Introducción al Algoritmo Genético

1. INTRODUCCIÓN
Un algoritmo es una serie de pasos organizados que describe el proceso que se
debe seguir, para dar solución a un problema específico. Son llamados así
porque se inspiran en la evolución biológica y su base genético-molecular.
Los Algoritmos Genéticos son métodos adaptativos que pueden usarse para
resolver problemas de búsqueda y optimización. 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.
MARCO TEÓRICO
ESQUEMA BÁSICO
En la naturaleza todo el proceso de evolución biológica se hace de forma natural
pero para aplicar el algoritmo genético al campo de la resolución de problemas
habrá que seguir una serie de pasos. Una premisa es conseguir que el tamaño
de la población sea lo suficientemente grande para garantizar la diversidad de
soluciones. Se aconseja que la población sea generada de forma aleatoria para
obtener dicha diversidad. En caso de que la población no sea generada de forma
aleatoria habrá que tener en cuenta que se garantice una cierta diversidad en la
población generada. Los pasos básicos de un algoritmo genético son:
• Evaluar la puntuación de cada uno de los cromosomas generados.
• Permitir la reproducción de los cromosomas siendo los más aptos los que
tengan más probabilidad de reproducirse.
• Con cierta probabilidad de mutación, mutar un gen del nuevo individuo
generado.
• Organizar la nueva población.
Estos pasos se repetirán hasta que se dé una condición de terminación. Se
puede fijar un número máximo de iteraciones antes de finalizar el algoritmo

2. genético o detenerlo cuando no se produzcan más cambios en la población
(convergencia del algoritmo). Esta última opción suele ser la más habitual.
Veamos el esquema general de un algoritmo genético simple:
VENTAJAS
• Son intrínsecamente paralelos, es decir, operan de forma simultánea con
varias soluciones, en vez de trabajar de forma secuencial como las
técnicas tradicionales.
• Su habilidad para manipular muchos parámetros simultáneamente.
• No necesitan conocimientos específicos sobre el problema que intentan
resolver.
• Usan operadores probabilísticos, en vez de los típicos operadores
determinísticos de las otras técnicas.
DESVENTAJAS
• Definir una representación del problema.
• Pueden tardar mucho en converger, o no converger en absoluto,
dependiendo en cierta medida de los parámetros que se utilicen en el
tamaño de la población.

3. • Pueden converger prematuramente debido a una serie de problemas.
APLICACIONES
La aplicación más común de los algoritmos genéticos ha sido la solución de
problemas de optimización, en donde han mostrado ser muy eficientes. Sin
embargo, no todos los problemas pudieran ser apropiados para esta técnica. Se
recomienda en general tomar en cuenta las siguientes características del mismo
antes de intentar usarla:
• Su espacio de búsqueda debe estar delimitado dentro de un cierto rango.
• Debe poderse definir una función de aptitud que nos indique qué tan
buena o mala es una cierta respuesta.
• Las soluciones deben codificarse de una forma que resulte relativamente
fácil de implementar en la computadora.
Dentro de los distintos problemas de optimización podemos encontrar unas
áreas de aplicación:
• Diseño por computadora de nuevos materiales que cumplan múltiples
objetivos.
• Asignación de procesos en topologías de redes con procesamiento
distribuido.
• Ubicación de archivos en sistemas de almacenamiento distribuido.
• Diseño de circuitos integrados.
• Optimización de la infraestructura de telefonía celular.
• Ingeniería Aeroespacial.
• Juegos.
• Robótica.
CONCLUSIÓN
Si ya se tiene una forma analítica o matemática para la solución del problema no
se debe usa algoritmos genéticos. Los algoritmos genéticos son actualmente son
una fuente de resolución de problemas complejos al realizar su ejecución en
paralelo pudiendo así obtener diferentes soluciones al problema, como se ha

4. podido observar, no hay ninguna estrategia que sea siempre invencible, sino que
hay un conjunto de estrategias que suelen dar buenos resultados.
Así pues, habrá que ajustar los parámetros de acción en función de cada
problema a modelar para obtener una solución que se adapte mejor a unas
determinadas condiciones.
BIBLIOGRAFÍA
 D.H. Ackley (2010). A Connectionist Machine for Genetic Hillclimbing,
Kluwer Academic Publishers.
 R. Tanese (2011). Parallel genetic algorithm for a hypercube. Proceedings
of the Second International Conference on Genetic Algorithms, 177-183.