algoritmos geneticos final

FACULTAD DE CIENCIAS DE INGENIERIA

ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA CIVIL-HVCA

Figura 1: A

TRABAJO DE INVESTIGACIÓN

ALGORITMOS GENETICOS

CÁTEDRA:

METODOS NUMERICOS

CATEDRÁTICO:

Ing. Jorge A. Quispe Sosa

INTEGRANTES:

-RAMOS QUISPE Claverth

-POMA YARANGA Viker

-ZANABRIA PARI Ever

-PAUCAR CHANCA Fortunato

-RAYMUNDO OLIVERA Jhoni

1

1UNIVERSIDAD NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

Índice general

1. INTRODUCCION 3

2. ALGORITMOS GENÉTICOS 42.1. ALGORITMOS GENÉTICO . . . . . . . . . . . . . . . . . . . . . . . . . 42.2. DEFINICION DE ALGORITMOS GENETICOS . . . . . . . . . . . . . . 42.3. MÉTODOS DE SELECCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . 52.4. CUANDO USAR ESTOS ALGORITMOS . . . . . . . . . . . . . . . . . . 62.5. FUNCIONAMIENTO DE UN ALGORITMO GENÉTICO BÁSICO . . . 6

2.5.1. Inicialización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62.5.2. Evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72.5.3. Condición de término El AG . . . . . . . . . . . . . . . . . . . . . . 7

2.6. OPERADOR DE SELECCIÓN . . . . . . . . . . . . . . . . . . . . . . . . 72.7. OPERADOR DE CRUCE . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.7.1. Cruce de un punto . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.7.2. Cruce de n puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.7.3. Cruce Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.7.4. Cruces para permutación . . . . . . . . . . . . . . . . . . . . . . . . 92.7.5. Cruce de orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92.7.6. Cruce de ciclo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.8. OTROS OPERADORES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102.8.1. CROMOSOMAS DE LONGITUD VARIABLE . . . . . . . . . . . 102.8.2. OPERADORES DE NICHO ECOLÓGICO . . . . . . . . . . . . . 102.8.3. OPERADORES ESPECIALIZADOS . . . . . . . . . . . . . . . . . 10

2.9. APLICACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3. VENTAJAS DE LOS AGS 123.1. LIMITACIONES DE LOS AGS . . . . . . . . . . . . . . . . . . . . . . . . 133.2. APLICACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4. ALGUNOS EJEMPLOS ESPECÍFICOS DE AG 154.1. ACÚSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154.2. INGENIERÍA AEROESPACIAL . . . . . . . . . . . . . . . . . . . . . . . 154.3. ASTRONOMÍA Y ASTROFÍSICA . . . . . . . . . . . . . . . . . . . . . . 154.4. QUÍMICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164.5. INGENIERÍA ELÉCTRICA . . . . . . . . . . . . . . . . . . . . . . . . . 164.6. MERCADOS FINANCIEROS . . . . . . . . . . . . . . . . . . . . . . . . 164.7. JUEGOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164.8. GEOFÍSICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174.9. INGENIERÍA DE MATERIALES . . . . . . . . . . . . . . . . . . . . . . 174.10. EJÉRCITO Y CUMPLIMIENTO DE LA LEY . . . . . . . . . . . . . . . 174.11. BIOLOGÍA MOLECULAR . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1

ÍNDICE GENERAL 24.12. ROBÓTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184.13. DISEÑO DE RUTAS Y HORARIOS . . . . . . . . . . . . . . . . . . . . . 18

5. ALGUNAS APLICACIONES DE LOS ALGORITMOS GENÉTICOS 195.1. Optimización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.2. Programación automática . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.3. Aprendizaje máquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.4. Economía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195.5. Sistemas inmunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.6. Ecología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.7. Genética de poblaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.8. Evolución y aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205.9. Sistemas sociales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

6. CONCLUSIÓNES 21

7. BIBLIOGRAFIA 22

8. ANEXOS 232


Capítulo 1

INTRODUCCION

Hay numerosos fenómenos naturales para los que la evolución nos ofrece un sólidofundamento teórico. Por nombrar uno, el desarrollo observado de la resistencia -a losinsecticidas en las plagas de cultivos, a los antibióticos en las bacterias, a la quimioterapiaen las células cancerosas, y a los fármacos antirretrovirales en virus como el VIH- esuna consecuencia abierta de las leyes de la mutación y la selección, y comprender estosprincipios nos ha ayudado a desarrollar estrategias para enfrentarnos a estos nocivosorganismos. El postulado evolutivo de la descendencia común ha ayudado al desarrollode nuevos medicamentos y técnicas, al proporcionar a los investigadores una buena ideade con qué organismos deben experimentar para obtener resultados que probablementeserán relevantes para los seres humanos. Finalmente, el hombre ha utilizado con grandesresultados el principio de cría selectiva para crear organismos personalizados, distintosa cualquiera que se pueda encontrar en la naturaleza, para bene�cio propio. La microevolución natural o la selección arti�cial dirigida por humanos pueden producir diferentesvariedades dentro de los �tipo-perro�, �tipo-vaca� o �tipo-bacteria� creados originalmente,ninguna cantidad de tiempo o cambio genético puede transformar un �tipo� en otro. Sinembargo, nunca se explica cómo determinan los creacionistas lo que es un �tipo�, o quémecanismo impide a los seres vivos evolucionar más allá de sus límites. Pero en las últimasdécadas, el continuo avance de la tecnología moderna ha producido algo nuevo. Ahora laevolución está produciendo bene�cios prácticos en un campo muy distinto y, esta vez, loscreacionistas no pueden a�rmar que su explicación se adapte a los hechos igual de bien.Este campo es la informática, y los bene�cios provienen de una estrategia de programaciónllamada algoritmos genéticos.

