presentación introductoria a los algoritmos genéticos como método de optimizacion de sistemas, con especial énfasis en los sistemas de control

1. LOGO
ALGORITMO
GENÉTICO
IVÁN BETANCOURT
PEDRO HURTADO

2. ANTECEDENTES [1]
Los Algoritmos Genéticos fueron introducidos por John
Holland, investigador en la Universidad de Michigan, en
1970, inspirándose en el proceso observado en la
evolución natural de los seres vivos. En un principio
denominó a esta técnica como “planes reproductivos”,
pero se hizo popular bajo el nombre de "algoritmos
genéticos" tras la publicación de su libro (Holland, 1975).

3. DEFINICIÓN
Los Algoritmos Genéticos (AGs) son métodos
adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Están
basados en el proceso genético de los organismos
vivos. La evolución de dichas soluciones hacia
valores óptimos del problema depende en buena
medida de una adecuada codificación de las mismas

4.  CROMOSOMA: se refiere a un candidato a
solución del problema, que a menudo se
codifica como una cadena de bits.
 GEN: son tanto un bit como bloques cortos de
bits adyacentes que codifican un elemento
particular del candidato.
 ALELO en una cadena de bits será un 0 o un
1 (Las diferentes posibilidades de escoger un
rasgo)
SIGNIFICADO EN UN AG[2]

5. ELEMENTOS Y
FUNCIONAMIENTO [2]
1. UNA REPRESENTACIÓN
CROMOSOMICA A MODO DE
CODIGO
2. UNA POBLACION INICIAL
3. UNA MEDIDA DE EVALUACIÓN
4. UN CRITERIO DE SELECCIÓN
DE CROMOSOMAS
5. UNA O VARIAS OPERACIONES
DE RECOMBINACIÓN O CRUCE
6. UNA O VARIAS OPERACIONES
DE MUTACIÓN.
7. UNA O VARIAS
REGENERACIONES DE LA
POBLACION.
8. UNA CONDICION DE FIN DEL
ALGORITMO.

6. LA FUNCIÓN OBJETIVO: proporciona una medida de
desempeño del sistema asociado a ciertos individuos
en la población.
EVOLUCIÓN DE LA POBLACIÓN: es la responsable
de asignarle valores altos o bajos de adaptación,
puede decir que tal bueno o que tan malo será los
resultados y la convergencia o no del método
OPERACIÓN DE SELECCIÓN: busca escoger ciertos
individuos de la población, quienes darán origen a
poblaciones futuras.
ELEMENTOS Y
FUNCIONAMIENTO [2]

7. OPERACIÓN DE CRUCE: consiste en mezclar la
información genética de dos individuos a fin de
generar nuevos individuos
OPERACIÓN MUTACIÓN : consiste en alterar las
características genéticas de un individuo, con el
objetivo de aumentar la probabilidad de
exploración
ELEMENTOS Y
FUNCIONAMIENTO [2]

8. SITUACIÓN DINÁMICA
Población inicial.
cromosomas: [A, B, C, D, ].
Cromosomas y cadena de genes
Cromosoma A=<A1, A2, A3, A4, A5, A6, A7, A8, A9, A10 >
Cromosoma B=<B1, B2, B3, B4, B5, B6, B7, B8, B9, B10 >
HIJOS INTERCAMBIAR GENES ENTRE 1-K (GEN)
 HIJO 1 =< B1, B2, B3, B4, B5, B6, A7, A8, A9, A10 >
 HIJO 2 =< A1, A2, A3, A4, A5, A6, B7, B8, B9, B10 >

9. SITUACIÓN DINÁMICA

10. SITUACIÓN DINÁMICA
HIJO =< 0, 1, 1, 1, 1, 0, 1, 0, 0, 1 >
MUTACIÓN =< 0, 1, 1, 1, 0, 0, 1, 0, 0, 1 >

11. Ventajas
 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.
 Resulta sumamente fácil ejecutarlos en las
modernas arquitecturas masivamente
paralelas.

12. desventajas
 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.
 no se garantiza que el Algoritmo Genético
encuentre la solución óptima

13. Cuando utilizar un algoritmo
genético
 La aplicación más común de los algoritmos
genéticos ha sido la solución de problemas de
optimización, en donde han mostrado ser muy
eficientes y confiables.
Parámetros a tener en cuenta
 Su espacio de búsqueda (i.e., sus posibles
soluciones) 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.

