110
111
101
100
Doctorado en CC.
April 21, 2012
15 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Aumento de la dimensionalidad: En una codificacin 1 : Rn 7 Bl

siempre ocurre que l n por efecto de la discretizacin y la baja
cardinalidad del espacio resultante.
Doctorado en CC.
April 21, 2012
16 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Aumento de la dimensionalidad: En una codificacin 1 : Rn 7 Bl

siempre ocurre que l n por efecto de la discretizacin y la baja
cardinalidad del espacio resultante.
Funcion a
optimizar
f (x) = f (x1, x2) = 0.5
(1.0 + 0.001 (x21 + x22))
x = (x1, x2)
Fenotipo
11
21
Codificacion
Genotipo
p
2
sin x21 + x22 0.5
Dimensi
on 2
: R 7 B
: R 7 B6
6
x1
x2
Dimensi
on 12
Doctorado en CC.
April 21, 2012
16 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Evaluacin de
la descendencia
f()
Individuo
x1
x2
x3
x4
Genotipo
Fitness
100100
010010
010110
000001
1296
324
484
1
Seleccin de
Progenitores
Evolucin
Cruce
Nueva poblacin
de descendientes
Reproduccin
Mutacin
Doctorado en CC.
April 21, 2012
17 / 57
Algoritmos Genticos
Sea la poblacin X = {xi }m
i=1 , donde x = {x1 , . . . , xn }.
Doctorado en CC.
April 21, 2012
18 / 57
Algoritmos Genticos
i=1 , donde x = {x1 , . . . , xn }.
D
Se inicializa cada variable xj leftj , rightj , j = 1, . . . , n de cada

individuo xi X0 , i = 1, . . . , m conforme:
xj = leftj + (rightj leftj )U(t)
(6)
donde U(t) es un generador de nmeros aleatorios (0,1)
Doctorado en CC.
April 21, 2012
18 / 57
Algoritmos Genticos
i=1 , donde x = {x1 , . . . , xn }.
D

(6)
Doctorado en CC.
April 21, 2012
18 / 57
Algoritmos Genticos
i=1 , donde x = {x1 , . . . , xn }.
D

(6)

Si se est empleando un mapeamiento 1 : Rn 7 Bl , entonces:
Inicializar generando bits aleatorios 0 1 y colocarlos en las cadenas
bi
Doctorado en CC.
April 21, 2012
18 / 57
Algoritmos Genticos
i=1 , donde x = {x1 , . . . , xn }.
D

(6)

Si se est empleando un mapeamiento 1 : Rn 7 Bl , entonces:
Inicializar generando bits aleatorios 0 1 y colocarlos en las cadenas
bi
La precisin y dominios estn garantizados por la codificacin
1 : Rn 7 Bl
Doctorado en CC.
April 21, 2012
18 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Evaluacin y Aptitud
Evaluacin de
la descendencia
f()
Individuo
x1
x2
x3
x4
Genotipo
Fitness
100100
010010
010110
000001
1296
324
484
1
Seleccin de
Progenitores
Evolucin
Cruce
Nueva poblacin
de descendientes
Reproduccin
Mutacin
Doctorado en CC.
April 21, 2012
19 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Evaluacin y Aptitud
Funcin de Evaluacin:
La funcin de evaluacin f (x) es el enlace entre el algoritmo gentico y el
problema en cuestin. Se puede definir como el resultado de aplicar en el
problema a ser optimizado, los valores del individuo x = {x1 , . . . , xn }.
f (xi ) = evaluacin de xi
Doctorado en CC.
April 21, 2012
20 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Evaluacin y Aptitud
Funcin de Evaluacin:
La funcin de evaluacin f (x) es el enlace entre el algoritmo gentico y el
problema en cuestin. Se puede definir como el resultado de aplicar en el
problema a ser optimizado, los valores del individuo x = {x1 , . . . , xn }.
f (xi ) = evaluacin de xi
Aptitud:
La aptitud a es el valor numrico que se le asigna a cada individuo
(fenotipo) xi indicando qu tan bueno es con respecto a los dems
individuos de la poblacin X para la solucin del problema.
a(f (xi ), X) = aptitud de xi
Doctorado en CC.
April 21, 2012
20 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Sea la funcin F6 (x1 , x2 ) definida por:
Doctorado en CC.
April 21, 2012
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud

sin
F6 (x1 , x2 ) = 0.5
x12
x22
2
0.5
1.0 + 0.001 x12 + x22
Doctorado en CC.
(7)
2
April 21, 2012
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud

sin
F6 (x1 , x2 ) = 0.5
x12
x22
2
0.5
1.0 + 0.001 x12 + x22
(7)
2
que tiene muchos mximos y mnimos locales, y un ptimo global

