2. z
Algoritmos Genéticos
Un algoritmo es una serie de pasos organizados que describe el
proceso que se debe seguir, para dar solución a un problema
específico
En los años 1970, de la mano de John Henry Holland, surgió
una de las líneas más prometedoras de la inteligencia artificial,
la de los algoritmos genéticos, (AG) Son llamados así porque se
inspiran en la evolución biológica y su base genético molecular.
3. z
Funcionamiento de un AG BASICO
Un algoritmo genético puede presentar diversas variaciones, dependiendo
de cómo se aplican los operadores genéticos (cruzamiento, mutación), de
cómo se realiza la selección y de cómo se decide el reemplazo de los
individuos para formar la nueva población. En general,
el pseudocódigo consiste de los siguientes pasos
Evaluacion:
A cada uno de los cromosomas de esta población se aplicará la función de
aptitud para saber cómo de "buena" es la solución que se está codificando.
Condicion de termino
El AG se deberá detener cuando se alcance la solución óptima, pero esta
generalmente se desconoce, por lo que se deben utilizar otros criterios de
detención
4. z
Normalmente se usan dos criterios: correr el AG un número
máximo de iteraciones (generaciones) o detenerlo cuando no haya
cambios en la población. Mientras no se cumpla la condición de
término se hace lo siguiente:
Selección: Después de saber la aptitud de cada cromosoma se
procede a elegir los cromosomas que serán cruzados en la
siguiente generación. Los cromosomas con mejor aptitud tienen
mayor probabilidad de ser seleccionados.
5. z
Recombinación o cruzamiento: La recombinación es el principal
operador genético, representa la reproducción sexual, opera
sobre dos cromosomas a la vez para generar dos
descendientes donde se combinan las características de ambos
cromosomas padres.
6. z
Mutación: Modifica al azar parte del cromosoma de los
individuos, y permite alcanzar zonas del espacio de búsqueda
que no estaban cubiertas por los individuos de la población
actual.
Reemplazo: Una vez aplicados los operadores genéticos,
se seleccionan los mejores individuos para conformar la
población de la generación siguiente.
8. z
Historia
El profesor John Henry Holland de la universidad de Michigan a
finales de los 60’s desarrollo la técnica de los algoritmos
genéticos la cual integro a un programa, el objetivo de este era
hacer que las computadoras aprendieran sola, principalmente
se le llamo planes reproductivos pero se hizo popular bajo el
nombre de algoritmos genéticos después de publicar un libro en
1975, dichos algoritmos están basados en la teoría de evolución
de Darwin y el campo de la biología sirven para resolver
problemas de búsqueda y optimización en los que los pasos a
seguir es desconocido.
12. z
VENTAJAS Y DESVENTAJAS
No necesitan conocimientos específicos sobre el problema 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 maximizar una
función objetivo- resultan menos afectados por los máximos
locales (falsas soluciones) que las técnicas tradicionales.
Resulta sumamente fácil ejecutarlos en las modernas
arquitecturas masivamente paralelas.
13. z
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 parámetros que se utilicen
tamaño de la población, número de generaciones, etc.-.
Pueden converger prematuramente debido a una serie de
problemas de diversa índole.
15. z
2013
Algoritmos genéticos agilizarán producción en sector textil: En la UN en
Manizales se desarrolla una nueva metodología de programación de la
producción que ofrecerá múltiples beneficios a la industria textil. “El
algoritmo parte de un conjunto de soluciones iniciales que son evaluadas
para seleccionar aquellas con mejor puntaje. Estas se cruzan entre sí para
dar nuevas soluciones alternativas. El procedimiento se repite en varias
ocasiones y en sus iteraciones va dejando una descendencia de
soluciones mejoradas cercanas al óptimo general”.
El uso de sistemas de trading con algoritmos genéticos, para operar en
bolsa, es un campo en el que el trading lleva trabajando desde hace
décadas. Los algoritmos genéticos se adaptan perfectamente al diseño de
sistemas de Trading para encontrar las reglas que dan mejores resultados
en los mercados financieros y para operar en bolsa.
16. z
2018
Algoritmo genético predice el aumento de rascacielos dentro de una
ciudad: Los científicos se han dado cuenta de que el crecimiento de las
ciudades sigue pautas similares al de ciertos sistemas biológicos
autoorganizados. Inspirándose en la naturaleza, han desarrollado
algoritmos genéticos que predicen cómo aumentará el número de
rascacielos y otros edificios en un área urbana.
Un grupo de la Universidad de Córdoba ha desarrollado un modelo basado
en técnicas de inteligencia artificial que es capaz de predecir cuánta agua
usará cada regante: "Aplicando algoritmos genéticos se establecen las
curvas óptimas de esos parámetros de entrada y, mediante redes
neuronales, se establece la relación entre los mismos. Como resultado, se
extrae la lámina de riego aplicado en la que se establecerá cuántos
milímetros van a ser usados por cada regante”
18. z
SOFT COMPUTING
TCL ofrece distintas soluciones de Soft Computing, el cual se
centra en la incorporación de aprendizaje automático en
sistemas híbridos, análisis de datos, selección de
características, modelado de sistemas, clasificación y
optimización de sistemas. También, se incluyen soluciones para
el tratamiento de sistemas bioinformáticas, clusterización,
clasificación y modelado de series dinámicas aplicadas a
perfiles de expresión genética.
19. z
Engloba diferentes algoritmos propios para la agrupación de genes
coexpresados en microarrays de análisis de datos (MDA). Adecuado, para
el uso de investigadores, que traten determinar los genes importantes y las
relaciones co-expresadas entre ellos, para grandes conjuntos dinámicos de
datos, de modo que se permita optimizar una característica de salida.
Algunos de los algoritmos diseñados que integra el software son:
Shape Index (SC). Agrupación sin tener en cuenta la salida de cada
muestra.
Output Shape Index (SOC). Agrupación teniendo en cuenta la correlación
del gen con la salida.
Dynamic Shape Index (DSC). Versión dinámica del método SC.
Output Dynamic Shape Index (DSOC). Versión dinámica cel método SOC.
Relaxed Shape Index (RSC). Ampliación del método SOC
20. z
SISTEMAS DE OPTIMIZACIÓN DE
ENRUTAMIENTO DE VEHÍCULOS
Diseño de diferentes algoritmos evolutivos híbridos de planificación de rutas
para varios vehículos, minimizando los costes asociados al transporte, como
puede ser: minimizar el tiempo total de transporte, minimizar la distancia total
recorrida, minimizar el tiempo de espera, minimizar los vehículos a utilizar, etc.
Todo ello satisfaciendo una serie de múltiples restricciones y limitaciones.
Elementos principales:
Clientes/puntos de entrega o recogida
Almacén/Almacenes
Flota de vehículos (capacidad de cada uno)
Red de transporte
Función a minimizar
21. z
SISTEMAS DE OPTIMIZACIÓN DE
ENRUTAMIENTO DE VEHÍCULOS
Diseño de diferentes algoritmos evolutivos híbridos de planificación de rutas para varios vehículos,
minimizando los costes asociados al transporte, como puede ser: minimizar el tiempo total de
transporte, minimizar la distancia total recorrida, minimizar el tiempo de espera, minimizar los
vehículos a utilizar, etc. Todo ello satisfaciendo una serie de múltiples restricciones y limitaciones.
Elementos principales:
Clientes/puntos de entrega o recogida
Almacén/Almacenes
Flota de vehículos (capacidad de cada uno)
Red de transporte
Función a minimizar