1


3

Capítulo 2

ALGORITMOS GENÉTICOS

2.1. ALGORITMOS GENÉTICO

Un algoritmo es una serie de pasos organizados que describe el proceso que se debeseguir, para dar solución a un problema especí�co. En los años 1970, de la mano de JohnHenry Halland, surgió una de las líneas más prometedoras de la inteligencia arti�cial, lade los algoritmos genéticos. Son llamados así porque se inspiran en la evolución biológ-ica y su base genético-molecular. Estos algoritmos hacen evolucionar una población deindividuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evoluciónbiológica (mutaciones y recombinaciones genéticas), así como también a una Selección deacuerdo con algún criterio, en función del cual se decide cuáles son los individuos másadaptados, que sobreviven, y cuáles los menos aptos, que son descartados. Es incluidodentro de los algoritmos evolutivos, que incluyen también las estrategias evolutivas, laprogramación evolutiva y la programación genética. Dentro de esta última se han logradoavances curiosos: En 1999, por primera vez en la historia, se concedió una patente a uninvento no realizado directamente por un ser humano: se trata de una antena de formaextraña, pero que funciona perfectamente en las condiciones a las que estaba destinada.No hay, sin embargo, nada injusto en el hecho de que el autor del algoritmo genético delque salió la forma de la antena se haya atribuido la autoría de la patente, pues él escribióel programa e ideó el criterio de selección que condujo al diseño patentado. Un algoritmogenético es un método de búsqueda dirigida basada en probabilidad. Bajo una condiciónmuy débil (que el algoritmo mantenga elitismo, es decir, guarde siempre al mejor elementode la población sin hacerle ningún cambio) se puede demostrar que el algoritmo convergeen probabilidad al óptimo. En otras palabras, al aumentar el número de iteraciones, laprobabilidad de tener el óptimo en la población tiende a uno.

2.2. DEFINICION DE ALGORITMOS GENETICOS

Expuesto concisamente, un algoritmo genético (o AG para abreviar) es una técnica deprogramación que imita a la evolución biológica como estrategia para resolver problemas.Dado un problema especí�co a resolver, la entrada del AG es un conjunto de solucionespotenciales a ese problema, codi�cadas de alguna manera, y una métrica llamada funciónde aptitud que permite evaluar cuantitativamente a cada candidata. Estas candidataspueden ser soluciones que ya se sabe que funcionan, con el objetivo de que el AG lasmejore, pero se suelen generar aleatoriamente. Luego el AG evalúa cada candidata deacuerdo con la función de aptitud. En un acervo de candidatas generadas aleatoriamente,por supuesto, la mayoría no funcionarán en absoluto, y serán eliminadas. Sin embargo,por puro azar, unas pocas pueden ser prometedoras -pueden mostrar actividad, aunque

4

CAPÍTULO 2. ALGORITMOS GENÉTICOS 5sólo sea actividad débil e imperfecta, hacia la solución del problema. Estas candidatasprometedoras se conservan y se les permite reproducirse. Se realizan múltiples copias deellas, pero las copias no son perfectas; se introducen cambios aleatorios durante el procesode copia. Luego, esta descendencia digital prosigue con la siguiente generación, formandoun nuevo acervo de soluciones candidatas, y son sometidas a una ronda de evaluación deaptitud. Las candidatas que han empeorado o no han mejorado con los cambios en sucódigo son eliminadas de nuevo; pero, de nuevo, por puro azar, las variaciones aleatoriasintroducidas en la población pueden haber mejorado a algunos individuos, convirtién-dolos en mejores soluciones del problema, más completas o más e�cientes. De nuevo, seseleccionan y copian estos individuos vencedores hacia la siguiente generación con cam-bios aleatorios, y el proceso se repite. Las expectativas son que la aptitud media de lapoblación se incrementará en cada ronda y, por tanto, repitiendo este proceso cientoso miles de rondas, pueden descubrirse soluciones muy buenas del problema. Aunque aalgunos les puede parecer asombroso y anti intuitivo, los algoritmos genéticos han de-mostrado ser una estrategia enormemente poderosa y exitosa para resolver problemas,demostrando de manera espectacular el poder de los principios evolutivos. Se han utiliza-do algoritmos genéticos en una amplia variedad de campos para desarrollar soluciones aproblemas tan difíciles o más difíciles que los abordados por los diseñadores humanos.Además, las soluciones que consiguen son a menudo más e�cientes, más elegantes o máscomplejas que nada que un ingeniero humano produciría. ½En algunos casos, los algo-ritmos genéticos han producido soluciones que dejan perplejos a los programadores queescribieron los algoritmos en primera instancial.

2.3. MÉTODOS DE SELECCIÓN

Un algoritmo genético puede utilizar muchas técnicas diferentes para seleccionar a losindividuos que deben copiarse hacia la siguiente generación, pero abajo se listan algunosde los más comunes. Algunos de estos métodos son mutuamente exclusivos, pero otrospueden utilizarse en combinación, algo que se hace a menudo.

Seleccion elitista se garantiza la selección de los miembros más aptos de cada gen-eración. (La mayoría de los AGs no utilizan elitismo puro, sino que usan una formamodi�cada por la que el individuo mejor, o algunos de los mejores, son copiados hacia lasiguiente generación en caso de que no surja nada mejor).

Seleccion proporcional a la aptitud: los individuos más aptos tienen más probabilidadde ser seleccionados, pero no la certeza.

Seleccion por rueda de ruleta: una forma de selección proporcional a la aptitud en laque la probabilidad de que un individuo sea seleccionado es proporcional a la diferenciaentre su aptitud y la de sus competidores. (Conceptualmente, esto puede representarsecomo un juego de ruleta -cada individuo obtiene una sección de la ruleta, pero los másaptos obtienen secciones mayores que las de los menos aptos. Luego la ruleta se hace girar,y en cada vez se elige al individuo que �posea� la sección en la que se pare la ruleta).

Seleccion escalada al incrementarse la aptitud media de la población, la fuerza de lapresión selectiva también aumenta y la función de aptitud se hace más discriminadora.Este método puede ser útil para seleccionar más tarde, cuando todos los individuos tenganuna aptitud relativamente alta y sólo les distingan pequeñas diferencias en la aptitud.

Seleccion por torneo se eligen subgrupos de individuos de la población, y los miembrosde cada subgrupo compiten entre ellos. Sólo se elige a un individuo de cada subgrupo parala reproducción.

Seleccion por rango a cada individuo de la población se le asigna un rango numéricobasado en su aptitud, y la selección se basa en este ranking, en lugar de las diferencias

CAPÍTULO 2. ALGORITMOS GENÉTICOS 6absolutas en aptitud. La ventaja de este método es que puede evitar que individuos muyaptos ganen dominancia al principio a expensas de los menos aptos, lo que reduciría ladiversidad genética de la población y podría obstaculizar la búsqueda de una soluciónaceptable.

Seleccion generacional la descendencia de los individuos seleccionados en cada gen-eración se convierte en toda la siguiente generación. No se conservan individuos entre lasgeneraciones.

Seleccion por estado estacionario: la descendencia de los individuos seleccionados encada generación vuelven al acervo genético preexistente, reemplazando a algunos de losmiembros menos aptos de la siguiente generación. Se conservan algunos individuos entregeneraciones.

