Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Doctorado en CC.
1 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Doctorado en CC.
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Doctorado en CC.
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Doctorado en CC.
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Doctorado en CC.
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Doctorado en CC.
2 / 57
Algoritmos Genticos
Algoritmos Genticos
Introduccin
Doctorado en CC.
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.
3 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
Doctorado en CC.
4 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
Doctorado en CC.
4 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
Doctorado en CC.
4 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
Doctorado en CC.
4 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
Doctorado en CC.
4 / 57
Algoritmos Genticos
Algoritmos Genticos
Componentes de un Algoritmo Gentico
Doctorado en CC.
4 / 57
Algoritmos Genticos
Doctorado en CC.
5 / 57
Algoritmos Genticos
Doctorado en CC.
5 / 57
Algoritmos Genticos
Doctorado en CC.
5 / 57
Algoritmos Genticos
Doctorado en CC.
5 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
Doctorado en CC.
6 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
Doctorado en CC.
6 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
Doctorado en CC.
6 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
Doctorado en CC.
6 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
Doctorado en CC.
6 / 57
Algoritmos Genticos
Algoritmo Gentico
Procedimiento Gentico Elemental
Doctorado en CC.
6 / 57
Algoritmos Genticos
Algoritmo Gentico
Ciclo de un 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.
7 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Doctorado en CC.
8 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Describir adecuadamente el espacio de bsqueda relevante al problema
Doctorado en CC.
8 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Describir adecuadamente el espacio de bsqueda relevante al problema
Codificar genticamente la esencia del problema
Se evoluye el cdigo (fenotipo) se evoluye la solucin (genotipo)
Doctorado en CC.
8 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Describir adecuadamente el espacio de bsqueda relevante al problema
Codificar genticamente la esencia del problema
Se evoluye el cdigo (fenotipo) se evoluye la solucin (genotipo)
Doctorado en CC.
8 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Describir adecuadamente el espacio de bsqueda relevante al problema
Codificar genticamente la esencia del problema
Se evoluye el cdigo (fenotipo) se evoluye la solucin (genotipo)
Doctorado en CC.
8 / 57
Algoritmos Genticos
Representacin
Representacin
Una representacin es fundamental al modelar un algoritmo gentico y
debe cumplir algunas caractersticas como:
Describir adecuadamente el espacio de bsqueda relevante al problema
Codificar genticamente la esencia del problema
Se evoluye el cdigo (fenotipo) se evoluye la solucin (genotipo)
Doctorado en CC.
8 / 57
Algoritmos Genticos
Representacin
Representacin
De acuerdo al mtodo de solucin se tiene algunas representaciones a ser
usadas:
Doctorado en CC.
9 / 57
Algoritmos Genticos
Representacin
Representacin
De acuerdo al mtodo de solucin se tiene algunas representaciones a ser
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.
9 / 57
Algoritmos Genticos
Representacin
Representacin
De acuerdo al mtodo de solucin se tiene algunas representaciones a ser
usadas:
Mtodo de solucin
Numrica
Orden
Grupos
Enteros
Mixto
Representacin (cromosoma)
Binaria, real
Listas
Vectores
Entero
Combinada (por ejemplo: real y listas)
x1
y1
C2
x2
y2
Doctorado en CC.
Binario,
Real,
entero,
mixto
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.
10 / 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
Sea una funcin a optimizar f (x), donde x = {x1 , . . . , xn }.
Doctorado en CC.
10 / 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
Sea una funcin a optimizar f (x), donde x = {x1 , . . . , xn }.
Cada variable xi debe codificarse a una cadena binaria de longitud li ,
usando la codificacin i1 : Qi 7 Bli .
Doctorado en CC.
10 / 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
Sea una funcin a optimizar f (x), donde x = {x1 , . . . , xn }.
Cada variable xi debe codificarse a una cadena binaria de longitud li ,
usando la codificacin i1 : Qi 7 Bli .
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
10 / 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
Sea una funcin a optimizar f (x), donde x = {x1 , . . . , xn }.
Cada variable xi debe codificarse a una cadena binaria de longitud li ,
usando la codificacin i1 : Qi 7 Bli .
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
10 / 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
Sea una funcin a optimizar f (x), donde x = {x1 , . . . , xn }.
