Los algoritmos genéticos son una técnica de búsqueda basada en la teoría de la evolución de Darwin, donde se representan soluciones potenciales a un problema como cromosomas y se aplican operadores como la selección, el cruce y la mutación para generar nuevas soluciones.
Los principales elementos de un algoritmo genético incluyen una población de soluciones representadas como cromosomas, una función objetivo para evaluar las soluciones, y los operadores de selección, cruce y mutación para generar
1. ALGORITMOS GENETICOS
1
GRUPO No. 5
INTEGRANTES:
Mario Rudy Gómez Marroquín 092-06-14969
Carol Revolorio 092-07-371
Pedro Luis Mijangos 092-06-17267
Jorge Alfredo Barreda 092-06-17261
Eduardo Alexander Palencia Tejada 092-07-5227
Melvin René Cardona 092-99-8723
René Ubaldino Godínez de León 092-08-8795
Kevin Rolando Cruz Cujcuy 092-05-14783
Nefy David Morales Recinos 092-02-485
2. INTRODUCCION
Eduardo Palencia
Introducidos por Holland en 1975.
El algoritmo genético es una técnica de búsqueda basada en la teoría de la
evolución de Darwin.
Proveen una solución potencial a un problema específico en una estructura
tipo cromosoma y aplican operadores de recombinación para preservar la
información crítica.
Provienen de la familia de modelo computacional basado en la evolución.
Cualquier modelo basado en población que usa selección y recombinación
para generar nuevos elementos en el espacio de búsqueda.
3. Conocer que son los algoritmos genéticos y cuál es su
función en la Inteligencia Artificial.
Conocer la evolución que han tenido estos algoritmos con el
paso del tiempo.
Conocer los métodos y técnicas de resolución de
problemas.
Identificar los campos de aplicación en los que pueden ser
utilizados.
Objetivos
Eduardo Palencia
5. Los Algoritmos Genéticos (GA) fueron introducidos por John Holland
en 1970 inspirándose en el proceso observado en la evolución natural
de los seres vivos.
La evolución tiene lugar en los cromosomas, en donde está codificada
la información del ser vivo. La información almacenada en el
cromosoma varía de unas generaciones a otras. En el proceso de
formación de un nuevo individuo, se combina la información
cromosómica de los progenitores aunque la forma exacta en que se
realiza es aún desconocida.
5
¿Qué es un algoritmo genético?
Jorge Barrera
7. El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin
Los algoritmos genéticos forman parte de lo que hoy se conoce como la Computación Evolutiva
La primera mención del término Algoritmos Genéticos
Los individuos más aptos de una población son los que sobreviven
sus atributos más deseables se transmiten a sus descendientes
los conocimientos sobre evolución se pueden aplicar en la resolución de problemas de
optimización
Los genes de los individuos mejor adaptados se propagaran en sucesivas generaciones
Bargley en 1967, diseño un Algoritmo Genético para buscar parámetros que evaluaran
juegos
Holland y sus alumnos convirtieron a los Algoritmos Genéticos en un campo de
investigación muy amplio e interesante 7
Jorge Barrera
9. Algoritmos Genéticos Generacionales
Algoritmos Genéticos de estado Fijo
Se asemejan a la forma de reproducción de los insectos
Utilizan el esquema generacional de los mamíferos y otros animales
de vida larga
Algoritmos Genéticos Paralelos
Modelo de Islas
Modelo Celular
9
Rudy Gomez
13. POBLACION
Es un conjunto de N soluciones factibles, se conoce como
población con N cromosomas
Tamaño de la Población
Poblaciones pequeñas: pueden correr el riesgo de no cubrir
adecuadamente el espacio de búsqueda
Poblaciones Grandes: pueden acarrear problemas con el excesivo costo
computacional
13
Melvin Cardona
14. FUNCION OBJETIVO
La Regla general para construir una buena función objetivo es que esta
debe reflejar el valor del individuo de una manera “real”
Los individuos son sometidos a restricciones, en la que aquellos individuos
que no verifican las restricciones, no son considerados como tales, y se sigue
efectuando cruces y mutaciones hasta obtener individuos validos
14
Melvin Cardona
15. SELECCIÓN
La idea general del AG es seleccionar dos padres a partir de una
población los genes de los padres se cruzan y se mutan para producir
dos hijos.
La descendencia reemplaza a los dos cromosomas mas débiles en la
población y el proceso de seleccionar nuevos padres se repite.
Cuando se aplica un AG, con frecuencia se utilizan cadenas de dígitos
binarios para representar las soluciones al problema. Ejemplo
15
Melvin Cardona
16. CRUCE
Hay varios métodos para implementar el cruce.