Seleccion jerárquica los individuos atraviesan múltiples rondas de selección en cadageneración. Las evaluaciones de los primeros niveles son más rápidas y menos discrim-inatorias, mientras que los que sobreviven hasta niveles más altos son evaluados másrigurosamente. La ventaja de este método es que reduce el tiempo total de cálculo alutilizar una evaluación más rápida y menos selectiva para eliminar a la mayoría de losindividuos que se muestran poco o nada prometedores, y sometiendo a una evaluación deaptitud más rigurosa y computacionalmente más costosa sólo a los que sobreviven a estaprueba inicial.

2.4. CUANDO USAR ESTOS ALGORITMOS

Los algoritmos genéticos son de probada e�cacia en caso de querer calcular funcionesno derivables o de derivación muy compleja aunque su uso es posible con cualquier función.

Deben tenerse en cuenta también las siguientes consideraciones: Si la funcion a opti-mizar tiene muchos máximosmínimos locales se requerirán más iteraciones del algoritmopara asegurar el máximomínimo global. Si la función a optimizar contiene varios puntosmuy cercanos en valor al óptimo, solamente podemos asegurar que encontraremos uno deellos no necesariamente el óptimo.

2.5. FUNCIONAMIENTODE UNALGORITMOGENÉTI-CO BÁSICO

Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo seaplican los operadores genéticos (cruzamiento, mutación), de cómo se realiza la seleccióny de cómo se decide el reemplazo de los individuos para formar la nueva población. Engeneral, el pseudocódigo consiste de los siguientes pasos:

Algoritmo genético i: inicialización, f(X): evaluación?: condición de término, Se: selec-ción, Cr: cruzamiento, Mu: mutación, Re: reemplazo, X*: mejor solución.

2.5.1. Inicialización

Se genera aleatoriamente la población inicial, que está constituida por un conjuntode cromosomas los cuales representan las posibles soluciones del problema. En caso deno hacerlo aleatoriamente, es importante garantizar que dentro de la población inicial,se tenga la diversidad estructural de estas soluciones para tener una representación de lamayor parte de la población posible o al menos evitar la convergencia prematura.

CAPÍTULO 2. ALGORITMOS GENÉTICOS 7

Figura 2.1: B

2.5.2. Evaluación

A cada uno de los cromosomas de esta población se aplicará la función de aptitud parasaber qué tan "buena.es la solución que se está codi�cando.

2.5.3. Condición de término El AG

Se deberá detener cuando se alcance la solución óptima, pero ésta generalmente sedesconoce, por lo que se deben utilizar otros criterios de detención. Normalmente se usandos criterios: correr el AG un número máximo de iteraciones (generaciones) o detenerlocuando no haya cambios en la población. Mientras no se cumpla la condición de términose hace lo siguiente: Selección Después de saber la aptitud de cada cromosoma se procedea elegir los cromosomas que serán cruzados en la siguiente generación. Los cromosomascon mejor aptitud tienen mayor probabilidad de ser seleccionados. Sobrecruzamiento: Elcruzamiento es el principal operador genético, representa la reproducción sexual, operasobre dos cromosomas a la vez para generar dos descendientes donde se combinan lascaracterísticas de ambos cromosomas padres. Mutación modi�ca al azar parte del cromo-soma de los individuos, y permite alcanzar zonas del espacio de búsqueda que no estabancubiertas por los individuos de la población actual. Reemplazo una vez aplicados los op-eradores genéticos, se seleccionan los mejores individuos para conformar la población dela generación siguiente

2.6. OPERADOR DE SELECCIÓN

El operador de Selección es el encargado de transmitir y conservar aquellas caracterís-ticas de las soluciones que se consideran valiosas a lo largo de las generaciones. El principalmedio para que la información útil se transmita es que aquellos individuos mejor adap-tados (mejor valor de función de evaluación) tengan más probabilidades de reproducirse.Sin embargo, es necesario también incluir un factor aleatorio que permita reproducirse a

CAPÍTULO 2. ALGORITMOS GENÉTICOS 8individuos que aunque no estén muy bien adaptados, puedan contener alguna informa-ción útil para posteriores generaciones, con el objeto de mantener así también una ciertadiversidad en cada población. Algunas de las técnicas de las cuales se dispone son lassiguientes:

ruleta o selección proporcional

Con este método la probabilidad que tiene un individuo de reproducirse es proporcionala su valor de función de evaluación, es decir, a su adaptación. En este método se de�ne unrango con las características de la selección por sorteo. El número al azar será un númeroaleatorio forzosamente menor que el tamaño del rango. El elemento escogido será aquel encuyo rango esté el número resultante de sumar el número aleatorio con el resultado totalque sirvió para escoger el elemento anterior. El comportamiento es similar al de una ruleta,donde se de�ne un avance cada tirada a partir de la posición actual. Tiene la ventaja de queno es posible escoger dos veces consecutivas el mismo elemento, y que puede ser forzadoa que sea alta la probabilidad de que no sean elementos próximos en la población -estoúltimo no es una ventaja de por sí; salvo que algunos de los otros operadores genéticos,es mejor utilizar un método de selección directa basado en la posición relativa de losindividuos de la población.

La Ruleta: Este método es muy simple, y consiste en crear una ruleta en la que cadacromosoma tiene asignada una fracción proporcional a su aptitud. Sin que nos re�ramos auna función de aptitud en particular, supongamos que se tiene una población de 5 cromo-somas cuyas aptitudes están dadas por los valores mostrados en la Tabla 1. CromosomaNo. Cadena Aptitud del Total 1 11010110 254 24.5 2 10100111 47 4.5 3 00110110 457 44.14 01110010 194 18.7 5 11110010 85 8.2 Total 1037 100.0 Tabla 1: Valores de ejemplo parailustrar la selección mediante ruleta

Con los porcentajes mostrados en la cuarta columna de la Tabla 1 podemos elaborarla ruleta de la Figura 1. Esta ruleta se gira 5 veces para determinar qué individuos seseleccionarán. Debido a que a los individuos más aptos se les asignó un área mayor de laruleta, se espera que sean seleccionados más veces que los menos aptos.

Figura 2.2: C

CAPÍTULO 2. ALGORITMOS GENÉTICOS 9Selección por Ranking

consiste en calcular las probabilidades de reproducción atendiendo a la ordenaciónde la población por el valor de adaptación en vez de atender simplemente a su valor deadecuación. Estas probabilidades se pueden calcular de diversas formas, aunque el métodohabitual es el ranking lineal.

