Este documento describe el uso de algoritmos genéticos para predecir los cuatro equipos ganadores de la Copa Mundial de Fútbol de 2014. Explica los conceptos básicos de los algoritmos genéticos y cómo imitan el proceso de evolución biológica a través de la selección natural y la supervivencia de los más aptos. Luego detalla los pasos para desarrollar un algoritmo genético utilizando la biblioteca JGAP, incluida la planificación del cromosoma, la implementación de una función de aptitud y la

1. Algoritmo Genético para predecir los cuatro equipos ganadores del
mundial 2014
Cecibel Chamba
Universidad Nacional de Loja
Vanessa Erraez
Universidad Nacional de Loja
Resúmen
En el presente artículo se abordará los conceptos más relevantes relacionados con los algo-
ritmos geneticos,que son métodos adaptativos que se utlizan para implementar búsquedas y
problemas de optimizaión,además se realizará un ejercicio utilizando la libreria JGAP con el
objetivo de mostrar los pasos que se deben seguir para desarrollar un algoritmo genético y
mostrar su funcionamiento.
Introducción
Los Algortimos Genéticos son métodos adaptativos
que pueden usarse para resolver problemas de búsqueda
y optimización.Están basados en el proceso genético de
los organismos vivos. A lo largo de las generaciones, las
poblaciones evolucionan en la naturaleza de acorde con los
principios de la selección natural y la supervivencia de los
más fuertes, postulados por Darwin (1859).Por imitación
de este proceso, los Algoritmos Genéticos son capaces de
ir creando soluciones para problemas del mundo real.La
evolución de dichas soluciones hacia valores óptimos del
problema depende en buena medida de una adecuada
codificación de las mismas.
En la naturaleza los individuos de una poblacion compiten
entre sí en la búsqueda de recursos tales como comida, agua
y refugio, incluso los miembros de una misma especie com-
piten a menudo en la búsqueda de un compañero.Aquellos
individuos que tienen más exito en sobrevivir y en atraer
compañeros tienen mayor probabilidad de generar un gran
número de descendientes.Por el contrario individuos poco
dotados producirán un menor número de descendientes.Esto
significa que los que los genes de los individuos mejor
adaptados se propagarán en sucesivas generaciones hacia
un número de individuos crecientes. La combinación de
buenas características provenientes de diferentes ancestros
puede aveces producir descendientes "superindividuos",
cuya adaptción es mucho mayor que la de cualquiera de
sus ancestros. De esta manera , las especies evolucionan
logrando unas caraterísticas cada vez mejor adaptadas al
entorno en el que viven.
Los Algoritmos Genéticos usan una analogía directa con
el comportamiento natural. Trabajan con una población de
individuos, cada uno de los cuales representa una solución
factible a un problema dado. A cada individuo se le asigna
un valor o puntuación, relacionado con la bondad de dicha
solución. En la naturaleza esto equivaldría al grado de efec-
tividad de un organismo para competir por determinados re-
cursos. Cuanto mayor sea la adaptación de un indiviudo al
problema, mayor será la probabilidad de que el mismo sea
seleccionado para produrcirse, cruzando su material genéti-
co con otro individuo seleccionado de igual forma. Este cruce
producirá nuevos individuos descendientes de los anteriores
los cuales comparten algunas de las características de sus pa-
dres. Cuanto menor se la adaptación de un individuo, menor
será la probabilidad de que dicho individuo sea seleccionado
para la reproducción, y por tanto de que su material genético
de propague en sucesivas generaciones.
El poder de los algoritmos genéticos proviene del hecho
de que se trata de una técnica robusta, y pueden tratar con
éxito una gran variedad de problemas provenientes de dife-
rentes áreas,incluyendo aquellos en los que otros métodos
encuentran dificultades[6]
Desarrollo
Algoritmos Genéticos
Los algoritmos genéticos (AGs) son algoritmos evolu-
tivos que utilizan el principio de la selección natural para
desarrollar un conjunto de soluciones hacia una solución
óptima. AGs no sólo son bastante potentes, pero también
es muy fácil de usar ya que la mayor parte del trabajo
puede ser encapsulada en un único componente, obligando
a los usuarios sólo para definir una función de aptitud que
se utiliza para determinar la forma "buenaüna solución
particular es relativa a otras soluciones (JAGAP, s.f.).
Para comenzar la competición, se generan aleatoriamente
una serie de cromosomas. El algoritmo genético procede de
la forma siguiente:

2. Cecibel Chamba-Vanessa Erraez Tutor: Ing Henry Paz
Algoritmo genético
Evaluar la puntuación (fitness) de cada uno de los ge-
nes.
