Computacion Evolutiva 1

Universidad
Nacional
Trujillo
FACULTAD DE INGENIERIA
ESCUELA DE INGENIERIA DE SISTEMAS
INTELIGENCIA ARTIFICIAL
COMPUTACIN EVOLUTIVA
DOCENTE:
Mg. Luis Tenorio Cabrera
ALUMNOS:
ANGELES MUOZ, Gabriel

CASTILLO MEDINA, Patrick
MARQUINA LOZANO, Neyser
RUBIO CABANILLAS, Eduardo
ZELADA SILVA, Edward
TRUJILLO PER
2016
de
Escuela de Ingeniera de Sistemas

de Gestin
Ingeniera de Software
INTRODUCCIN
Desde los aos 1930s, algunos investigadores comenzaron a ver el proceso
de evolucin de las especies como un proceso de aprendizaje, mediante el
cual la naturaleza dota a las especies de diferentes mecanismos, buscando
hacerlas ms aptas para sobrevivir.
Partiendo de estos preceptos no resulta entonces difcil percatarse de que
pueden desarrollarse algoritmos que traten de resolver problemas de
bsqueda y optimizacin guiados por el principio de la supervivencia del
ms apto que postulara Charles Darwin en su famosa (y controversial)
teora de la evolucin de las especies. Dichos algoritmos son denominados,
hoy en da, algoritmos evolutivos y su estudio conforma la computacin
evolutiva, que es el tema del que el siguiente informe.
Los algoritmos evolutivos, en sus diferentes variantes, han resultado muy
exitosos en la solucin de una amplia gama de problemas del mundo real.

de Gestin
NDICE
INTRODUCCIN............................................................................................ ii
I.
HISTORIA................................................................................................ 2
II. DEFINICIN............................................................................................ 3
III.
PRINCIPALES PARADIGMAS DE LA COMPUTACIN EVOLUTIVA...4
3.1. Programacin Evolutiva(PE)............................................................5

3.2. Estrategias Evolutivas(EE)...............................................................6
3.3. Algoritmos Genticos(AG)................................................................8
3.4. Programacin Gentica(PG)..........................................................10
IV.
COMPARACIN DE LAS TCNICAS EVOLUTIVAS..........................14
V. VENTAJAS DE LAS TCNICAS EVOLUTIVAS......................................15

CONLUSIONES............................................................................................. iv
BIBLIOGRAFA.............................................................................................. v

de Gestin

de Gestin
I.
HISTORIA
-
La evolucin natural fue vista como un proceso de aprendizaje

desde los 1930s:
o Walter D. Cannon, por ejemplo, plantea en su libro The
Wisdom of the Body que el proceso evolutivo es algo
similar al aprendizaje por ensayo y error que suele
manifestarse en los humanos.
o El clebre matemtico ingls Alan Mathison Turing reconoci
tambin una conexin obvia entre la evolucin y el
aprendizaje de mquina en su artculo (considerado hoy
clsico en Inteligencia Artificial) titulado Computing
Machinery and Intelligence.
A fines de los 1950s y principios de los 1960s:

o El bilogo Alexander S. Fraser public una serie de trabajos
sobre la evolucin de sistemas biolgicos en una
computadora digital, dando la inspiracin para lo que se
convertira ms tarde en el algoritmo gentico.
o El trabajo de Fraser incluye, entre otras cosas, el uso de una
representacin binaria, de un operador de cruce
probabilstico, de una poblacin de padres que generaban
una nueva poblacin de hijos tras recombinarse y el empleo
de un mecanismo de seleccin. Adems, Fraser estudi el
efecto de la epstasis, la segregacin, los porcentajes de
cruce y varios otros mecanismos biolgicos que hoy son de
sumo inters para la comunidad de computacin evolutiva.
Su trabajo de ms de 10 aos en este tema se resume en
un libro titulado Computer Models in Genetics. De tal forma,
puede decirse que el trabajo de Fraser anticip la propuesta
del algoritmo gentico simple de John Holland y la de la
estrategia evolutiva de dos miembros de Hans-Paul
Schwefel . Fraser adems lleg a utilizar el trmino
aprendizaje para referirse al proceso evolutivo efectuado
en sus simulaciones, y anticip el operador de inversin, la
definicin de una funcin de aptitud y el anlisis estadstico
de la convergencia del proceso de seleccin.
A lo largo del siglo XX, diversos investigadores desarrollaron

algoritmos inspirados en l evolucin natural para resolver
diferentes tipos de problemas.
o Por ejemplo, R. M. Friedberg fue pionero en la tarea de
evolucionar programas de computadora. El trabajo de
Friedberg consisti en generar un conjunto de instrucciones
en lenguaje mquina que pudiesen efectuar ciertos clculos
sencillos (por ejemplo, sumar dos nmeros).

