UNIVERSIDAD BICENTENARIA DE ARAGUA

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA SISTEMAS

ANTECEDENTES DE LOS ALGORITMOS GENÉTICOS

(Análisis)

FACILITADOR: PARTICIPANTE:
Ing. Mcs. Lisset Ortega. Br. Irene Carrasquel.
C.I. N° 26.539.128

Biruaca, Agosto de 2.019.

 ANTECEDENTES DE LOS ALGORITMOS GENÉTICOS

Dicha temática compone la rama de la computación y la inteligencia artificial que

comprende métodos de búsqueda y aprendizaje automatizado inspirados en los mecanismos
de la evolución natural. La Computación evolutiva es una rama de la Computación y la
Inteligencia artificial que comprende métodos de búsqueda y aprendizaje automatizado
inspirados en los mecanismos de la evolución natural. Diversos enfoques a la computación
evolutiva han sido propuestos: las estrategias evolutivas, los algoritmos genéticos, la
programación genética y los clasificadores genéticos entre otros. A estos métodos se les
denomina de manera colectiva como algoritmos evolutivos, entre los cuales los más
conocidos son probablemente los algoritmos genéticos.

Un algoritmo evolutivo es una técnica de resolución de problemas inspirada en la

evolución de los seres vivos. En un algoritmo evolutivo se define una estructura de datos
que administran todas las posibles soluciones a un problema. Cada uno de los posibles
conjuntos de datos admitidos por esa estructura será una solución al problema. Unas
soluciones serán mejores, otras peores. Solucionar el problema consistirá en encontrar la
solución óptima, y por tanto, los Algoritmos Evolutivos son en realidad un método de
búsqueda. Pero un método de búsqueda muy especial, en el que las soluciones al problema
son capaces de reproducirse entre sí, combinando sus características y generando nuevas
soluciones. En cada ciclo se seleccionan las soluciones que más se acercan al objetivo
buscado, eliminando el resto de soluciones. Las soluciones seleccionadas se reproducirán
entre sí, permitiendo de vez en cuando alguna mutación o modificación al azar durante la
reproducción.

La Computación evolutiva constituye una de las áreas más activas de la llamada

“inteligencia computacional”, que agrupa además las redes neuronales y los sistemas. Estas
técnicas han logrado un gran número de aplicaciones exitosas en la industria y el comercio.
Los algoritmos evolutivos se han utilizado también como herramientas de modelaje y
resolución de problemas en las ciencias naturales. Clasificación de procedimientos de
optimización Basada en la naturaleza de las soluciones numéricos (completamente
especificada en términos de un conjunto de m parámetros) combinatorios (basadas en el
orden) El algoritmo evolutivo trabaja sobre individuos que representan potenciales
soluciones al problema, codificados de acuerdo a un mecanismo prefijado. Los individuos
son evaluados de acuerdo a una función que toma en cuenta la adecuación de cada solución
al problema que se intenta resolver. La operativa del algoritmo evolutivo comienza con una
etapa de inicialización de los individuos, que puede ser completamente aleatoria,
muestreando al azar diferentes secciones del espacio de soluciones, o guiada de acuerdo a
características del problema a resolver. El algoritmo evolutivo podría inclusive tomar como
población inicial individuos resultantes como salida de algún otro algoritmo heurístico de
resolución que permitiera calcular buenas soluciones iniciales aproximadas para el
problema.

La operativa del algoritmo evolutivo comienza con una etapa de inicialización de

los individuos, que puede ser completamente aleatoria, muestreando al azar diferentes
secciones del espacio de soluciones, o guiada de acuerdo a características del problema a
resolver. Podría inclusive tomar como población inicial individuos resultantes como salida
de algún otro algoritmo heurístico de resolución que permitiera calcular buenas soluciones
iniciales aproximadas para el problema.