x = (0, 0) tal que f (x ) = f (0, 0) = 1.00.
Doctorado en CC.
April 21, 2012
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud

sin
F6 (x1 , x2 ) = 0.5
x12
x22
2
0.5
1.0 + 0.001 x12 + x22
(7)
2
que tiene muchos mximos y mnimos locales, y un ptimo global

x = (0, 0) tal que f (x ) = f (0, 0) = 1.00.
Se desea optimizar esta funcin considerando los siguientes domnios:
x1 h100, 100i
x2 h100, 100i
Doctorado en CC.
April 21, 2012
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Visualizacin 3D de la funcin f6
mximo global
1
f6(x1, x2)
0.8
0.6
0.4
0.2
0
10
5
10
5
5
x2
5
10
10
Doctorado en CC.
x1
April 21, 2012
22 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Definiendo el cromosoma e inicializando
Se desea codificar a binario ( 1 : X 7 Bl ) con una precisin de 4 a 5

cifras decimales por cada variable xi . Se calcula li N usando la ecuacin
3 de la siguiente manera:
Doctorado en CC.
April 21, 2012
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud

log2 ((100 (100) 104 ) li
log2 (2 106 ) li
20.93 li
log2 ((100 (100) 105 )

log2 (2 107 )
24.25
Doctorado en CC.
April 21, 2012
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud

log2 ((100 (100) 104 ) li
log2 (2 106 ) li
20.93 li
log2 ((100 (100) 105 )

log2 (2 107 )
24.25
donde li = 21, 22, 23, 24, seleccionamos li = 22. El cromosoma tendr una
longitud total l1 + l2 = 44 bits.
Doctorado en CC.
April 21, 2012
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud

log2 ((100 (100) 104 ) li
log2 (2 106 ) li
20.93 li
log2 ((100 (100) 105 )

log2 (2 107 )
24.25
donde li = 21, 22, 23, 24, seleccionamos li = 22. El cromosoma tendr una
longitud total l1 + l2 = 44 bits.
La inicializacin de X0 consistir simplemente en el llenado de bits {0, 1}
aleatorios en cada cromosoma binario bi .
Doctorado en CC.
April 21, 2012
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Evaluando
Es necesario aplicar decodificacin : G 7 X para poder evaluarlos.

Genotipo
x1
x2
: B12 7 R2
Fenotipo
Funcion de
evaluacion
x = (x1, x2)
f (x) = f (x1, x2) = 0.5
Doctorado en CC.
p
2
sin x21 + x22 0.5
(1.0 + 0.001 (x21 + x22))
April 21, 2012
24 / 57
Algoritmos Genticos
Seleccin
Seleccin
Evaluacin de
la descendencia
f()
Individuo
x1
x2
x3
x4
Genotipo
Fitness
100100
010010
010110
000001
1296
324
484
1
Seleccin de
Progenitores
Evolucin
Cruce
Nueva poblacin
de descendientes
Reproduccin
Mutacin
Doctorado en CC.
April 21, 2012
25 / 57
Algoritmos Genticos
Seleccin
Seleccin
Dada una poblacin inicial X0 = {xi }m
i=1 , y sus aptitudes At = a(X0 ), se
seleccionan los individuos a reproducirse de acuerdo a su aptitud, que se
comporta como una probabilidad de seleccin.
Doctorado en CC.
April 21, 2012
26 / 57
Algoritmos Genticos
Seleccin
Seleccin
En algoritmos genticos hay 2 tipos de seleccin
Seleccin proporcional: los individuos se seleccionan de acuerdo a
su contribucin de aptitud con respecto al total de aptitud de la
poblacin
Doctorado en CC.
April 21, 2012
26 / 57
Algoritmos Genticos
Seleccin
Seleccin
En algoritmos genticos hay 2 tipos de seleccin
Seleccin proporcional: los individuos se seleccionan de acuerdo a
su contribucin de aptitud con respecto al total de aptitud de la
poblacin
Seleccin mediante torneo: propuesta en [Wetzel, 1983], tiene
como idea bsica seleccionar individuos comparando directamente sus
aptitudes.
Doctorado en CC.
April 21, 2012
26 / 57
Algoritmos Genticos
Seleccin
Seleccin Proporcional
Dentro de este grupo, se tiene las siguientes estrategias
Doctorado en CC.
April 21, 2012
27 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta (Roulette Selection)
Sobrante Estocstico
Universal Estocstico
Muestreo Determinstico.
Doctorado en CC.
April 21, 2012
27 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta (Roulette Selection)
Sobrante Estocstico
Universal Estocstico
Muestreo Determinstico.
Adicionalmente existen otras tcnicas que implementan los siguientes
aditamentos
Escalamiento-
Uso de jerarquas
Seleccin de Boltzmann
Doctorado en CC.
April 21, 2012
27 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