2.7. OPERADOR DE CRUCE

El operador de cruce permite realizar una exploración de toda la información alma-cenada hasta el momento en la población y combinarla para crear mejores individuos.Dentro de los métodos habituales destacamos los siguientes:

2.7.1. Cruce de un punto

Es el método de cruce más sencillo. Se selecciona una posición en las cadenas de losprogenitores, y se intercambian los genes a la izquierda de esta posición.

2.7.2. Cruce de n puntos

Es una generalización del método anterior. Se seleccionan varias posiciones (n) en lascadenas de los progenitores y se intercambian los genes a ambos lados de estas posiciones.

2.7.3. Cruce Uniforme

Se realiza un test aleatorio para decidir de cuál de los progenitores se toma cadaposición de la cadena.

2.7.4. Cruces para permutación

Existe una familia de cruces especí�cas para los problemas de permutación, siendoalgunos de ellos:

2.7.5. Cruce de orden

Toma una subsecuencia del genoma del padre y procura preservar el orden relativo delos fenotipos del resto del genoma lo más parecido posible de la madre.

2.7.6. Cruce de ciclo

Tomamos el primer gen del genoma del padre, poniéndolo en la primera posición delhijo, y el primer gen del genoma de la madre, poniéndolo dentro del genoma del hijo en laposición que ocupe en el genoma del padre. El fenotipo que está en la posición que ocupael gen del genoma del padre igual al primer gen del genoma de la madre se va a colocar enla posición que ocupe en el genoma del padre, y así hasta rellenar el genoma del hijo. Esuna buena idea que, tanto la codi�cación como la técnica de cruce, se hagan de maneraque las características buenas se hereden; o, al menos, no sea mucho peor que el peor delos padres. En problemas en los que, por ejemplo, la adaptación es función de los pares degenes colaterales, el resultante del cruce uniforme tiene una adaptación completamentealeatoria.

CAPÍTULO 2. ALGORITMOS GENÉTICOS 102.8. OTROS OPERADORES

Estos operadores no son utilizados en todos los problemas, solamente son empleados enalgunos, y en principio su variedad es in�nita. Generalmente son operadores que exploranel espacio de soluciones de una forma más ordenada, y que actúan más en las últimasfases de la búsqueda, en la cual se pasa de soluciones casi buenas a "buenas"soluciones.

2.8.1. CROMOSOMAS DE LONGITUD VARIABLE

Hasta ahora se han descrito cromosomas de longitud �ja, donde se conoce de ante-mano el número de parámetros de un problema. Pero hay problemas en los que esto nosucede. Por ejemplo, en un problema de clasi�cación, donde dado un vector de entrada,queremos agruparlo en una serie de clases, podemos no saber siquiera cuántas clases hay.Por ejemplo, en un perceptrón hay reglas que dicen cuantas neuronas se deben de uti-lizar en la capa oculta; pero en un problema determinado puede que no haya ningunaregla heurística aplicable; se tendría que utilizar los AG para hallar el número óptimo deneuronas.

2.8.2. OPERADORES DE NICHO ECOLÓGICO

Otros operadores importantes son los operadores de nicho. Estos operadores estánencaminados a mantener la diversidad genética de la población, de forma que cromosomassimilares sustituyan sólo a cromosomas similares, y son especialmente útiles en problemascon muchas soluciones; un AG con estos operadores es capaz de hallar todos los máximos,dedicándose cada especie a un máximo. Más que operadores genéticos, son formas deenfocar la selección y la evaluación de la población. Uno de las formas de llevar esto a caboes la introducción del (apiñamiento). Otra forma es introducir una función de comparticiónque indica cuán similar es un cromosoma al resto de la población. La puntuación decada individuo se dividirá por esta función de compartición, de forma que se facilita ladiversidad genética y la aparición de individuos diferentes.

2.8.3. OPERADORES ESPECIALIZADOS

En una serie de problemas hay que restringir las nuevas soluciones generadas porlos operadores genéticos, pues no todas las soluciones generadas van a ser válidas, sobretodo en los problemas con restricciones. Por ello, se aplican operadores que mantenganla estructura del problema. Otros operadores son simplemente generadores de diversidad,pero la generan de una forma determinada:

2.9. APLICACIÓN

Una empresa de energía desea maximizar la producción de electricidad de una de susplantas. En ella la electricidad se produce mediante vapor a partir de carbón y se deseamaximizar la producción de vapor que se hace a partir de la combinación de dos tipos decarbón: Carbón A y carbón B. Cada tonelada de carbón A produce 24 unidades de vapory de carbón B 20. Pero existen ciertas restricciones. La cantidad máxima de emisiones dehumo por hora está limitada a 12 kg. Cada tonelada de carbón A produce 0.5 kg de humoy de B 1 kg. El sistema de cinta transportadora que traslada el carbón de los depósitosal pulverizador tiene una capacidad de 20 ton/h. La capacidad máxima del pulverizador

CAPÍTULO 2. ALGORITMOS GENÉTICOS 11es de 16 ton/h para carbón A ó 24 ton/h para carbón B. De�namos las restricciones y lafunción objetivo:

Una manera de realizar el proceso de selección es mediante un torneo entre dos. Acada individuo de la población se le asigna una pareja y entre ellos se establece un torneo:el mejor genera dos copias y el peor se desecha. La columna (4) indica la pareja asignadaa cada individuo. Después de realizar el proceso de selección, la población que tenemos esla mostrada en la columna (2) de la siguiente tabla.

Ahora el mejor individuo para XA es 3 y para XB es 3 con un valor de 464; ¾Quéquiere decir esto? Simplemente que los individuos después de la selección y el cruce sonmejores que antes de estas transformaciones. Esta manera de proceder se repite tantasveces como número de iteraciones se �jes. Y ¾cuál es el óptimo? En realidad un algoritmogenético no garantiza la obtención del óptimo como ya hemos mencionado anteriormentepero, si está bien construido, proporcionará una solución razonablemente buena. Puedeque se obtenga el óptimo, pero el algoritmo no con�rma que lo sea. También es buenaidea ir guardando la mejor solución de todas las iteraciones anteriores y al �nal quedartecon la mejor solución de las exploradas.