Permitir a cada uno de los individuos reproducirse, de
acuerdo con su puntuación.
Emparejar los individuos de la nueva población, ha-
ciendo que intercambien material genético, y que al-
guno de los bits de un gen se vea alterado debido a una
mutación espontánea (Guervós, s.f.).
Fases de un Algoritmo Genético
La siguiente figura representa las fases de un Algoritmo
Genético.
Figura 1:Fases de un Algoritmo Genético
(C. Mendaña Cuervo, s.f.)
Operadores Genéticos
Existen tres principales: selección, crossover o cruce ,
mutación, entre otros.
Selección o reproducción: Este operador escoge cro-
mosomas entre la población para efectuar la reproduc-
ción. Cuanto más capaz sea el cromosoma, más veces
será seleccionado para reproducirse.
Cruce:Se trata de un operador cuya labor es elegir
un lugar, y cambiar las secuencias antes y después de
esa posición entre dos cromosomas, para crear nue-
va descendencia (por ejemplo, las cadenas 10010011
y 11111010 pueden cruzarse después del tercer lugar
para producir la descendencia 10011010 y 11110011).
Imita la recombinación biológica entre dos organismos
haploides. .
Mutación: Este operador produce variaciones de mo-
do aleatorio en un cromosoma(por ejemplo, la cadena
00011100 puede mutar su segunda posición para dar
lugar a la cadena 01011100). La mutación puede dar-
se en cada posición de un bit en una cadena, con una
probabilidad, normalmente muy pequeña (por ejemplo
0.001)(Piñero, s.f.).
La siguiente figura representa la estructura de un algoritmo
genético simple (Arranz de la Peña Jorge, s.f.).
Figura 2: Esquema de un algoritmo genético simple
Parámetros de los Algoritmos Genéticos
Para el estudio de los algoritmos genéticos hay que tener
en cuenta una serie de parámetros:
Tamaño de la población
Este parámetro nos indica el número de cromosomas
que tenemos en nuestra población para una generación
determinada. En caso de que esta medida sea insufi-
ciente, el algoritmo genético tiene pocas posibilidades
de realizar reproducciones con lo que se realizaría una
búsqueda de soluciones escasa y poco óptima. Por otro
lado si la población es excesiva, el algoritmo genético
será excesivamente lento. De hecho estudios revelan
que hay un límite a partir del cual es ineficiente elevar
el tamaño de la población puesto que no se consigue
una mayor velocidad en la resolución del problema.
Probabilidad de Cruce
Indica la frecuencia con la que se producen cruces
entre los cromosomas padre es decir, que haya
probabilidad de reproducción entre ellos. En caso
de que no exista probabilidad de reproducción, los
hijos serán copias exactas se los padres. En caso de
haberla, los hijos tendrán partes de los cromosomas
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mverraeaze@unl.edu.ec
2

3. Cecibel Chamba-Vanessa Erraez Tutor: Ing Henry Paz
de los padres. Si la probabilidad de cruce es del
100totalmente por cruce, no por partes.
Probabilidad de Mutación
Nos indica la frecuencia con la que los genes de
un cromosoma son mutados. Si no hay mutación,
los descendientes son los mismos que había tras la
reproducción. En caso de que haya mutaciones, parte
del cromosoma descendiente es modificado y si la
probabilidad de mutación es del 100cromosoma se
cambia. En este caso, no se cambian simplemente
unos bits del cromosoma sino que se cambian todos,
lo que significa que se produce una inversión en el
cromosoma y no una mutación por lo que la población
degenera muy rápidamente (Arranz de la Peña Jorge,
s.f.).
Los Algoritmos Genéticos difieren de los métodos tradicio-
nales de búsqueda y optimización, en cuatro cuestiones esen-
ciales:
Trabajan con un código del conjunto de parámetros,
no con el conjunto mismo (necesitan que el conjunto
de parámetros del problema de optimización esté co-
dificado en cadenas finitas sobre un determinado al-
fabeto). Por trabajar a nivel de código, y no con las
funciones y sus variables de control, como los otros
métodos.
Buscan una población de puntos, noun único punto.
Manteniendo una población de puntos muestrales bien
adaptados, se reduce la probabilidad de caer en una
cima falsa.
Emplean la función objetivo, no necesitan derivadas ni
otra información complementaria, tan difícil a veces
de conseguir. De este modo ganan en eficiencia y en
generalidad.