La evolución propiamente dicha se lleva a cabo en el ciclo que genera nuevos

individuos a partir de la población actual mediante un procedimiento de aplicación de
operadores estocásticos. En este ciclo se distinguen cuatro etapas: Evaluación: etapa que
consiste en asignar un valor de adecuación (fitness) a cada individuo en la población. Este
valor evalúa que tan bien resuelve cada individuo el problema en cuestión, y es utilizado
para guiar el mecanismo evolutivo. Selección: proceso que determina candidatos
adecuados, de acuerdo a sus valores de fitness, para la aplicación de los operadores
evolutivos con el objetivo de engendrar la siguiente generación de individuos. Aplicación
de los operadores evolutivos: etapa que genera un conjunto de descendientes a partir de los
individuos seleccionados en la etapa anterior. Reemplazo: mecanismo que realiza el
recambio generacional, sustituyendo individuos de la generación anterior por descendientes
creados en la etapa anterior.
 Por otro lado, encontramos la clasificación de los procedimientos de optimización,
entre los que tenemos los siguientes: en primer lugar los basados en la naturaleza de
las soluciones; los cuales pueden ser numéricos (completamente especificada en términos
de un conjunto de m parámetros) y combinatorios (basadas en el orden). En segundo lugar
están los basados en el grado de aleatoriedad que se le da al proceso de búsqueda que son
los deterministas (procedimiento de búsqueda dirigido: en las mismas condiciones de
partida proporciona idénticos resultados), los cuales requieren mucho conocimiento
adicional de la función objetivo ; los aleatorios (al azar: usa argumentos estadísticos), los
cuales no requiere ninguna información adicional y se puede aplicar a cualquier tipo de
problema; y los estocásticos (orientadas: la componente determinista orienta la dirección de
búsqueda, y la aleatoria se encarga de la búsqueda local). En tercer lugar tenemos los
basados en la información disponible sobre la función a optimizar, es decir, búsquedas
ciegas (el proceso a optimizar funciona como caja negra) y búsquedas heurísticas (se
dispone de cierta información explícita sobre el proceso a optimizar).

Así mismo, tenemos que la teoría moderna de optimización está constituida por un
conjunto de resultados y métodos analíticos y numéricos enfocados a encontrar e identificar
al mejor candidato de entre una colección de alternativas, sin tener que enumerar y evaluar
explícitamente todas esas alternativas. Estas comprender, añadir conocimiento específico a
un problema En problemas reales de mediana complejidad resulta muy difícil; además, se
tiene que el conocimiento específico sólo sirve cuando es de muy buena calidad y también,
acentúa la tendencia a estancar la búsqueda en óptimos locales.

Entre tanto, se debe considerar para ello, la siguiente estructura genética de los
algoritmos evolutivos viene dada por comprender que un algoritmo evolutivo es cualquier
procedimiento estocástico de búsqueda basado en el principio de evolución, donde este
principio de evolución comprende la supervivencia del más apto y la adaptación al entorno.
Además, se dice que los más aptos tienen más posibilidades de sobrevivir y más
oportunidades de transmitir sus características a las generaciones siguientes. Así también
donde la población es un conjunto de candidatos a soluciones de un problema y donde al
ejecutar un AE una población de individuos es sometida a una serie de transformaciones
con las que se actualiza la búsqueda y después de un proceso de selección que favorece a
los mejores individuos.

Así mismo, encontramos la estructura de la computación evolutiva la comprende

una representación o codificación de las soluciones potenciales al problema bajo estudio;
una población (conjunto de individuos) de estas soluciones potenciales; mecanismos para
generar nuevos individuos o soluciones potenciales al problema estudiado, a partir de los
miembros de la población actual (los denominados operadores de mutación y
recombinación); una función de desempeño o evaluación (del inglés fitness function ) que
determina la calidad de los individuos en la población en su capacidad de resolver el
problema bajo estudio; y, un método de selección que otorgue mayores chances de
sobrevivir a las buenas soluciones.

Por otro, lado tenemos que las herramientas para poder emular un proceso de
evolución de un algoritmo genético con los individuos que comprende la población de
posibles soluciones debidamente representadas; la selección que son el procedimiento
basado en la aptitud de los individuos; y la transformación que no es más que la
construcción de nuevas soluciones a partir de las disponibles.

Finalmente, podemos encontrar diversos paradigmas fundamentales que permiten

estudiar la contextualización de los algoritmos géticos entre los cuales tenemos: el
algoritmo genético que hace evolucionar una población de enteros binarios sometiéndolos
a transformaciones unitarias y binarias genéricas y a un proceso de selección, luego
tenemos los programas evolutivos donde se hace evolucionar una población de estructuras
de datos sometiéndolas a una serie de transformaciones específicas y a un proceso de
selección. Luego tenemos las estrategias evolutivas que hace evolucionar una población de
números reales que codifican las posibles soluciones de un problema numérico y los
tamaños de salto. La selección es implícita. Y por último, tenemos la programación
evolutiva en la cual se hace evolucionar una población de máquinas de estados finitos
sometiéndolas a transformaciones unitarias.