Cada variable xi debe codificarse a una cadena binaria de longitud li ,
usando la codificacin i1 : Qi 7 Bli .
El cromosoma total tendr una longitud
x1
i=1 li .
xi
z }| {
100
. . . 1} . . .
| {z
l1
Pn
z }| {
010
. . . 0} . . .
| {z
li
xn
z }| {
110
. . . 0}
| {z
ln
Doctorado en CC.
10 / 57
Algoritmos Genticos
Representacin
Doctorado en CC.
11 / 57
Algoritmos Genticos
Representacin
Doctorado en CC.
(1)
11 / 57
Algoritmos Genticos
Representacin
(1)
Doctorado en CC.
(2)
11 / 57
Algoritmos Genticos
Representacin
Precision
1
10pi
Doctorado en CC.
righti
12 / 57
Algoritmos Genticos
Representacin
Precision
1
10pi
righti
(3)
12 / 57
Algoritmos Genticos
Representacin
Doctorado en CC.
13 / 57
Algoritmos Genticos
Representacin
Doctorado en CC.
(4)
13 / 57
Algoritmos Genticos
Representacin
(4)
xi(real) = lefti +
lX
i 1
2j aj
j=0
Doctorado en CC.
righti lefti
2li 1
(5)
13 / 57
Algoritmos Genticos
Representacin
(4)
xi(real) = lefti +
lX
i 1
2j aj
j=0
righti lefti
2li 1
(5)
Doctorado en CC.
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.
14 / 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.
Se pueden codificar diversos tipos de espacios a binario:
(Z 7 Bl , R 7 Bl , etc.)
Doctorado en CC.
14 / 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.
Se pueden codificar diversos tipos de espacios a binario:
(Z 7 Bl , R 7 Bl , etc.)
Desventajas:
Distancia de Hamming
Doctorado en CC.
14 / 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.
Se pueden codificar diversos tipos de espacios a binario:
(Z 7 Bl , R 7 Bl , etc.)
Desventajas:
Distancia de Hamming
Incremento de la dimensionalidad
Doctorado en CC.
14 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas y desventajas
Doctorado en CC.
15 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas y desventajas
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.
15 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas y desventajas
Doctorado en CC.
16 / 57
Algoritmos Genticos
Representacin
Codificacin Binaria
Ventajas y desventajas
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.
16 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Ciclo de un 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.
17 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Sea la poblacin X = {xi }m
i=1 , donde x = {x1 , . . . , xn }.
Doctorado en CC.
18 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Sea la poblacin X = {xi }m
i=1 , donde x = {x1 , . . . , xn }.
D
(6)
Doctorado en CC.
18 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Sea la poblacin X = {xi }m
i=1 , donde x = {x1 , . . . , xn }.
D
(6)
Doctorado en CC.
18 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Sea la poblacin X = {xi }m
i=1 , donde x = {x1 , . . . , xn }.
D
(6)
Doctorado en CC.
18 / 57
Algoritmos Genticos
Inicializacin de la Poblacin
Inicializacin de la poblacin X0
Sea la poblacin X = {xi }m
i=1 , donde x = {x1 , . . . , xn }.
D
(6)
Doctorado en CC.
18 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Evaluacin y Aptitud
Ciclo de un 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.
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.
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.
20 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Sea la funcin F6 (x1 , x2 ) definida por:
Doctorado en CC.
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Sea la funcin F6 (x1 , x2 ) definida por:
sin
F6 (x1 , x2 ) = 0.5
x12
x22
2
0.5
Doctorado en CC.
(7)
2
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Sea la funcin F6 (x1 , x2 ) definida por:
sin
F6 (x1 , x2 ) = 0.5
x12
x22
2
0.5
(7)
2
Doctorado en CC.
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Sea la funcin F6 (x1 , x2 ) definida por:
sin
F6 (x1 , x2 ) = 0.5
x12
x22
2
0.5
(7)
2
Doctorado en CC.
21 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
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
Tpac, Y. Computacin Evol (UNSA)
5
10
10
Doctorado en CC.
x1
22 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Definiendo el cromosoma e inicializando
Doctorado en CC.
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Definiendo el cromosoma e inicializando
Doctorado en CC.