Cruce uniforme. En esta regla, los genes comunes se aplican a ambos
hijos, los genes restantes de un hijo se determinan al azar, mientras que
el otro hijo obtiene el gen complemento.
Cruce de un punto: LOS GENES DE LOS PADRES P1 Y P2 SE DIVIDEN AL AZAR EN EL MISMO
PUNTO Y LUEGO SE INTERCAMBIAN; ES DECIR, P1 (P11, P12) Y P2 (P21, P22) PRODUCEN LOS
CROMOSOMAS HIJOS COMO C1 {P11, P22} Y C2 {P21, P12}.
CRUCE DE MÚLTIPLES PUNTOS. ESTA REGLA AMPLÍA EL CRUCE DE UN PUNTO A MÚLTIPLES PUNTOS
ALEATORIOS. POR EJEMPLO, EN UN CRUCE DE DOS PUNTOS, P1 (P11, P12, P13) Y P2 (P21, P22,
P23) PRODUCEN C1 (P11, P22, P13) Y C2 (P21, P12, P23).
16
Melvin Cardona
17. RESULTADOS CRUCE
Cada uno de los dígitos binarios se
conoce como uno de los genes de la
solución.
Cuando los padres tienen la misma
característica este se pasara a cada hijo
Cuando los padres tienen características
opuestas del mismo gen, la característica
que se hereda al hijo se vuelve aleatoria.
• Ejemplo:
• Suponga que los dos padres son:
• como el primero, tercero y cuarto
dígitos coinciden, los hijos serán:
17
Melvin Cardona
18. MUTACION
Se considera un operador básico, que proporciona un pequeño elemento
de aleatoriedad en el entorno de los individuos de la población
Este operador produce variaciones de modo aleatorio en un cromosoma
por ejemplo: la cadena 00011100 puede mutar su segunda posición para dar
lugar a la cadena 01011100.
La mutación se puede dar en cada posición de un bit en una cadena, con
una probabilidad, normalmente muy pequeña 0.001
18
Melvin Cardona
19. REDUCCION
Una vez aplicados los operadores genéticos, se seleccionan los mejores
individuos para conformar la nueva generación siguiente
19
Melvin Cardona
20. RESUMEN DEL ALGORITMO GENÉTICO
Paso 0:
Genere una población aleatoria X de N cromosomas factibles
para cada cromosoma “s” en la población seleccionada, evalúe su aptitud asociada. Registre S*
como la mejor solución disponible hasta ahora.
codifique cada cromosoma mediante una representación binaria o numérica.
Paso 1:
Seleccione dos cromosomas padres de la población X.
Cruce los genes padres para crear dos hijos.
Mute los genes hijo al azar
si las soluciones resultantes son no factibles, repita el paso 1 hasta lograr la factibilidad. Si no ,
reemplace los dos padres más débiles con los nuevos hijos para formar una nueva población X y
actualice S*. Vaya al paso 2
Paso 2:
Si se lleva a una condición de terminación, deténgase: s* es la mejor solución disponible, de lo
contrario repita el paso 1
20
Melvin Cardona
22. Navegación robótica
Consiste en una base de datos con los sets de pesos neuronales que se han
obtenido al entrenar la red de diferentes formas, cada una de ellas apropiada para
una situación específica
Medicina Asistencial
Permite registrar datos del entorno, permitiendo así la clasificación de los
aspectos relacionados con la asistencia clínica
Demográficos
Antropométricos
analíticos
Programación Automática
Se utiliza para crea y diseñar estructuras donde las tareas sean recurrentes y
específicas
22
Carol Revolorio
23. Técnicas de programación
Los sistemas multiprocesadores permiten abordar la solución
computacional de problemas muy complejos, complicados y pesados
así como concurrentes
Sistemas de bases de datos distribuidos
Se utiliza para distribución de tráfico, carga y peticiones hacia ella
23
Carol Revolorio
25. Ventajas
No necesitan conocimientos específicos sobre el problema a resolver.
Opera de forma simultánea con varias soluciones a la vez.
Utiliza operadores probabilísticos en lugar de determinísticos como otras
técnicas.
Resulta sumamente fácil ejecutarlos en las modernas arquitecturas.
25
Pedro Mijangos
26. Limitaciones
No se puede garantizar que el AG encuentre la solución óptima del problema.
Su campo de aplicación es para aquellos problemas en los que no existen
técnicas especializadas.
La función objetivo se debe considerar cuidadosamente para que se pueda
alcanzar la mejor solución.
Si se define una incorrecta población inicial, esto da origen a Convergencia
Prematura.
26
Pedro Mijangos