Es la estrategia ms utilizada por su simplicidad y facilidad de
entendimiento. Su algoritmo es:
Doctorado en CC.
April 21, 2012
28 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

Es la estrategia ms utilizada por su simplicidad y facilidad de
entendimiento. Su algoritmo es:
Requiere: Xt (poblacin), At (vector de aptitudes)
calcular Bt = {b1 , . . . , bm } (aptitudes acumuladas)
bi = ai
bi = bi1 + ai
i=1
i>1
j=0
generar uj = bm U(0, 1)
mientras uj
/ [xj , xj+1 ] hacer
j =j +1
fin mientras
seleccionar xj Xt
Doctorado en CC.
April 21, 2012
28 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

Dado un individuo xi y su aptitud a(xi , Xt ), su probabilidad de seleccin
pxi por ruleta ser:
a(xi , Xt )
pxi = Pm
(8)
k=1 ak
Doctorado en CC.
April 21, 2012
29 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

pxi por ruleta ser:
a(xi , Xt )
pxi = Pm
(8)
k=1 ak
Anlisis:
Complejidad computacional O(n 2 ).
Doctorado en CC.
April 21, 2012
29 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

pxi por ruleta ser:
a(xi , Xt )
pxi = Pm
(8)
k=1 ak
Anlisis:
Sujeta al error de muestreo, no siempre se cumple el valor esperado
Es [xi ] de seleccin
Doctorado en CC.
April 21, 2012
29 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

pxi por ruleta ser:
a(xi , Xt )
pxi = Pm
(8)
k=1 ak
Anlisis:
Sujeta al error de muestreo, no siempre se cumple el valor esperado
Es [xi ] de seleccin
Se puede usar bsqueda binaria reduciendo la complejidad total a
O(n log n).
Doctorado en CC.
April 21, 2012
29 / 57
Algoritmos Genticos
Seleccin
Seleccin por Ruleta

Sea la poblacin Xt = {xi }61 de la siguiente tabla:
Individuo i
x1
x2
x3
x4
x5
Total
fenotipo
11010110
10100111
00110110
01110010
11110010
ai At
254
47
457
194
85
1037
Doctorado en CC.
bi Bt
254
301
758
952
1037
ai /bm (%)
24.49%
4.53%
44.07%
18.71%
8.20%
100.00%
April 21, 2012
30 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Es una alternativa que busca una mejor aproximacin del valor esperado
de seleccin Es [xi ] definido por la ecuacin 9:
Es [xi ] = m
a(f (xi ), Xt )
bm
Doctorado en CC.
(9)
April 21, 2012
31 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Es [xi ] = m
a(f (xi ), Xt )
bm
(9)
Consiste en:
1
Asignar en forma determinstica el conteo de los valores esperados, es

decir, la parte entera de et = m(ai /bm ) para despus,
Doctorado en CC.
April 21, 2012
31 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Es [xi ] = m
a(f (xi ), Xt )
bm
(9)
Consiste en:
1
Asignar en forma determinstica el conteo de los valores esperados, es

decir, la parte entera de et = m(ai /bm ) para despus,
Completar los individuos faltantes por el redondeo mediante un

esquema probabilstico y proporcional (por ejemplo, una ruleta).
Doctorado en CC.
April 21, 2012
31 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Se ilustra un ejemplo del uso del sobrante estocstico
Doctorado en CC.
April 21, 2012
32 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Individuo i
x1
x2
x3
x4
Total
Fenotipo
110100
011010
111001
001101
ai At
220
140
315
42
717
et
1.23
0.78
1.76
0.23
4.00
Doctorado en CC.
int(et )
1
0
1
0
2
et int(et )
0.23
0.78
0.76
0.23
April 21, 2012
32 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Individuo i
x1
x2
x3
x4
Total
Fenotipo
110100
011010
111001
001101
ai At
220
140
315
42
717
et
1.23
0.78
1.76
0.23
4.00
int(et )
1
0
1
0
2
et int(et )
0.23
0.78
0.76
0.23
Con esta metodologa, se reducen los problemas de muestreo de la ruleta,