de Gestin
o
II.
Fogel considera que Friedberg fue el primero en enunciar de

manera informal los conceptos de paralelismo implcito y
esquemas, que popularizara Holland en los 1970s.
DEFINICIN
La computacin evolutiva (en adelante CE) es una de las ramas de
la Inteligencia Artificial que se aplica para la resolucin de
problemas de optimizacin combinatoria. La CE est inspirada en
los mecanismos de evolucin biolgica propuestos por Darwin,
Medel y Lamark. Sin entrar mucho en detalle sobre los estudios
que hicieron estos cientficos, solo vamos a mencionar
brevemente lo que propusieron.
Darwin propuso la Seleccin natural de los ms adaptados ,
Medel propuso la Teora corpuscular de la herencia.
Lamark propuso la Herencia de caracteres adquiridos .
Son una abstraccin de los procesos y principios establecidos por
el Darwinismo y Neo-darwinismo y el principio goal-driven
(conducido a los objetivos). El pensamiento evolutivo actual se
basa en el Neo-Darwinismo.
Paradigma Neo darwiniano:
Establece que la historia de la vida puede ser explicada por los
siguientes procesos estadsticos:
Herencia
Reproduccin
Mutacin y recombinacin
Competencia
Seleccin Natural.
El Neodarwinismo es la combinacin de:
La Teora evolutiva original de Charles Darwin
El Seleccionismo de August Weismann
La Gentica de Gregor Mendel

de Gestin
III.
PRINCIPALES PARADIGMAS DE LA COMPUTACIN
EVOLUTIVA
El trmino computacin evolutiva o algoritmos evolutivos
engloba una serie de tcnicas inspiradas en los principios de la
teora Neo-Darwiniana de la evolucin natural. En trminos
generales, para simular el proceso evolutivo en una computadora
se requiere:
Codificar las estructuras que se replicarn (o sea, una
estructura de datos que se utilice para almacenar a un
individuo).
Operaciones que afecten a los individuos (tpicamente, se
usa cruce y mutacin).
Una funcin de aptitud que nos indique qu tan buena es
una solucin con respecto a las dems.
Un mecanismo de seleccin que implemente el principio de
supervivencia del ms apto de la teora de Darwin.
Aunque hoy en da es cada vez ms difcil distinguir las diferencias
entre los distintos tipos de algoritmos evolutivos existentes, por
razones sobre todo histricas, suele hablarse de cuatro
paradigmas principales:
Programacin Evolutiva
Estrategias Evolutivas
Programacin gentica.
Algoritmos Genticos
Cada uno de estos paradigmas se origin de manera

independiente y con motivaciones muy distintas, por lo que
procederemos a describir brevemente a cada uno de ellos de
forma totalmente independiente.

de Gestin
Figura
1:
Autmata finito de 3 estados. Los smbolos a la izquierda de / son de

entrada y los de la derecha son de salida. El estado inicial es C.
3.1. Programacin Evolutiva(PE)

Lawrence J. Fogel propuso en los 1960s una tcnica denominada
Programacin Evolutiva, en la cual la inteligencia se ve como un
comportamiento adaptativo. La Programacin Evolutiva enfatiza
los nexos de comportamiento entre padres e hijos, en vez de
buscar emular operadores genticos especficos (como en el caso
de los Algoritmos Genticos).
El algoritmo bsico de la Programacin Evolutiva es el siguiente:
Generar aleatoriamente una poblacin inicial.
Se aplica mutacin.
Se calcula la aptitud de cada hijo y se usa un proceso de
seleccin mediante torneo (normalmente estocstico) para
determinar cules sern las soluciones que se retendrn.
La Programacin Evolutiva es una abstraccin de la evolucin al
nivel de las especies, por lo que no se requiere el uso de un
operador de recombinacin (diferentes especies no se pueden
cruzar entre s). Asimismo, usa seleccin probabilstica. Resulta un
tanto ms fcil entender la Programacin Evolutiva analizando un
ejemplo como el que se muestra en la figura 1. La tabla
de transiciones de este autmata es la siguiente:

de Gestin
En este autmata pueden ahora aplicarse cinco diferentes tipos de

mutaciones: cambiar un
smbolo de salida, cambiar una transicin, agregar un estado,
borrar un estado y cambiar el estado inicial. El objetivo es hacer
que el autmata reconozca un cierto conjunto de entradas (o sea,
una cierta expresin regular) sin equivocarse ni una sola vez.
Algunas aplicaciones de la Programacin Evolutiva son:
Prediccin
Generalizacin
Juegos
Control automtico
Problema del viajero
Planeacin de rutas
Diseo y entrenamiento de redes neuronales
Reconocimiento de patrones
3.2. Estrategias Evolutivas(EE)

