Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Objetivo
Explicar el concepto de Algoritmo
Gentico, as como todos los aspectos que
lo rodean.
Cuando el AG es implementado, se
hace de forma que involucre el siguiente
ciclo:
1. Generacin de una poblacin inicial
de manera aleatoria.
2. Evaluar el desempeo de todos los
individuos de la poblacin,
tomando en cuenta alguna funcin
objetivo.
3. Crear una nueva poblacin
mediante
la
ejecucin
de
operaciones como el crossover y
mutacin sobre individuos cuyo
desempeo haya sido evaluado.
4. Descartar la poblacin vieja e iterar
usando la nueva, hasta que el
nmero de generaciones alcanza al
criterio de terminacin.
Una iteracin de este ciclo constituye una
generacin. Este comportamiento puntual
no se observa como un todo dentro de las
poblaciones en la naturaleza pero si
representa un modelo de implementacin
conveniente.
La primera generacin (generacin 0) de
este proceso opera sobre una poblacin de
individuos generados aleatoriamente. Desde
entonces las operaciones genticas en
conjunto con la medida del desempeo
trabajan para mejorar la poblacin.
Estructura
Tipos de Representacin
Durante los primeros aos el tipo de
representacin utilizado era siempre
binario, debido a que se adapta
perfectamente al tipo de operaciones y el
tipo de operadores que se utilizan en un
AG. Sin embargo, las representaciones
binarias no son siempre efectivas por lo que
se empezaron a utilizar otro tipo de
representaciones.
En general, una representacin debe
identicar las caractersticas constituyentes
del conjunto a estudiar, de forma que
distintas representaciones dan lugar a
Tamao de la poblacin
Una cuestin que se puede plantear es la
relacionada con el tamao idneo de la
poblacin. Parece intuitivo que las
poblaciones pequeas corren el riesgo de no
cubrir adecuadamente el espacio de
bsqueda, mientras que el trabajar con
poblaciones de gran tamao puede acarrear
problemas relacionados con el excesivo
costo computacional.
Poblacin Inicial
Habitualmente la poblacin inicial se
escoge al azar. Si los individuos de la
poblacin inicial se obtuviesen como
resultado de alguna tcnica heurstica o de
optimizacin local puede suceder que se
acelere la convergencia del AG. Sin
embargo en algunos casos la desventaja
resulta ser la prematura convergencia del
algoritmo, queriendo indicar con esto la
convergencia hacia ptimos locales.
Funcin Objetivo
El resultado al cual se desea llegar.
Operador de Seleccin
El operador de Seleccin es el encargado de
transmitir
y
conservar
aquellas
caractersticas de las soluciones que se
consideran valiosas a lo largo de las
generaciones. El principal medio para que
la informacin til se transmita es que
aquellos individuos mejor adaptados tengan
Operador de Cruce
El operador de Cruce permite realizar una
exploracin de toda la informacin
almacenada hasta el momento en la
poblacin y combinarla para crear mejores
individuos.
Operador de Mutacin
La mutacin se considera un operador
bsico, que proporciona un pequeo
elemento de aleatoriedad en el entorno de
los individuos de la poblacin. Si bien el
operador de cruce es el responsable de
efectuar la bsqueda a lo largo del espacio
de posibles soluciones, el operador de
mutacin va ganando en importancia a
medida que la poblacin de individuos va
convergiendo.
El objetivo del operador de mutacin es
producir nuevas soluciones a partir de la
modicacin de cierto nmero de genes de
una solucin existente, con la intencin de
fomentar la variabilidad dentro de la
poblacin. Existen muy diversas formas de
realizar la mutacin, desde la ms sencilla
(puntual),
donde
cada
gen
muta
aleatoriamente con independencia del resto
de genes, hasta conguraciones ms
complejas donde se tienen en cuanta la
estructura del problema y la relacin entre
los distintos genes.
Desventajas
Ventajas
La primera y ms importante
consideracin al crear un AG es denir
una representacin del problema. El
lenguaje utilizado para especicar
En
1975
apareci
el
trabajo
fundamental en el campo de los
algoritmos genticos con la publicacin
del libro Adaptacin en Sistemas
Naturales y Artificiales de John
Holland'.
Fundamentos biolgicos.