Se valen de reglas de transición estocásticas, no deter-
ministas. Los Algoritmos Genéticos se valen de opera-
dores aleatorios para guiar la búsqueda de los mejores
puntos.(Piñero, s.f.)
Ventajas y Desventajas
No necesitan conocimientos específicos sobre el pro-
blema que intentan resolver.
Operan de forma simultánea con varias soluciones, en
vez de trabajar de forma secuencial como las técnicas
tradicionales.
Cuando se usan para problemas de optimización ma-
ximizar una función objetivo resultan menos afectados
por los máximos locales (falsas soluciones) que las téc-
nicas tradicionales.
Resulta sumamente fácil ejecutarlos en las modernas
arquitecturas masivamente paralelas.
Usan operadores probabilísticos, en vez de los típicos
operadores determinísticos de las otras técnicas.
Pueden tardar mucho en converger, o no converger en
absoluto, dependiendo en cierta medida de los paráme-
tros que se utilicen tamaño de la población, número de
generaciones, etc.
Pueden converger prematuramente debido a una serie
de problemas de diversa índole.
(Mejía, s.f.)
Algunas aplicaciones de los Algoritmos Genéticos
Los algoritmos genéticos se pueden utilizar en diferentes
problemas, entre ellos:
Optimización: Los algoritmos genéticos han sido uti-
lizados para resolver problemas de optimización nu-
mérica y optimización combinatoria.
Programación automática: Los algoritmos genéti-
cos se han empleado para desarrollar programas pa-
ra tareas específicas, y para diseñar otras estructuras
computacionales tales como el autómata celular y re-
des de clasificación.
Aprendizaje máquina: Entre algunas aplicaciones
tenemos la predicción del tiempo o la estructura de una
proteína. También han servido para desarrolla determi-
nados aspectos de sistemas particulares de aprendizaje,
como puede ser las reglas para sistemas de clasifica-
ción de aprendizaje o sistemas de producción simbóli-
ca, y los sensores para robots.
Algoritmos Genéticos con JGAP
¿Qué es JGAP?
Es un componente de algoritmos genéticos y progra-
mación genética proporciona como un marco de Java.
Proporciona mecanismos genéticos básicos que se pueden
utilizar fácilmente para aplicar los principios evolutivos
a las soluciones de problema Para utilizar JGAP en una
aplicación, hay cinco cosas básicas que se debe hacer:
Paso 1: Planifique su cromosoma
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mverraeaze@unl.edu.ec
3

4. Cecibel Chamba-Vanessa Erraez Tutor: Ing Henry Paz
El corazón del algoritmo genético es el cromosoma.
El cromosoma representa una solución potencial y se
divide en múltiples genes. Los genes en JGAP representan
aspectos distintos de la solución en su conjunto, así como los
genes humanos representan aspectos distintos de personas
individuales, tales como su sexo o color de los ojos. Durante
el proceso de evolución JGAP, los cromosomas están
expuestos a múltiples operadores genéticos que representan
el apareamiento, mutación, etc y luego se eligen para la
próxima generación durante una fase de la selección natural
en base a su .aptitud", que es una medida de la solución
óptima que es en relación con otras posibles soluciones.
La meta entera del algoritmo genético es imitar el proceso
natural de la evolución con el fin de producir soluciones
superiores.
Paso 2: Implementación de una función de aptitud
JGAP está diseñado para hacer casi todo el trabajo evo-
lutivo de una manera relativamente genérico. Sin embargo,
no se tiene conocimiento de la problemática específica que
en realidad estás tratando de resolver, y por lo tanto no
tiene manera intrínseca de decidir si una posible solución es
mejor que otra posible solución para su problema específico.
Ahí es donde la función de aptitud entra en juego: se trata
de un método único que debe implementar que acepte una
solución potencial al mproblema y devuelve un valor entero
que indica lo bien (o .ajuste") que la solución está en relación
con otras posibles soluciones. Cuanto mayor sea el número,
mejor será la solución. Cuanto más bajo sea el número (1
es el valor más bajo de la aptitud legal), el más pobre es la
solución. JGAP utilizará estas mediciones de la aptitud para
evolucionar la población de soluciones hacia un sistema más
óptimo de las soluciones.
Paso 3: Configuración de un objeto de configuración
JGAP está diseñado para ser muy flexible y conectable.
Si lo desea, puede crear sus propios operadores genéticos,
generadores de números aleatorios, selectores naturales,
y así sucesivamente. Para apoyar todo esto, JGAP utiliza
un objeto de configuración que debe ser configurado con
todos los ajustes que desee antes de usar el motor genético.