Capítulo 3

VENTAJAS DE LOS AGS

El primer y mas importante punto es que los algoritmos genéticos son intrínsecamenteparalelos. La mayoría de los otros algoritmos son en serie y sólo pueden explorar el espaciode soluciones hacia una solución en una dirección al mismo tiempo, y si la solución quedescubren resulta subóptima, no se puede hacer otra cosa que abandonar todo el trabajohecho y empezar de nuevo. Sin embargo, ya que los AGs tienen descendencia múltiple,pueden explorar el espacio de soluciones en múltiples direcciones a la vez. Si un caminoresulta ser un callejón sin salida, pueden eliminarlo fácilmente y continuar el trabajoen avenidas más prometedoras, dándoles una mayor probabilidad en cada ejecución deencontrar la solución.

Por tanto, un AG que evalúe explícitamente un número pequeño de individuos estáevaluando implícitamente un grupo de individuos mucho más grande -de la misma maneraque un encuestador que le hace preguntas a un cierto miembro de un grupo étnico, religiosoo social espera aprender algo acerca de las opiniones de todos los miembros de ese grupo,y por tanto puede predecir con �abilidad la opinión nacional sondeando sólo un pequeñoporcentaje de la población. De la misma manera, el AG puede dirigirse hacia el espaciocon los individuos más aptos y encontrar el mejor de ese grupo. En el contexto de losalgoritmos evolutivos, esto se conoce como teorema del esquema, y es la ventaja principalde los AGs sobre otros métodos de resolución de problemas.

Otra ventaja notable de los algoritmos genéticos es que se desenvuelven bien en prob-lemas con un paisaje adaptativo complejo -aquéllos en los que la función de aptitud esdiscontinua, ruidosa, cambia con el tiempo, o tiene muchos óptimos locales. La mayoría delos problemas prácticos tienen un espacio de soluciones enorme, imposible de explorar ex-haustivamente; el reto se convierte entonces en cómo evitar los óptimos locales -solucionesque son mejores que todas las que son similares a ella, pero que no son mejores que otrassoluciones distintas situadas en algún otro lugar del espacio de soluciones. Muchos algo-ritmos de búsqueda pueden quedar atrapados en los óptimos locales: si llegan a lo alto deuna colina del paisaje adaptativo, descubrirán que no existen soluciones mejores en lascercanías y concluirán que han alcanzado la mejor de todas, aunque existan picos másaltos en algún otro lugar del mapa.

Los algoritmos evolutivos, por otro lado, han demostrado su efectividad al escapar delos óptimos locales y descubrir el óptimo global incluso en paisajes adaptativos muy es-cabrosos y complejos. (Debe decirse que, en la realidad, a menudo no hay manera de decirsi una cierta solución a un problema es el óptimo global o sólo un óptimo local muy alto.Sin embargo, aunque un AG no devuelva siempre una solución perfecta y demostrable a unproblema, casi siempre puede devolver al menos una muy buena solución). Todos los cua-tro componentes principales de los AGs -paralelismo, selección, mutación y cruzamiento-trabajan juntos para conseguir esto. Al principio, el AG genera una población inicial

12

CAPÍTULO 3. VENTAJAS DE LOS AGS 13diversa, lanzando una �red� sobre el paisaje adaptativo.

Finalmente, una de las cualidades de los algoritmos genéticos que, a primera vista,puede parecer un desastre, resulta ser una de sus ventajas: a saber, los AGs no saben nadade los problemas que deben resolver. En lugar de utilizar información especí�ca conocidaa priori para guiar cada paso y realizar cambios con un ojo puesto en el mejoramiento,como hacen los diseñadores humanos, son �relojeros ciegos� ; realizan cambios aleatoriosen sus soluciones candidatas y luego utilizan la función de aptitud para determinar si esoscambios producen una mejora.

La virtud de esta técnica es que permite a los algoritmos genéticos comenzar con unamente abierta, por así decirlo. Como sus decisiones están basadas en la aleatoriedad, to-dos los caminos de búsqueda posibles están abiertos teóricamente a un AG; en contraste,cualquier estrategia de resolución de problemas que dependa de un conocimiento pre-vio, debe inevitablemente comenzar descartando muchos caminos a priori, perdiendo asícualquier solución novedosa que pueda existir . Los AGs, al carecer de ideas preconcebidasbasadas en creencias establecidas sobre �cómo deben hacerse las cosas� o sobre lo que �deninguna manera podría funcionar�, los AGs no tienen este problema.

3.1. LIMITACIONES DE LOS AGS

Aunque los algoritmos geneticos han demostrado su e�ciencia y potencia como estrate-gia de resolución de problemas, no son la panacea. Los AGs tienen ciertas limitaciones;sin embargo, se demostrará que todas ellas pueden superarse y que ninguna de ellas afectaa la validez de la evolución biológica.

La primera y mas importante consideracion al crear un algoritmo genético es de�niruna representación del problema. El lenguaje utilizado para especi�car soluciones can-didatas debe ser robusto; es decir, debe ser capaz de tolerar cambios aleatorios que noproduzcan constantemente errores fatales o resultados sin sentido.

Hay dos maneras principales para conseguir esto. La primera, utilizada por la mayoríade los algoritmos genéticos, es de�nir a los individuos como listas de números -binarios,enteros o reales- donde cada número representa algún aspecto de la solución candidata.Si los individuos son cadenas binarias, un 0 o 1 podría signi�car la ausencia o presenciade una cierta característica. Si son listas de números, estos números podrían represen-tar muchas cosas distintas: los pesos de las conexiones en una red neuronal, el orden delas ciudades visitadas en un recorrido dado, la situación espacial de componentes elec-trónicos, los valores con los que se alimenta a un controlador, los ángulos de torsión delos enlaces péptidos de una proteína, etcétera. Así, la mutación implica cambiar estosnúmeros, cambiar bits o sumar o restar valores aleatorios.

Además de elegir bien la función de aptitud, también deben elegirse cuidadosamentelos otros parámetros de un AG -el tamaño de la población, el ritmo de mutación y cruza-miento, el tipo y fuerza de la selección. Si el tamaño de la población es demasiado pequeño,puede que el algoritmo genético no explore su�cientemente el espacio de soluciones paraencontrar buenas soluciones consistentemente. Si el ritmo de cambio genético es demasia-do alto o el sistema de selección se escoge inadecuadamente, puede alterarse el desarrollode esquemas bene�ciosos y la población puede entrar en catástrofe de errores, al cambiardemasiado rápido para que la selección llegue a producir convergencia.