aunque se puede causar convergencia prematura debido a la mayor presin
selectiva.
Doctorado en CC.
April 21, 2012
32 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Propuesta en [Wetzel, 1983], tiene como idea bsica seleccionar individuos
comparando directamente sus aptitudes.
Doctorado en CC.
April 21, 2012
33 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Requiere: Xt , At
desordenar Xt
escoger k individuos (comnmente k = 2)
comparar los k individuos por su aptitud a()
seleccionar el individuo con mejor aptitud
Doctorado en CC.
April 21, 2012
33 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Requiere: Xt , At
desordenar Xt
La seleccin por torneo es bastante simple y determinista con
caracterstica extintiva.
Doctorado en CC.
April 21, 2012
33 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Requiere: Xt , At
desordenar Xt
La seleccin por torneo es bastante simple y determinista con
caracterstica extintiva.
Hay una versin probabilstica que elimina la caracterstica extintiva, ya
que, en algunas ocasiones, elementos menos aptos pueden ganar el torneo
y ser seleccionados.
Doctorado en CC.
April 21, 2012
33 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
La versin determinista garantiza seleccin del mejor individuo.
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
En un torneo, siempre se escogen k individuos complejidad O(1).
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
Se requieren m competencias de k individuos para escoger una nueva
poblacin por una generacin complejidad O(m).
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
La tcnica es eficiente y fcil de implementar.
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
No requiere escalar la funcin de aptitud, las comparaciones se hacen
directamente.
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
directamente.
En la versin determinista, se puede introducir una presin selectiva fuerte;
individuos menos aptos no sobreviven.
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Seleccin por Torneo

Anlisis:
directamente.
En la versin determinista, se puede introducir una presin selectiva fuerte;
individuos menos aptos no sobreviven.
Se puede regular la presin selectiva variando la cantidad k de individuos
que compiten.
Doctorado en CC.
April 21, 2012
34 / 57
Algoritmos Genticos
Seleccin
Basada en la heurstica de Simulated Annealing variacin de
temperatura:
Temperatura alta al inicio (menor presin selectiva)
Temperatura baja al fina (ms presin selectiva)
Doctorado en CC.
April 21, 2012
35 / 57
Algoritmos Genticos
Seleccin
temperatura:
Se calcula el valor esperado de cada indivduo tpicamente usando:

e f (i)/T
E[i, t] =
t
e f (i)/T
(10)
donde T es la temperatura y hit es el promedio de las aptitudes de la

poblacin
Doctorado en CC.
April 21, 2012
35 / 57
Algoritmos Genticos
Seleccin
temperatura:
Se calcula el valor esperado de cada indivduo tpicamente usando:

e f (i)/T
E[i, t] =
t
e f (i)/T
(10)
donde T es la temperatura y hit es el promedio de las aptitudes de la

poblacin
Una vez calculados los valores esperados, se hace la seleccin
mediante una ruleta
Doctorado en CC.
April 21, 2012
35 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Evaluacin de
la descendencia
f()
Individuo
x1
x2
x3
x4
Genotipo
Fitness
100100
010010
010110
000001
1296
324
484
1
Seleccin de
Progenitores
Evolucin
Cruce
Nueva poblacin
de descendientes
Reproduccin
Mutacin
Doctorado en CC.
April 21, 2012
36 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Manipulan el genotipo, influyen en la transmisin de la informacin
gentica de padres a hijos.
Doctorado en CC.
April 21, 2012
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Los operadores tienen dos categoras principales:
Cruces (cruzamientos o crossover): que forman dos nuevos individuos
a partir de la recombinacin de informacin de los dos individuos
seleccionados para operar. Los ms conocidos son:
cruce de un punto
Doctorado en CC.
April 21, 2012
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
cruce de un punto
cruce de dos puntos
Doctorado en CC.
April 21, 2012
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
cruce de un punto
cruce de dos puntos
cruce uniforme
Doctorado en CC.
April 21, 2012
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
cruce de un punto
cruce de dos puntos
cruce uniforme
Doctorado en CC.
April 21, 2012
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
cruce de un punto
cruce de dos puntos
cruce uniforme
Mutaciones: que forman un nuevo individuo a partir de alteraciones

en los genes de un nico individuo seleccionado, la ms conocida es la
mutacin de bit.
Doctorado en CC.
April 21, 2012
37 / 57
Algoritmos Genticos
Reproduccin
Cruce de 1 punto
A partir de un par de genotipos seleccionados g1 y g2 y un punto de corte
aleatorio, se generan dos descendientes g10 y g20 como ilustra la figura.
Doctorado en CC.
April 21, 2012
38 / 57
Algoritmos Genticos
Reproduccin
Cruce de 1 punto
A partir de un par de genotipos seleccionados g1 y g2 y un punto de corte
aleatorio, se generan dos descendientes g10 y g20 como ilustra la figura.
Resultado despus del Crossover
Individuos antes del crossover