14. Cuando utilizar un
algoritmo genético
 Es recomendable intentar resolver problemas
que tengan espacios de búsqueda discretos
aunque éstos sean muy grandes. Sin embargo,
también podrá intentarse usar la técnica con
espacios de búsqueda continuos, pero
preferentemente cuando exista un rango de
soluciones relativamente pequeño.
 Aplicación en el ajuste de controladores con el fin
de obtener resultados adecuada. Ejemplo:
valores adecuados en las variables un controlador
PID

15. OPERADORES GENÉTICOS
 Etilismo: evita que la población mas apta desaparezca
en caso de no generar descendencia.
 Reinicialización: permite una nueva ejecución tras una
convergencia tomando como punto de partida una nueva
población aleatoria.
 Repoblación: se emplea cuando el algoritmo se estanca
para generar nueva poblacion.
 Clonación: se duplican genes de algunos cromosomas
para garantizar la supervivencia para la generacion
siguiente.

16. INCONVENIENTES
 Convergencia prematura: el espacio de búsqueda se
presenta alrededor de un punto descuidando otros que
tambien son de interés por ser posibles soluciones.
 Terminación lenta: no garantiza siempre encontrar una
solución factible en un tiempo plausible.
 Inhabilidad frente a soluciones no factibles: puede
llegar a una solución sin respetar las restricciones la
solución es introducir un elemento de penalización.

17. Referencias
[1] Tolmos Rodríguez Piedad. Introducción a los algoritmos geneticos y sus
aplicaciones. tolmos@poseidon.fcjs.urjc.es
[2] Baños Marín Ignacio. Programación de la secuencia de fabricación en una
maquina, con tiempos de preparación variables, mediante la aplicación de
algoritmos genéticos. Escuela técnica superior d’Enginyeria industrial de
Barcelona. 2003. pág. 22-32
[3] Amador Díaz Pedro. inteligencia artificial. Universitat Oberta De Catalunya
2011
[4]http://openaccess.uoc.edu/webapps/o2/bitstream/10609/11313/1/pamadorTF
C0112memoria.pdf
[5 ]Banzhaf W. Reeves C. (editors) (1999) Foundations of Genetic
Algorithms.5Morgan Kaufmann Publishers

18. ESTRUCTURA GENERAL
ALGORITMO GENÉTICO

19. EJEMPLO ALGORITMO
GENÉTICO EN EL CONTROL
Sintonizar un control PID mediante algoritmos
genéticos.
El cometido del AG es el de buscar una
combinación óptima de los coeficientes Kp, Ki y
Kd (proporcional, integral y derivativo) del control
PID.

20. EJEMPLO ALGORITMO
GENÉTICO EN EL CONTROL
Codificación cromosoma
Cada coeficiente corresponde a un gen

21. EJEMPLO ALGORITMO
GENÉTICO EN EL CONTROL
Función objetivo
el valor calidad corresponde a la media de los valores
absolutos del error del sistema de control PID, durante
la vida del individuo
vida de cada individuo= 2 seg
Con este límite de vida, se evalúan 55 individuos en unos
2 minutos.

22. EJEMPLO ALGORITMO
GENÉTICO EN EL CONTROL
En una primera etapa se genera una
población inicial que en el caso que nos
ocupa es de 5 individuos, estos surgen de
sucesivas mutaciones de un cromosoma
semilla.
En la primera iteración del bucle, no se pasa
por la etapa de valuación ni selección y se
llega directamente a la de reproducción.

23. EJEMPLO ALGORITMO
GENÉTICO EN EL CONTROL
La reproducción consisten en cruzar los 5
individuos mejor adaptados entre si, de forma
que obtenemos 10 individuos más.
Una vez tenemos 15 individuos en la población,
se evalúa cada uno durante 2 segundos y se les
otorga una calidad que denota con que bondad
se han adaptado al medio.
Más tarde, en la etapa de selección, se marcan
los 5 individuos mejor adaptados al
medio, estos son los que tendrán derecho a
reproducirse en el ciclo siguiente.

24. Ejemplo [3]

33. DEFINICIÓN
Los Algoritmos Genéticos son métodos adaptativos
usados para resolver problemas de búsqueda y
optimización. Están basados en el proceso genético de
los organismos vivos. postulados por Darwin. 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.