Los seres vivos también se enfrentan a di�cultades similares, y la evolución se haencargado de ellas. Es cierto que si el tamaño de una población cae hacia un valor muybajo, los ritmos de mutación son muy altos o la presión selectiva es demasiado fuerte (unasituación así podría ser resultado de un cambio ambiental drástico), entonces la especiepuede extinguirse. La solución ha sido �la evolución de la evolutividad� -las adaptaciones

CAPÍTULO 3. VENTAJAS DE LOS AGS 14que alteran la habilidad de una especie para adaptarse. Un ejemplo. La mayoría de losseres vivos han evolucionado una elaborada maquinaria celular que comprueba y corrigeerrores durante el proceso de replicación del ADN, manteniendo su ritmo de mutación aunos niveles aceptablemente bajos; a la inversa, en tiempos de fuerte presión ambiental,algunas especies de bacterias entran en un estado de hipermutación en el que el ritmo deerrores en la replicación del ADN aumenta bruscamente, aumentando la probabilidad deque se descubrirá una mutación compensatoria. Por supuesto, no pueden eludirse todaslas catástrofes, pero la enorme diversidad y las adaptaciones altamente complejas de losseres vivos actuales muestran que, en general, la evolución es una estrategia exitosa.Igualmente, las aplicaciones diversas y los impresionantes resultados de los algoritmosgenéticos demuestran que son un campo de estudio poderoso y que merece la pena.

Finalmente, varios investigadores aconsejan no utilizar algoritmos genéticos en proble-mas resolubles de manera analítica. No es que los algoritmos genéticos no puedan encon-trar soluciones buenas para estos problemas; simplemente es que los métodos analíticostradicionales consumen mucho menos tiempo y potencia computacional que los AGs y, adiferencia de los AGs, a menudo está demostrado matemáticamente que ofrecen la úni-ca solución exacta. Por supuesto, como no existe una solución matemática perfecta paraningún problema de adaptación biológica, este problema no aparece en la naturaleza.

3.2. APLICACIONES

Diseño automatizado, incluyendo investigación en diseño de materiales y diseño mul-tiobjetivo de componentes automovilísticos: mejor comportamiento ante choques, ahorrosde peso, mejora de aerodinámica. Diseño automatizado de equipamiento industrial. Diseñoautomatizado de sistemas de comercio en el sector �nanciero. Construcción de árboles �lo-genéticos. Diseño de sistemas de distribución de aguas. Diseño de topologías de circuitosimpresos. Diseño de topologías de redes computacionales. En Teoría de juegos, resolu-ción de equilibrios. Aprendizaje de comportamiento de robots. Aprendizaje de reglas deLógica difusa. Análisis lingüístico, incluyendo inducción gramática, y otros aspectos deProcesamiento de lenguajes naturales, tales como eliminación de ambigüedad de sentido.Infraestructura de redes de comunicaciones móviles. Aplicación de Algoritmos Genéticosal Dilema del Prisionero Iterado Optimización de sistemas de compresión de datos, porejemplo, usando wavelets. Predicción de Plegamiento de proteínas. Predicción de estruc-tura de ARN. Selección óptima de modelos matemáticos para la descripción de sistemasbiológicos. Manejo de residuos sólidos. Ingeniería de software. Construcción de horariosen grandes universidades, evitando con�ictos de clases. Problema del viajante. Hallazgode errores en programas. Optimización de producción y distribución de energía eléctrica.Diseño de redes geodésicas (Problemas de diseño). Calibración y detección de daños enestructuras civiles.

Capítulo 4

ALGUNOS EJEMPLOSESPECÍFICOS DE AG

4.1. ACÚSTICA

Utilizaron algoritmos genéticos para diseñar una sala de conciertos con propiedadesacústicas óptimas, maximizando la calidad del sonido para la audiencia, para el director ypara los músicos del escenario. Esta tarea implica la optimización simultánea de múltiplesvariables. Comenzando con una sala con forma de caja de zapatos, el AG de los autoresprodujo dos soluciones no dominadas, ambas descritas como �con forma de hoja�. la mejor-salas de conciertos del mundo, en términos de propiedades acústicas.

4.2. INGENIERÍA AEROESPACIAL

Aplicación de los algoritmos genéticos a la tarea de situar órbitas de satélites paraminimizar los apagones de cobertura. Mientras la tecnología de telecomunicaciones sigueprogresando, los humanos somos cada vez más dependientes de las funciones vitales querealizan los satélites en órbita alrededor de la Tierra, y uno de los problemas con los quese enfrentan los ingenieros es el diseño de las trayectorias orbitales. Los satélites que seencuentran en una órbita terrestre alta, a unos 35.000 kilómetros de altitud, pueden veramplias secciones del planeta al mismo tiempo y estar en contacto con las estaciones ter-restres, pero son mucho más caros de lanzar y más vulnerables a las radiaciones cósmicas.Es más económico colocar satélites en órbitas bajas, en algunos casos a sólo unos pocoscientos de kilómetros; pero, a causa de la curvatura de la Tierra, es inevitable que estossatélites pierdan durante un tiempo la línea de visión con los receptores terrestres, y porlo tanto se vuelven inútiles. Incluso las constelaciones de varios satélites tienen apagonesineludibles y pérdidas de cobertura por esta razón

4.3. ASTRONOMÍA Y ASTROFÍSICA

Se sugiere la utilidad de los AGs para problemas de astrofísica, aplicándolos a tresproblemas de ejemplo: obtener la curva de rotación de una galaxia basándose en las ve-locidades rotacionales observadas de sus componentes, determinar el periodo de pulsaciónde una estrella variable basándose en series de datos temporales, y sacar los valores delos parámetros críticos de un modelo magneto hidrodinámico del viento solar. Son tresdifíciles problemas no lineales y multidimensionales.

15

CAPÍTULO 4. ALGUNOS EJEMPLOS ESPECÍFICOS DE AG 164.4. QUÍMICA

Un pulso láser ultracorto de alta energía puede romper moléculas complejas en molécu-las más sencillas, un proceso con aplicaciones importantes en la química orgánica y lamicroelectrónica. Los productos especí�cos de una reacción así pueden controlarse mod-ulando la fase del pulso láser. Sin embargo, para moléculas grandes, obtener la forma delpulso deseado de manera analítica es demasiado difícil: los cálculos son demasiado com-plejos y las características relevantes (las super�cies de energía potencial de las moléculas)no se conocen con su�ciente precisión.

4.5. INGENIERÍA ELÉCTRICA

Una matriz de puertas programable en campo, es un tipo especial de placa de circuitocon una matriz de celdas lógicas, cada una de las cuales puede actuar como cualquiertipo de puerta lógica, interconectado con conexiones �exibles que pueden conectar celdas.Estas dos funciones se controlan por software, así que simplemente cargando un programaespecial en la placa, puede alterarse al vuelo para realizar las funciones de cualquierdispositivo de hardware de la amplia variedad existente.