Individuo 1
Hijo 1
Individuo 2
Hijo 2
Punto de corte
Doctorado en CC.
April 21, 2012
38 / 57
Algoritmos Genticos
Reproduccin
Cruce de 2 puntos
En este caso, se usan dos puntos de corte, generados aleatoriamente. Se
obtiene un segmento de los cromosomas padre g1 y g2 que se
intercambiar conforme ilustra la figura,
Doctorado en CC.
April 21, 2012
39 / 57
Algoritmos Genticos
Reproduccin
Cruce de 2 puntos
En este caso, se usan dos puntos de corte, generados aleatoriamente. Se
obtiene un segmento de los cromosomas padre g1 y g2 que se
intercambiar conforme ilustra la figura,
Resultado despus del Crossover
Individuos antes del crossover

Individuo 1
Hijo 1
Individuo 2
Hijo 2
Intervalo de
corte
Intervalo de
corte
Doctorado en CC.
April 21, 2012
39 / 57
Algoritmos Genticos
Reproduccin
Cruce Uniforme
Este operador recorre los cromosomas escogidos g1 y g2 y mediante un
sorteo U(t)i determina cul gene g1i g2i formar los genes de los
descendientes g10 y g20 .
Doctorado en CC.
April 21, 2012
40 / 57
Algoritmos Genticos
Reproduccin
Cruce Uniforme
Este operador recorre los cromosomas escogidos g1 y g2 y mediante un
sorteo U(t)i determina cul gene g1i g2i formar los genes de los
descendientes g10 y g20 .
Individuo 1
Hijo 1
Individuo 1
Hijo 2
Individuo 2
Individuo 2
Doctorado en CC.
April 21, 2012
40 / 57
Algoritmos Genticos
Reproduccin
Mutacin
Escoge algn gen gi g y lo altera por otro valor. Tratndose de un
individuo con genotipo binario, un gen sera un bit y su alteracin es de
valor 1 a valor 0 o viceversa.
Doctorado en CC.
April 21, 2012
41 / 57
Algoritmos Genticos
Reproduccin
Mutacin
Escoge algn gen gi g y lo altera por otro valor. Tratndose de un
individuo con genotipo binario, un gen sera un bit y su alteracin es de
valor 1 a valor 0 o viceversa.
Individuo
Bit modificado
Individuo despus
de la mutacin
Doctorado en CC.
April 21, 2012
41 / 57
Algoritmos Genticos
Reproduccin
Dilema Exploiting Exploring

En los sistemas de aprendizaje se desea aprovechar los conocimientos
existentes (Exploiting) y tambin buscar nuevo conocimiento (Exploring).
Los algoritmos evolutivos no son ajenos a esta situacin.
Doctorado en CC.
April 21, 2012
42 / 57
Algoritmos Genticos
Reproduccin

Exploiting: aprovechar la informacin que la poblacin actual Xt
tiene sobre el espacio de bsqueda
Doctorado en CC.
April 21, 2012
42 / 57
Algoritmos Genticos
Reproduccin

Exploring: ir a regiones del espacio de bsqueda no visitadas antes,
no quedarse en ptimos locales.
Doctorado en CC.
April 21, 2012
42 / 57
Algoritmos Genticos
Reproduccin

Los cruces proveen la caracterstica Exploiting
Las mutaciones proveen la caracterstica Exploring.
Doctorado en CC.
April 21, 2012
42 / 57
Algoritmos Genticos
Reproduccin

