Introducción

Los algoritmos evolutivos son inspirados en la Teoría de evolución de Darwin y en el desarrollo de la informática evolutiva. Existen algunas definiciones de algoritmos evolutivos que se basan en técnicas de optimización y búsquedas de soluciones basadas en la selección natural y genética que permiten solucionar problemas no lineales que involucran muchas variables de búsquedas en problemas complejos.

Los algoritmos evolutivos tuvieron su origen en el año 1960 introducido por John Holland quien incorporo los métodos de selección natural y supervivencia a la resolución de problemas de IA. Los algoritmos evolutivos surgieron por la simulación de procesos de la evolución natural como resultado de esto es la optimización estocástica (Algoritmos evolutivos).

Estructura de Algoritmo EvolutivoUn algoritmo Evolutivo esta compuesto por una

función que permite medir la amplitud de las soluciones candidatas que permiten resolver el problema, la amplitud es utilizada por los algoritmos evolutivos como mecanismos de selección que permiten crear nuevas soluciones al problema que deseamos resolver.

• Función Objetivo• Selección • Representación • Operadores de variación: Mutación• Operadores de variación: Cruzamiento

Función ObjetivoLos algoritmos evolutivos son utilizados para resolver

problemas de optimización los que utilizan la función objetivo que es la función que se quiere optimizar. Tanto los algoritmos genéticos como evolutivos utilizan la función objetivo para asignar a cada individuo (x) de una población un valor optimo que le corresponda utilizando para este mecanismos de selección que identifican las mejores soluciones.

Por lo general la función objetivo es independiente de cada problema a resolver y es proporcionada por el usuario. Todas las funciones objetivas se pueden representar de diferentes maneras ya sea en funciones matemáticas o formulación de problemas:

Ej. F : Dom R

SelecciónLa selección es lo más importante dentro de un algoritmo

evolutivo ya que permite obtener la mejor respuesta dentro de espacios de búsquedas que son óptimas. Aunque existen diversos métodos de selección de las mejores resultados y descartar los que no son óptimos, la mayoría de métodos de selección son estocásticos y determinanticos.

CrossoverEl cruzamiento se basa sobre 2 cadenas (genotipos) para

formar una nueva cadena (genotipos) en la nueva generación. Este procedimiento de cruzamiento se selecciona un valor aleatorio de una cadena (genotipo) x, donde 1 < x < n, x representa el numero aleatorio y n el numero de elementos de una cadena (genotipo).

Mutación

La mutación se produce sobre una cadena (genotipo), se tiene un valor aleatorio y altera un gen de esta.

• C1 = a1a2a3a6a7

• C1 = 00111000

Nueva cadena genotipo:

• C1 = 00110000