En la naturaleza, los individuos de una
poblacin compiten constantemente con
otros por recursos tales como la comida,
agua y refugio. Los individuos que tienen
ms xito en la lucha por los recursos
tienen
mayores
probabilidades
de
sobrevivir
y
generalmente
una
descendencia mayor. Al contrario, los
individuos peor adaptados tienen un menor
nmero de descendientes, o incluso
ninguno. Esto implica que los genes de los
individuos mejor adaptados se propagarn a
un nmero cada vez mayor de individuos de
las sucesivas generaciones.
La combinacin de caractersticas buenas
de diferentes ancestros puede originar en
ocasiones que la descendencia est incluso
mejor adaptada al medio que los padres. De
esta manera, las especies evolucionan
adaptndose ms y ms al medio a medida
que transcurren las generaciones [Beasley
et al., 1993].
Pero la adaptacin de un individuo no slo
est determinada por su composicin
gentica. Influyen otros factores como el
aprendizaje, en ocasiones adquirido por el
mtodo de prueba y error, en ocasiones
adquirido
por
imitacin
del
comportamiento de los padres. Para imitar
esta adquisicin de conocimiento se han
desarrollado variantes como el Ajuste Fino,
consistentes en pequeas modificaciones de
los genes de un cromosoma. Por ejemplo,
estas modificaciones pueden realizarse
tomando como resultado e mejor individuo
tras la ejecucin de varias generaciones de
JAGA:
Software
para
crear
aplicaciones que funcionen con
algoritmos genticos y programacin
gentica.
Programacin Gentica
Material
variable.
gentico
de
longitud
mayora de los
casos estn
definidos de manera que preserven
la
correccin sintctica
del
programa que es el material
gentico, definida por cualquier
lenguaje que se haya escogido para
su representacin.
Conceptos bsicos de la PG
El espacio de bsqueda en la PG es el
espacio de todos los posibles programas de
computador compuestos de funciones y
terminales apropiados al dominio del
problema. Las funciones pueden ser
operaciones aritmticas, operaciones de
programacin, funciones matemticas,
funciones lgicas, o funciones especficas
del dominio.
La PG es un intento de tratar con uno de los
aspectos centrales en ciencias de la
computacin:
Cmo pueden aprender los computadores
a solucionar problemas sin que se les
programe explcitamente? En otras
palabras, cmo podemos hacer para que
los computadores hagan lo que tienen que
hacer, sin necesidad de decirles
exactamente como lo deben hacer?
En la aplicacin de la PG a un problema,
hay cinco pasos preparatorios importantes,
definir:
1.
1.
2.
3.
El conjunto de terminales,
El conjunto de funciones primitivas,
La medida de la aptitud,
Los parmetros para controlar la
corrida, y
4. El mtodo para designar un resultado
y el criterio para terminar la
ejecucin del programa
Paso 1. Consiste en identificar el
conjunto de terminales. Los terminales
son las hojas de los rboles que
corresponden a variables o a valores
constantes, se pueden ver como las
encontrar la
problema.
solucin
de
todo
el
Otra caracterstica de la PG es la
ausencia, o el papel relativamente
mnimo, del pre procesamiento de
entradas y el pos procesamiento de
salidas. Las entradas, resultados
intermedios, y
salidas se expresan
normalmente directamente en trminos
de la terminologa natural del dominio
del problema. El postprocesamiento de
la salida del programa, si lo hay, se hace
con una envoltura (interface de salida).
Finalmente,
otra
caracterstica
importante de la PG es que las
estructuras que sufren la adaptacin
gentica son estructuras activas. Es decir
los cromosomas son el genotipo y
tambin el fenotipo
Reproducir un programa
existente copindolo en la
nueva poblacin.
ii.
iii.
Conclusiones
En esta tesis se realiza un profundo estudio
sobre algoritmos genticos (GAs), un tipo
de algoritmo evolutivo (EA) que utiliza una
poblacin estructurada, de forma que los
individuos que la forman solo pueden
relacionarse con sus vecinos ms prximos.
Inicialmente, se presenta una introduccin
al concepto de optimizacin, y a las
principales (y ms modernas) tcnicas de
Bibliografa
GOLDBERG,
D.E.
Genetic
Algorithms in Search, Optimization
& Machine Learning. Reading:
Addison-Wesley, 1989.
MITCHELL, M. An Introduction
To Genetic Algorithms.
Eight
edition. Cambridge: MIT Press,
2002.