Los cruces proveen la caracterstica Exploiting
Las mutaciones proveen la caracterstica Exploring.
La parametrizacin adecuada de las caractersticas exploiting exploring
ser dado mediante el ajuste de las probabilidades de uso de los operadores
genticos.
Doctorado en CC.
April 21, 2012
42 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Durante el clculo de la aptitud de la poblacin, se puede encontrar los
dos siguientes problemas:
Doctorado en CC.
April 21, 2012
43 / 57
Algoritmos Genticos
Reproduccin
Poca presin selectiva: Aptitudes con valores similares, haciendo la
seleccin muy prxima a la bsqueda aleatoria.
Doctorado en CC.
April 21, 2012
43 / 57
Algoritmos Genticos
Reproduccin
Sperindividuo: algunos individuos con aptitud muy alta con
respecto a los dems. La seleccin escoge slo estos individuos,
perdiendo diversidad gentica y ocurriendo convergencia prematura.
Doctorado en CC.
April 21, 2012
43 / 57
Algoritmos Genticos
Reproduccin
Para tratar estos efectos se realiza ajustes en las aptitudes:
Aptitud = Evaluacin
Doctorado en CC.
April 21, 2012
43 / 57
Algoritmos Genticos
Reproduccin
Aptitud = Evaluacin
Windowing
Doctorado en CC.
April 21, 2012
43 / 57
Algoritmos Genticos
Reproduccin
Aptitud = Evaluacin
Windowing
Normalizacin lineal
Doctorado en CC.
April 21, 2012
43 / 57
Algoritmos Genticos
Reproduccin
Aptitud = evaluacin:
Cuando no hay necesidad de ajustes en la funcin de evaluacin f (xi ) para
obtener la aptitud, entonces:
Doctorado en CC.
April 21, 2012
44 / 57
Algoritmos Genticos
Reproduccin
a(f (xi ), Xt ) = f (xi )
Doctorado en CC.
(11)
April 21, 2012
44 / 57
Algoritmos Genticos
Reproduccin
a(f (xi ), Xt ) = f (xi )
(11)
Windowing:
Cuando existe competicin prxima, se puede ajustar la aptitud usando la
siguiente expresin:
Doctorado en CC.
April 21, 2012
44 / 57
Algoritmos Genticos
Reproduccin
a(f (xi ), Xt ) = f (xi )
(11)
Windowing:
siguiente expresin:
a(f (xi ), Xt ) = f (xi ) fmin (Xt ) + amin
Doctorado en CC.
(12)
April 21, 2012
44 / 57
Algoritmos Genticos
Reproduccin
a(f (xi ), Xt ) = f (xi )
(11)
Windowing:
siguiente expresin:
a(f (xi ), Xt ) = f (xi ) fmin (Xt ) + amin
(12)
donde fmin (Xt ) es la evaluacin mnima hallada en la poblacin Xt , y

amin (opcional) es una aptitud mnima de sobrevivencia para garantizar la
reproduccin de los cromosomas menos aptos.
Doctorado en CC.
April 21, 2012
44 / 57
Algoritmos Genticos
Reproduccin
Normalizacin lineal:
Sea una poblacin Xt con m individuos ordenada por las evaluaciones Ft .
La idea es ajustar las aptitudes desde un vmin hasta un vmax con pasos
fijos como se indica en el algoritmo:
Doctorado en CC.
April 21, 2012
45 / 57
Algoritmos Genticos
Reproduccin
Normalizacin lineal:
Sea una poblacin Xt con m individuos ordenada por las evaluaciones Ft .
La idea es ajustar las aptitudes desde un vmin hasta un vmax con pasos
fijos como se indica en el algoritmo:
Requiere: Xt , Ft
Requiere: vmin , vmax
ordenar Xt decrecientemente segn Ft
i=0
mientras i < m hacer
crear At = {ai }m
i=1 usando:
(vmax vmin )
(i 1)
ai = vmin +
m1
i =i +1
fin mientras
Doctorado en CC.
April 21, 2012
45 / 57
Algoritmos Genticos
Reproduccin
Sea una poblacin X = {xi }6i=1 , cuyas evaluaciones f (xi ) son las
especificadas en la segunda columna de la tabla:
Doctorado en CC.
April 21, 2012
46 / 57
Algoritmos Genticos
Reproduccin
xi
f (xi )
x6
x5
x4
x3
x2
x1
200
9
8
7
4
1
ai
hvmin , vmax i = h10, 60i
ai
60
50
40
30
20
10
101
81
61
41
21
1
Doctorado en CC.
April 21, 2012
46 / 57
Algoritmos Genticos
Reproduccin
xi
f (xi )
x6
x5
x4
x3
x2
x1
200
9
8
7
4
1
ai
ai
60
50
40
30
20
10
101
81
61
41
21
1
x6 es un sper-individuo
Existe competicin prxima entre x3 , x4 y x5 ,
Doctorado en CC.
April 21, 2012
46 / 57
Algoritmos Genticos
Reproduccin
Evaluacin y aptitud normalizada (lineal)
200
150
Aptitud
f(x)
100
vmin = 1
vmax = 101
50
0
x1
vmin = 10
vmax = 60
x2
x3
x4
x5
x6
Individuos
Doctorado en CC.
April 21, 2012
47 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
Se debe tratar la brecha generacional que se refiere a la transicin de
individuos de la poblacin Xt a la poblacin Xt+1 .
Doctorado en CC.
April 21, 2012
48 / 57
Algoritmos Genticos
Reproduccin
Elitismo:
Consiste en tener una copia del mejor individuo xbest Xt para colocarlo
en la poblacin Xt+1 despus del proceso de evolucin (seleccin,
reproduccin, evaluacin).
Doctorado en CC.
April 21, 2012
48 / 57
Algoritmos Genticos
Reproduccin
Elitismo:
Se reduce el efecto aleatorio del proceso evolutivo
Doctorado en CC.
April 21, 2012
48 / 57
Algoritmos Genticos
Reproduccin
Elitismo:
Se garantiza que el mejor individuo xbest Xt+1 ser siempre mejor o
igual a xbest Xt
Doctorado en CC.
April 21, 2012
48 / 57
Algoritmos Genticos
Reproduccin
Elitismo:
Se garantiza que el mejor individuo xbest Xt+1 ser siempre mejor o
igual a xbest Xt
Se prueba que el Elitismo es condicion necesaria para la convergencia
al ptimo [Rudolph, 1994].
Doctorado en CC.
April 21, 2012
48 / 57
Algoritmos Genticos
Reproduccin
Steady-state
Existe un reemplazo parcial de los individuos de Xt al generar Xt+1 . La
metodologa de realizacin de Steady State es la siguiente
Doctorado en CC.
April 21, 2012
49 / 57
Algoritmos Genticos
Reproduccin
Steady-state
seleccionar k < m individuos de Xt
operar estos k individuos (cruces, mutacion)
eliminar los k peores elementos de Xt
obtener Xt+1 insertando los n individuos generados
Doctorado en CC.
April 21, 2012
49 / 57
Algoritmos Genticos
Reproduccin
Steady-state
seleccionar k < m individuos de Xt
operar estos k individuos (cruces, mutacion)
eliminar los k peores elementos de Xt
obtener Xt+1 insertando los n individuos generados
donde k es la fraccin de individuos a reemplazarse, k < m, y se define