4.6. MERCADOS FINANCIEROS

En 1996 se utilizaron un algoritmo genético para predecir el rendimiento futuro de1.600 acciones ofertadas públicamente. Concretamente, al AG se le asignó la tarea de pre-decir el bene�cio relativo de cada acción, de�nido como el bene�cio de esa acción menosel bene�cio medio de las 1.600 acciones a lo largo del periodo de tiempo en cuestión,12 semanas (un cuarto del calendario) en el futuro. Como entrada, al AG se le propor-cionaron datos históricos de cada acción en forma de una lista de 15 atributos, como larelación precio-bene�cio y el ritmo de crecimiento, medidos en varios puntos del tiempopasado; se le pidió al AG que evolucionara un conjunto de reglas si/entonces para clasi-�car cada acción y proporcionar, como salida, una recomendación sobre qué hacer conrespecto a la acción (comprar, vender o ninguna predicción) y un pronóstico numéricodel bene�cio relativo. Los resultados del AG fueron comparados con los de un sistemaestablecido, basado en una red neuronal, que los autores habían estado utilizando parapronosticar los precios de las acciones y administrar las carteras de valores durante tresaños. Por supuesto, el mercado de valores es un sistema extremadamente ruidoso y nolineal, y ningún mecanismo predictivo puede ser correcto el 100porcentaje del tiempo; elreto consiste en encontrar un predictor que sea preciso más de la mitad de las veces.

4.7. JUEGOS

Una de las demostraciones más novedosas y persuasivas de la potencia de los algoritmosgenéticos la presentaron], que utilizaron un AG para evolucionar redes neuronales quepudieran jugar a las damas. Los autores a�rman que una de las mayores di�cultades en estetipo de problemas relacionados con estrategias es el problema de la asignación de crédito-en otras palabras, ¾cómo escribir una función de aptitud? Se ha creído ampliamente quelos criterios simples de ganar, perder o empatar no proporcionan la su�ciente informaciónpara que un algoritmo genético averigüe qué constituye el buen juego.

CAPÍTULO 4. ALGUNOS EJEMPLOS ESPECÍFICOS DE AG 174.8. GEOFÍSICA

Se utilizaron un algoritmo genético para los hipocentros de los terremotos basándoseen datos sismológicos. (El hipocentro es el punto bajo la super�cie terrestre en el que seorigina un terremoto. El epicentro es el punto de la super�cie directamente encima delhipocentro). Esto es una tarea sumamente compleja, ya que las propiedades de las ondassísmicas dependen de las propiedades de las capas de roca a través de las que viajan. Elmétodo tradicional para localizar el hipocentro se basa en lo que se conoce como algoritmode inversión sísmico, que empieza con la mejor estimación de la ubicación, calcula lasderivadas del tiempo de viaje de la onda con respecto al punto de origen, y realiza unaoperación de matriz para proporcionar una ubicación actualizada. Este proceso se repitehasta que se alcanza una solución aceptable. (Este Mensaje del Mes, de noviembre de 2003,proporciona más información). Sin embargo, este método requiere información diferencialy es propenso a quedar atrapado en óptimos locales.

4.9. INGENIERÍA DE MATERIALES

Se utilizaron algoritmos genéticos para diseñar polímeros conductores de electricidadbasados en el carbono, conocidos como polianilinas. Estos polímeros, un tipo de materialsintético inventado recientemente, tienen �grandes aplicaciones tecnológicas potenciales� ypodrían abrir la puerta a �nuevos fenómenos físicos fundamentales�. Sin embargo, debido asu alta reactividad, los átomos de carbono pueden formar un número virtualmente in�nitode estructuras, haciendo que la búsqueda de nuevas moléculas con propiedades interesantessea del todo imposible. En este artículo, los autores aplican un enfoque basado en AGs ala tarea de diseñar moléculas nuevas con propiedades especi�cadas a priori, comenzandocon una población de candidatos iniciales generada aleatoriamente. Concluyen que sumetodología puede ser una �herramienta muy efectiva�, para guiar a los investigadoresen la búsqueda de nuevos compuestos y es lo su�cientemente general para que puedaextenderse al diseño de nuevos materiales que pertenezcan virtualmente a cualquier tipode molécula.

4.10. EJÉRCITO Y CUMPLIMIENTO DE LA LEY

En el 2002 se utilizaron algoritmos genéticos para evolucionar planes tácticos para lasbatallas militares. Los autores señalan que �planear una batalla militar táctica es una tareacompleja multidimensional que a menudo atormenta a los profesionales experimentados�no sólo porque este tipo de decisiones a menudo se toman bajo condiciones de mucho estrés,sino también porque hasta los planes más sencillos requieren tomar en cuenta un grannúmero de variables y consecuencias: minimizar las bajas amigas, maximizar las bajasenemigas, controlar el terreno deseado, conservar recursos, etcétera. Los plani�cadoreshumanos tienen di�cultades al tratar con las complejidades de esta tarea y a menudodeben recurrir a métodos �rápidos y sucios�, como hacer lo que funcionase la última vez.

4.11. BIOLOGÍA MOLECULAR

En los seres vivos, las proteínas transmembrana son proteínas que sobresalen de unamembrana celular. Las proteínas transmembrana realizan a menudo funciones importantescomo detectar la presencia de ciertas sustancias en el exterior de la célula o transportarlas

CAPÍTULO 4. ALGUNOS EJEMPLOS ESPECÍFICOS DE AG 18hacia el interior de la célula. Para comprender el comportamiento de una proteína trans-membrana es necesario identi�car el segmento de la proteína que realmente está insertadoen la membrana, lo que se conoce como dominio transmembrana. Durante las dos últimasdécadas, los biólogos moleculares han publicado una serie de algoritmos cada vez másprecisos para este propósito.

4.12. ROBÓTICA

El torneo internacional Rob es un proyecto para promocionar el avance de la robótica,la inteligencia arti�cial y los campos relacionados, proporcionando un problema estándarcon el que probar las nuevas tecnologías -concretamente, es un campeonato anual de fútbolentre equipos de robots autónomos. (El objetivo �jado es desarrollar un equipo de robotshumanoides que puedan vencer al equipo humano de fútbol que sea campeón del mundoen 2050; actualmente, la mayoría de los equipos de robots participantes funcionan conruedas). Los programas que controlan a los miembros del equipo robótico deben exhibirun comportamiento complejo, decidiendo cuándo bloquear, cuándo tirar, cómo moverse,cuándo pasar la pelota a un compañero, cómo coordinar la defensa y el ataque, etcétera.