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Definiendo el cromosoma e inicializando
donde li = 21, 22, 23, 24, seleccionamos li = 22. El cromosoma tendr una
longitud total l1 + l2 = 44 bits.
Doctorado en CC.
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Definiendo el cromosoma e inicializando
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.
23 / 57
Algoritmos Genticos
Evaluacin y Aptitud
Ejemplo de Aplicacin
Evaluando
x1
x2
: B12 7 R2
Fenotipo
Funcion de
evaluacion
x = (x1, x2)
Doctorado en CC.
p
2
sin x21 + x22 0.5
24 / 57
Algoritmos Genticos
Seleccin
Seleccin
Ciclo de un 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.
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.
26 / 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.
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.
26 / 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.
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.
26 / 57
Algoritmos Genticos
Seleccin
Seleccin Proporcional
Dentro de este grupo, se tiene las siguientes estrategias
Doctorado en CC.
27 / 57
Algoritmos Genticos
Seleccin
Seleccin Proporcional
Dentro de este grupo, se tiene las siguientes estrategias
Seleccin por Ruleta (Roulette Selection)
Sobrante Estocstico
Universal Estocstico
Muestreo Determinstico.
Doctorado en CC.
27 / 57
Algoritmos Genticos
Seleccin
Seleccin Proporcional
Dentro de este grupo, se tiene las siguientes estrategias
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.
27 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
28 / 57
Algoritmos Genticos
Seleccin
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
Tpac, Y. Computacin Evol (UNSA)
Doctorado en CC.
28 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
29 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
29 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
29 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
29 / 57
Algoritmos Genticos
Seleccin
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%
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)
31 / 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
(9)
Consiste en:
1
Doctorado en CC.
31 / 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
(9)
Consiste en:
1
Doctorado en CC.
31 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Se ilustra un ejemplo del uso del sobrante estocstico
Doctorado en CC.
32 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Se ilustra un ejemplo del uso del 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
32 / 57
Algoritmos Genticos
Seleccin
Sobrante Estocstico
Se ilustra un ejemplo del uso del 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
Doctorado en CC.
32 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
33 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
33 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
33 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
33 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Doctorado en CC.
34 / 57
Algoritmos Genticos
Seleccin
Seleccin de Boltzmann
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.
35 / 57
Algoritmos Genticos
Seleccin
Seleccin de Boltzmann
Basada en la heurstica de Simulated Annealing variacin de
temperatura:
Temperatura alta al inicio (menor presin selectiva)
Temperatura baja al fina (ms presin selectiva)
t
e f (i)/T
(10)
Doctorado en CC.
35 / 57
Algoritmos Genticos
Seleccin
Seleccin de Boltzmann
Basada en la heurstica de Simulated Annealing variacin de
temperatura:
Temperatura alta al inicio (menor presin selectiva)
Temperatura baja al fina (ms presin selectiva)
t
e f (i)/T
(10)
Doctorado en CC.
35 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Ciclo de un 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.
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.
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Manipulan el genotipo, influyen en la transmisin de la informacin
gentica de padres a hijos.
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.
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Manipulan el genotipo, influyen en la transmisin de la informacin
gentica de padres a hijos.
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
cruce de dos puntos
Doctorado en CC.
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Manipulan el genotipo, influyen en la transmisin de la informacin
gentica de padres a hijos.
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
cruce de dos puntos
cruce uniforme
Doctorado en CC.
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Manipulan el genotipo, influyen en la transmisin de la informacin
gentica de padres a hijos.
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
cruce de dos puntos
cruce uniforme
Doctorado en CC.
37 / 57
Algoritmos Genticos
Reproduccin
Operadores Genticos
Manipulan el genotipo, influyen en la transmisin de la informacin
gentica de padres a hijos.
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
cruce de dos puntos
cruce uniforme
Doctorado en CC.
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.
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
Hijo 1
Individuo 2
Hijo 2
Punto de corte
Doctorado en CC.
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.
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
Hijo 1
Individuo 2
Hijo 2
Intervalo de
corte
Intervalo de
corte
Doctorado en CC.
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.
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.
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.
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.
41 / 57
Algoritmos Genticos
Reproduccin
Doctorado en CC.