k = GAP m.
Doctorado en CC.
April 21, 2012
49 / 57
Algoritmos Genticos
Reproduccin
Steady-state - funcionamiento
x16
x15
x14
x13
x12
x11
x10
x09
x08
x07
x06
x05
x04
x03
x02
x01
99
95
81
76
67
58
44
42
36
22
20
19
17
10
8
5
Poblacion Xt y
evaluaciones f (xi )
99
95
81
76
67
58
44
42
36
22
38
6
121
88
58
17
38
6
121
88
58
17
k nuevos
individuos
Doctorado en CC.
reemplazar los
k peores
121
99
95
88
81
76
67
58
58
44
42
38
36
22
17
6
Poblacion Xt+1 y
evaluaciones f (xi )
April 21, 2012
50 / 57
Algoritmos Genticos
Reproduccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Doctorado en CC.
April 21, 2012
51 / 57
Algoritmos Genticos
Reproduccin
Evita las repeticiones que son ms frecuentes en poblaciones con
Steady-state que son ms estticas.
Doctorado en CC.
April 21, 2012
51 / 57
Algoritmos Genticos
Reproduccin
Ms eficiencia en el paralelismo de bsqueda, dado que se garantizan
elementos diferentes (diversidad).
Doctorado en CC.
April 21, 2012
51 / 57
Algoritmos Genticos
Reproduccin
Doctorado en CC.
April 21, 2012
51 / 57
Algoritmos Genticos
Reproduccin
Dado un individuo repetido:
Se reemplaza por un nuevo individuo generado aleatoriamente
(verificando que no sea repetido)
Doctorado en CC.
April 21, 2012
51 / 57
Algoritmos Genticos
Reproduccin
Dado un individuo repetido:
Se reemplaza por un nuevo individuo generado aleatoriamente
(verificando que no sea repetido)
Se opera (cruzar o mutar) hasta obtener un individuo diferente
Doctorado en CC.
April 21, 2012
51 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Para verificar el comportamiento de una poblacin X durante las
generaciones, se emplean curvas de desempeo de las ejecuciones de un
algoritmo que son los siguientes tipos:
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva best-so-far
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva best-so-far
Curva online
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva best-so-far
Curva online
Curva offline
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva best-so-far
Curva online
Curva offline
Curva best-so-far:
Observa los valores xbest (t) durante las generaciones 1 t:
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva best-so-far
Curva online
Curva offline
Curva best-so-far:
(13)
vbest (t) = f (xbest )(t)
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva best-so-far
Curva online
Curva offline
Curva best-so-far:
(13)
vbest (t) = f (xbest )(t)
donde f (xbest )(t) es la evaluacin del mejor elemento de la generacin t.
Doctorado en CC.
April 21, 2012
52 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva online:
Visualiza la rpida obtencin de buenas soluciones y la convergencia
de la poblacin.
Doctorado en CC.
April 21, 2012
53 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva online:
de la poblacin.
Cada punto de la curva es dado por :
von (t) =
t
1 X
f (Xt )
t + 1 i=0
Doctorado en CC.
(14)
April 21, 2012
53 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva online:
de la poblacin.
Cada punto de la curva es dado por :
von (t) =
t
1 X
f (Xt )
t + 1 i=0
(14)
donde f (Xt ) es la media de las evaluaciones de todos los individuos