Afortunadamente, nos damos cuenta de que la mayoría de la
gente va a querer usar los componentes de las poblaciones,
por lo que incluimos una clase DefaultConfiguration que
ya viene configurado con los ajustes más comunes. Sólo
tiene que proporcionar tres piezas extra de información:
¿qué función de aptitud que desea utilizar, cómo quiere
la configuración de sus cromosomas , y el número de
cromosomas que quiere en su población.
Paso 4:Crear una Población
Cada solución potencial está representado por un cromo-
soma. Una población de cromosomas se llama genotipo, y
que es la clase que tenemos que construir para crear nuestra
población.Para crear la población se utiliza la siguiente línea
de código.
Genotipo p=Genotype.randomInitialGenotype(conf);
Paso 5: Evolucionar la población
Una vez realizada la configuración, se empieza a evo-
lucionar la población hasta que contenga algunas de las
posibles soluciones .La evolución de la población de un
ciclo es otra de una sola línea:(JAGAP, s.f.)
population.evolve ();
Ejercicio
Algoritmo Genético utlizando JGAP
Código
Botón Posibles Ganadores
Función para seleccionar los mejores equipos
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mverraeaze@unl.edu.ec
4

5. Cecibel Chamba-Vanessa Erraez Tutor: Ing Henry Paz
Funcion Fitness
Todos los valores se han considerado de manera que se
pueda tener un mayor peso en el número de copas
Los parámetros que se evalúan son:
Número de Copas, valor al que se suma 3 para compensar
los posibles valores negativos considerados en el resultado
de los partidos.
Posición en el Ranking de la fifa; Para obtener este valor
se divide 1 para la posición del ranking de la fifa con la
finalidad que a menor posición se obtenga un mayor valor.
El resultado de los tres últimos partidos multiplicado
por (0,5).
sumando 1 si el partido ha sido ganado
restando 1 si el partido se ha perdido
se asigna 0 si ha habido un empate
Resultado de la ejecución
Ventana principal de Algoritmos genéticos: Cálculo de
los mejores equipos del mundial
Al hacer clic en el botón Posibles Ganadores nos presenta
los Cuatro equipos más opcionados a ganar, de acuerdo al nú-
mero de copas obtenidas en mundiales anteriores, al ranking
de la Fifa y al resultado de los tres últimos partidos jugados.
En esta vantana también se puede editar los datos de un
equipo previamente seleccionado
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mverraeaze@unl.edu.ec
5

6. Cecibel Chamba-Vanessa Erraez Tutor: Ing Henry Paz
Conclusiones
El desarrollo del presente trabajo nos permitió enten-
der de mejor de manera el funcionamiento de un algo-
ritmo genético
En el desarrollo de un algoritmo genético se realiza
un análisis, se plantea la estructura del cromosoma, la
población con la que se trabajará, los métodos de eva-
luación, selección, cruzamiento y mutación
Recomendación
Para el desarrollo un Algoritmo Genético es recomen-
dable realizar un estudio sobre el tamaño de la pobla-
ción y la cantidad de evoluciones que se debe utilizar
en el modelo a implementarse, ya que esto influye en
el comportamiento del Algoritmo Genético y la ejecu-
ción del sistema.
Disponible en: https://github.com/yece/equiposJGAP
Referencias
Arranz de la Peña Jorge, P. T. A. (s.f.).
Algoritmos genéticos. Descargado de
http://www.it.uc3m.es/jvillena/irc/practicas/
06-07/05.pdf
C. Mendaña Cuervo, E. L. (s.f.). La gestión presupuestaria
de distribución con un algoritmo genético borroso. Descar-
gado de http://www.scielo.cl/scielo.php?pid=S0718-
07642005000300007script=sciarttext f3
Guervós, J. J. M. (s.f.). Informática evo-
lutiva:algoritmos genéticos. Descargado de
http://geneura.ugr.es/ jmerelo/ie/ags.htm
Jagap. (s.f.). Descargado de
http://jgap.sourceforge.net/index.html
Mejía, F. (s.f.). Artificial intelligence. Descarga-
do de http://nando1-utb.blogspot.com/p/algoritmos
-geneticos.html
Piñero, P. T. R. (s.f.). Algoritmos genéticos. Descargado de
http:// www.uv.es/asepuma/X/J24C.pdf
UNIVERSIDAD NACIONAL DE LOJA
ycchamabaj@unl.edu.ec, mverraeaze@unl.edu.ec
6