42 / 57
Algoritmos Genticos
Reproduccin
Doctorado en CC.
42 / 57
Algoritmos Genticos
Reproduccin
Doctorado en CC.
42 / 57
Algoritmos Genticos
Reproduccin
Doctorado en CC.
42 / 57
Algoritmos Genticos
Reproduccin
Doctorado en CC.
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.
43 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Durante el clculo de la aptitud de la poblacin, se puede encontrar los
dos siguientes problemas:
Poca presin selectiva: Aptitudes con valores similares, haciendo la
seleccin muy prxima a la bsqueda aleatoria.
Doctorado en CC.
43 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Durante el clculo de la aptitud de la poblacin, se puede encontrar los
dos siguientes problemas:
Poca presin selectiva: Aptitudes con valores similares, haciendo la
seleccin muy prxima a la bsqueda aleatoria.
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.
43 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Durante el clculo de la aptitud de la poblacin, se puede encontrar los
dos siguientes problemas:
Poca presin selectiva: Aptitudes con valores similares, haciendo la
seleccin muy prxima a la bsqueda aleatoria.
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.
Para tratar estos efectos se realiza ajustes en las aptitudes:
Aptitud = Evaluacin
Doctorado en CC.
43 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Durante el clculo de la aptitud de la poblacin, se puede encontrar los
dos siguientes problemas:
Poca presin selectiva: Aptitudes con valores similares, haciendo la
seleccin muy prxima a la bsqueda aleatoria.
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.
Para tratar estos efectos se realiza ajustes en las aptitudes:
Aptitud = Evaluacin
Windowing
Doctorado en CC.
43 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Durante el clculo de la aptitud de la poblacin, se puede encontrar los
dos siguientes problemas:
Poca presin selectiva: Aptitudes con valores similares, haciendo la
seleccin muy prxima a la bsqueda aleatoria.
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.
Para tratar estos efectos se realiza ajustes en las aptitudes:
Aptitud = Evaluacin
Windowing
Normalizacin lineal
Doctorado en CC.
43 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Aptitud = evaluacin:
Cuando no hay necesidad de ajustes en la funcin de evaluacin f (xi ) para
obtener la aptitud, entonces:
Doctorado en CC.
44 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Aptitud = evaluacin:
Cuando no hay necesidad de ajustes en la funcin de evaluacin f (xi ) para
obtener la aptitud, entonces:
a(f (xi ), Xt ) = f (xi )
Doctorado en CC.
(11)
44 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Aptitud = evaluacin:
Cuando no hay necesidad de ajustes en la funcin de evaluacin f (xi ) para
obtener la aptitud, entonces:
a(f (xi ), Xt ) = f (xi )
(11)
Windowing:
Cuando existe competicin prxima, se puede ajustar la aptitud usando la
siguiente expresin:
Doctorado en CC.
44 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Aptitud = evaluacin:
Cuando no hay necesidad de ajustes en la funcin de evaluacin f (xi ) para
obtener la aptitud, entonces:
a(f (xi ), Xt ) = f (xi )
(11)
Windowing:
Cuando existe competicin prxima, se puede ajustar la aptitud usando la
siguiente expresin:
a(f (xi ), Xt ) = f (xi ) fmin (Xt ) + amin
Doctorado en CC.
(12)
44 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Aptitud = evaluacin:
Cuando no hay necesidad de ajustes en la funcin de evaluacin f (xi ) para
obtener la aptitud, entonces:
a(f (xi ), Xt ) = f (xi )
(11)
Windowing:
Cuando existe competicin prxima, se puede ajustar la aptitud usando la
siguiente expresin:
a(f (xi ), Xt ) = f (xi ) fmin (Xt ) + amin
(12)
Doctorado en CC.
44 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
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.
45 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
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.
45 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Sea una poblacin X = {xi }6i=1 , cuyas evaluaciones f (xi ) son las
especificadas en la segunda columna de la tabla:
Doctorado en CC.
46 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Sea una poblacin X = {xi }6i=1 , cuyas evaluaciones f (xi ) son las
especificadas en la segunda columna de la tabla:
xi
f (xi )
x6
x5
x4
x3
x2
x1
200
9
8
7
4
1
ai
hvmin , vmax i = h10, 60i
ai
hvmin , vmax i = h1, 101i
60
50
40
30
20
10
101
81
61
41
21
1
Doctorado en CC.