4.13. DISEÑO DE RUTAS Y HORARIOS

En 1999 se utilizaron algoritmos genéticos para diseñar los horarios de los exámenesuniversitarios. Se sabe que, en general, el problema del horario es NP-completo, lo quesigni�ca que no se conoce un método para hallar con garantías una solución óptima enun tiempo razonable. En un problema así, hay restricciones duras -no puede asignarseel mismo aula a dos exámenes a la vez- y restricciones suaves -si es posible, no debenasignarse varios exámenes en sucesión a un mismo estudiante, para minimizar la fatiga.Las restricciones duras deben satisfacerse, mientras que las restricciones suaves debensatisfacerse lo máximo posible.

Capítulo 5

ALGUNAS APLICACIONES DE LOSALGORITMOS GENÉTICOS

Como hemos podido observar, el área de aplicación de los AG es muy amplia, y engeneral sus aplicaciones se pueden implementar a muchos de los problemas de la vidacotidiana, de igual forma, se hayan aplicado a diversos problemas y modelos en ingeniaría,y en la ciencia en general cabe destacar entre ellos:

5.1. Optimización

Se trata de un campo especialmente abonado para el uso de los AG, por las caracterís-ticas intrínsecas de estos problemas. No en vano fueron la fuente de inspiración para loscreadores estos algoritmos. Los AG se han utilizado en numerosas tareas de optimización,incluyendo la optimización numérica, y los problemas de optimización combinatoria.

5.2. Programación automática

Los AG se han empleado para desarrollar programas para tareas especí�cas, y paradiseñar otras estructuras computacionales tales como el autómata celular, y las redes declasi�cación

5.3. Aprendizaje máquina

Los AG se han utilizado también en muchas de estas aplicaciones, tales como lapredicción del tiempo o la estructura de una proteína. Han servido asimismo para desar-rollar determinados aspectos de sistemas particulares de aprendizaje, como pueda ser elde los pesos en una red neuronal, las reglas para sistemas de clasi�cación de aprendizajeo sistemas de producción simbólica, y los sensores para robots.

5.4. Economía

En este caso, se ha hecho uso de estos Algoritmos para modelizar procesos de inno-vación, el desarrollo estrategias de puja, y la aparición de mercados económicos.

19

CAPÍTULO 5. ALGUNAS APLICACIONES DE LOS ALGORITMOS GENÉTICOS205.5. Sistemas inmunes

A la hora de modelizar varios aspectos de los sistemas inmunes naturales, incluyendola mutación somática durante la vida de un individuo y el descubrimiento de familias degenes múltiples en tiempo evolutivo, ha resultado útil el empleo de esta técnica.

5.6. Ecología

En la modelización de fenómenos ecológicos tales como las carreras de armamentobiológico, la coevolución de parásito-huésped, la simbiosis, y el �ujo de recursos.

5.7. Genética de poblaciones

En el estudio de preguntas del tipo "¾Bajo qué condiciones será viable evolutivamenteun gene para la recombinación

5.8. Evolución y aprendizaje

Los AG se han utilizado en el estudio de las relaciones entre el aprendizaje individualy la evolución de la especie.

5.9. Sistemas sociales

En el estudio de aspectos evolutivos de los sistemas sociales, tales como la evolucióndel comportamiento social en colonias de insectos, y la evolución de la cooperación yla comunicación en sistemas multiagentes. Aunque esta lista no es, en modo alguno,exhaustiva, sí transmite la idea de la variedad de aplicaciones que tienen los AG. Gracias aléxito en estas y otras áreas, los AG han llegado a ser un campo puntero en la investigaciónactual. 1


Capítulo 6

CONCLUSIÓNES

Como se ha podido observar, una de las principales ventajas de los AG puede obser-varse en su sencillez; puesto que se necesita muy poca información sobre el espaciode búsqueda ya que se trabaja sobre un conjunto de soluciones o parámetros cod-i�cados (hipótesis o individuos). Al igual que sus campos de aplicación, se puedea�rmar que es un método muy completo de optimización, puesto que sus áreas deestudio son muy amplias, y se puede ver generalizado en muchos sucesos cotidianos.

Se ha observado de igual forma que los AG están indicados para resolver todo tipode problemas que se puedan expresar como un problema de optimización donde sede�ne una representación adecuada para las soluciones y para la función a opti-mizar. Se busca una solución por aproximación de la población, en lugar de unaaproximación punto a punto.

Probablemente el punto más delicado de todo se encuentra en la de�nición de lafunción objetivo, ya que de su e�ciencia depende la obtención de un buen resulta-do. El resto del proceso es siempre el mismo para todos los casos.

La programación mediante AG supone un nuevo enfoque que permite abarcar to-das aquellas áreas de aplicación donde no se sabe de ante mano como resolver elproblema.

Se dice que la evolución cultural humana ha reemplazado a la biológica -que nosotros,como especie, hemos llegado a un punto en el que somos capaces de controlar con-scientemente nuestra sociedad, nuestro entorno y hasta nuestros genes al nivel su�-ciente para hacer que el proceso evolutivo sea irrelevante. Se dice que los caprichosculturales de nuestra cambiante sociedad son los que determinan la aptitud hoyen día, en lugar de la marcha enormemente lenta, en comparación, de la mutacióngenética y la selección natural. En cierto sentido, esto puede ser perfectamente cier-to.

Pero en otro sentido, nada podría estar más lejos de la verdad. La evolución es unproceso de resolución de problemas cuyo poder sólo comenzamos a comprender yexplotar; a pesar de esto, ya está funcionando por todas partes, moldeando nuestratecnología y mejorando nuestras vidas, y, en el futuro, estos usos no harán sinomultiplicarse. Aquí hay una lección que deben aprender los que niegan el poder dela evolución y los que niegan que el conocimiento de ella tenga bene�cios prácticos.

1


21

Capítulo 7

BIBLIOGRAFIA

-BIBLIOTECA DE LA UNIVERSIDAD NACIONAL DE HVCA.-CHAPRA.-INTERNET.1


22

Capítulo 8

ANEXOS

Figura 8.1: D

1.jpg

Figura 8.2: E

23

CAPÍTULO 8. ANEXOS 241


algoritmos geneticos final

Documents