xi Xt , para la generacin t (t = 0 es la poblacin inicial).
Doctorado en CC.
April 21, 2012
53 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva off-line:
Visualiza la obtencin de buenas soluciones sin importar el tiempo
tomado para encontrarlas.
Doctorado en CC.
April 21, 2012
54 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva off-line:
Cada punto de la curva es dado por:
voff (t) =
t
1 X
f (xbest )(t)
t + 1 i=0
Doctorado en CC.
(15)
April 21, 2012
54 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva off-line:
voff (t) =
t
1 X
f (xbest )(t)
t + 1 i=0
(15)
donde f (xbest )(t) es la evaluacin del mejor elemento de la

generacin t, (t = 0 es la poblacin inicial).
Doctorado en CC.
April 21, 2012
54 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Curva off-line:
voff (t) =
t
1 X
f (xbest )(t)
t + 1 i=0
(15)
donde f (xbest )(t) es la evaluacin del mejor elemento de la

generacin t, (t = 0 es la poblacin inicial).
Son necesarias muchas ejecuciones y curvas online, off-line medias para
tener una mejor visualizacin del comportamiento de un algoritmo
gentico.
Doctorado en CC.
April 21, 2012
54 / 57
Algoritmos Genticos
Monitoreo de un AG
Monitoreo de un AG
Ejemplo de Curvas off/online, best-so-far
Optimizaci
on de localizaci
on y n
umero de pozos
Valor Presente Neto
Curvas de monitoreo
Curva online
1,600
Curva off-line
1,500
Curva best-so-far
1,400
1,300
1,200
1,100
1,000
900
800
700
600
500
400
300
200
1 4 7 11 17 23 29 35 41 47 53 59 65 71 77 83 89 95 102 110 118 126 134 142 150 158 166 174 182 190 198
Iteraciones
Doctorado en CC.
April 21, 2012
55 / 57
Bibliografa
Bibliografa I
Goldberg, D. E. (1989).
Genetic Algorithms in Search, Optimization and Machine Learning.
Addison-Wesley Publishing Co., Reading, Massachusetts.
Holland, J. H. (1962a).
Concerning efficient adaptive systems.
In Yovits, M. C., Jacobi, G. T., and Goldstein, G. D., editors,
Self-Organizing Systems1962, pages 215230. Spartan Books,
Washington, D.C.
Holland, J. H. (1962b).
Outline for a logical theory of adaptive systems.
Journal of the Association for Computing Machinery, 9:297314.
Doctorado en CC.
April 21, 2012
56 / 57
Bibliografa
Bibliografa II
Michalewicz, Z. (1996).
Genetic Algorithms + Data Structures = Evolution Programs.
Springer-Verlag, New York, third edition.
Rudolph, G. (1994).
Convergence analysis of canonical genetic algorithms.
IEEE Transactions on Neural Networks, 5:96101.
Wetzel, A. (1983).
Evaluation of the effectiveness of genetic algorithms in combinatorial
optimization.
PhD thesis, University of Pittsburgh, Pittsburgh, Philadelphia, USA.
Doctorado en CC.
April 21, 2012
57 / 57

Algoritmos Geneticos

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

Algoritmos Geneticos

Caricato da

Copyright:

Formati disponibili

Algoritmos Genticos

D.Sc. Yvn Jess Tpac Valdivia

April 21, 2012

April 21, 2012

Denominados inicialmente planes reproductivos genticos.

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Denominados inicialmente planes reproductivos genticos.

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Denominados inicialmente planes reproductivos genticos.

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Denominados inicialmente planes reproductivos genticos.

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Denominados inicialmente planes reproductivos genticos.

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Denominados inicialmente planes reproductivos genticos.

April 21, 2012

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

[Michalewicz, 1996] afirma que para poder aplicar el algoritmo gentico se

April 21, 2012

Algoritmo Gentico Cannico

Algoritmo Gentico Cannico

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Algoritmo Gentico Cannico

Algoritmo Gentico Cannico

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Algoritmo Gentico Cannico

Algoritmo Gentico Cannico

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Algoritmo Gentico Cannico

Algoritmo Gentico Cannico

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Algoritmo Gentico Cannico

El pseudocdigo para un algoritmo bsico es el siguiente:

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012

Algoritmo Gentico Cannico

El pseudocdigo para un algoritmo bsico es el siguiente:

Tpac, Y. Computacin Evol (UNSA)

April 21, 2012