46 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
Sea una poblacin X = {xi }6i=1 , cuyas evaluaciones f (xi ) son las
especificadas en la segunda columna de la tabla:
xi
f (xi )
x6
x5
x4
x3
x2
x1
200
9
8
7
4
1
ai
hvmin , vmax i = h10, 60i
ai
hvmin , vmax i = h1, 101i
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.
46 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Aptitud
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
Tpac, Y. Computacin Evol (UNSA)
Doctorado en CC.
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.
48 / 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 .
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.
48 / 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 .
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).
Se reduce el efecto aleatorio del proceso evolutivo
Doctorado en CC.
48 / 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 .
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).
Se reduce el efecto aleatorio del proceso evolutivo
Se garantiza que el mejor individuo xbest Xt+1 ser siempre mejor o
igual a xbest Xt
Doctorado en CC.
48 / 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 .
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).
Se reduce el efecto aleatorio del proceso evolutivo
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.
48 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
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.
49 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
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
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.
49 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
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
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.
49 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
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 )
Tpac, Y. Computacin Evol (UNSA)
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
Ajustes en la Seleccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Doctorado en CC.
51 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Evita las repeticiones que son ms frecuentes en poblaciones con
Steady-state que son ms estticas.
Doctorado en CC.
51 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Evita las repeticiones que son ms frecuentes en poblaciones con
Steady-state que son ms estticas.
Ms eficiencia en el paralelismo de bsqueda, dado que se garantizan
elementos diferentes (diversidad).
Doctorado en CC.
51 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Evita las repeticiones que son ms frecuentes en poblaciones con
Steady-state que son ms estticas.
Ms eficiencia en el paralelismo de bsqueda, dado que se garantizan
elementos diferentes (diversidad).
Doctorado en CC.
51 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Evita las repeticiones que son ms frecuentes en poblaciones con
Steady-state que son ms estticas.
Ms eficiencia en el paralelismo de bsqueda, dado que se garantizan
elementos diferentes (diversidad).
Dado un individuo repetido:
Se reemplaza por un nuevo individuo generado aleatoriamente
(verificando que no sea repetido)
Doctorado en CC.
51 / 57
Algoritmos Genticos
Reproduccin
Ajustes en la Seleccin
Steady-state sin repetidos:
Es el reemplazo parcial de la poblacin excluyendo los individuos repetidos:
Evita las repeticiones que son ms frecuentes en poblaciones con
Steady-state que son ms estticas.
Ms eficiencia en el paralelismo de bsqueda, dado que se garantizan
elementos diferentes (diversidad).
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.
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.
52 / 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:
Curva best-so-far
Doctorado en CC.
52 / 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:
Curva best-so-far
Curva online
Doctorado en CC.
52 / 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:
Curva best-so-far
Curva online
Curva offline
Doctorado en CC.
52 / 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:
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.
52 / 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:
Curva best-so-far
Curva online
Curva offline
Curva best-so-far:
Observa los valores xbest (t) durante las generaciones 1 t:
(13)
Doctorado en CC.
52 / 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:
Curva best-so-far
Curva online
Curva offline
Curva best-so-far:
Observa los valores xbest (t) durante las generaciones 1 t:
(13)
Doctorado en CC.
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.
53 / 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.
Cada punto de la curva es dado por :
von (t) =
t
1 X
f (Xt )
t + 1 i=0
Doctorado en CC.
(14)
53 / 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.
Cada punto de la curva es dado por :
von (t) =
t
1 X
f (Xt )
t + 1 i=0
(14)
Doctorado en CC.
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.
54 / 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.
Cada punto de la curva es dado por:
voff (t) =
t
1 X
f (xbest )(t)
t + 1 i=0
Doctorado en CC.
(15)
54 / 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.
Cada punto de la curva es dado por:
voff (t) =
t
1 X
f (xbest )(t)
t + 1 i=0
(15)
Doctorado en CC.
54 / 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.
Cada punto de la curva es dado por:
voff (t) =
t
1 X
f (xbest )(t)
t + 1 i=0
(15)
Doctorado en CC.
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.
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.
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.
57 / 57