Las Estrategias Evolutivas fueron desarrolladas en 1964 en
Alemania para resolver problemas hidrodinmicos de alto grado de
complejidad por un grupo de estudiantes de ingeniera
encabezado por Ingo Rechenberg. La versin original (1+1)-EE
usaba un solo padre y con l se generaba un solo hijo. Este hijo se
mantena si era mejor que el padre, o de lo contrario se eliminaba
(a este tipo de seleccin se le llama extintiva, porque los peores
individuos tienen una probabilidad cero de ser seleccionados).
En la (1+1)-EE, un individuo nuevo es generado usando:
Donde t se refiere a la generacin (o iteracin) en la que nos
encontramos, y N(0,) es un vector de nmeros Gaussianos
independientes con una media cero y desviacin estndar .
Rechenberg introdujo el concepto de poblacin, al proponer una
estrategia evolutiva llamada ( +1)-EE, en la cual hay padres y
se genera un solo hijo, el cual puede reemplazar al peor padre de
la poblacin (seleccin extintiva).
Schwefel introdujo el uso de mltiples hijos en las denominadas
(+)-EEs y (,)-EEs.
La notacin se refiere al mecanismo de seleccin utilizado:
En el primer caso, los mejores individuos obtenidos de la
unin de padres e hijos sobreviven.
En el segundo caso, slo los mejores hijos de la siguiente
generacin sobreviven.
6

de Gestin
Rechenberg formul una regla para ajustar la desviacin estndar

de forma determinista durante el proceso evolutivo de tal manera
que el procedimiento convergiera hacia el ptimo.
Esta se conoce como la regla del xito 1/5, que indica que:
La razn entre mutaciones exitosas y el total de mutaciones debe
ser 1/5. Si es mayor, entonces debe incrementarse la desviacin
estndar. Si es menor, entonces debe decrementarse.
Formalmente:
donde n es el nmero de dimensiones, t es la generacin, ps es la

frecuencia relativa de mutaciones exitosas medida sobre
intervalos de por ejemplo 10n individuos, y c =0.817 (este valor
fue derivado tericamente por Schwefel). (t) se ajusta cada n
mutaciones.
Los operadores de recombinacin de las Estrategias Evolutivas
pueden ser:
Sexuales: el operador acta sobre 2 individuos elegidos

aleatoriamente de la poblacin de padres.
Panmticos: se elige un solo padre al azar, y se mantiene

fijo mientras se elige al azar un segundo padre (de entre
toda la poblacin) para cada componente de sus vectores.
Las EEs pueden dividirse en dos tipos: Estrategias Evolutivas

Simples y Estrategias Evolutivas Mltiples.
Estrategias Evolutivas Simples
Son consideradas como procedimientos estocsticos de
optimizacin paramtrica con paso adaptativo, esta
caracterstica las hace similares al temple simulado. En este
caso, se hace evolucionar un solo individuo usando
nicamente a la mutacin como operador gentico. Son
relativamente sencillas, y se denominan tambin EEs de dos
miembros. Debido a que evoluciona un solo individuo a la
vez, no son consideradas estrictamente como mtodos
evolutivos. A pesar de ser muy sencillas, son de gran
utilidad prctica y han sido utilizadas, con algunas mejoras,
para resolver problemas reales en diversas reas.
Estrategias Evolutivas Mltiples
7

de Gestin
Surgen como respuesta a las debilidades de las EEs simples,

las cuales tienden a converger hacia subptimos. En las EEs
mltiples existen mltiples individuos (poblacin), y se
producen en cada generacin varios nuevos individuos,
usando tanto mutacin como cruce (tambin puede usarse
cualquier otro operador). Se usa normalmente e cruce
promedio, el cual genera un nico descendiente de dos
padres, promediando los valores de estos. En cuanto a los
criterios de reemplazo, siempre se usa un esquema
determinstico pudindose utilizar una estrategia de
insercin o de inclusin.
Algunas aplicaciones de las Estrategias Evolutivas son:
o Problemas de rutas y redes
o Bioqumica
o ptica
o Diseo en ingeniera
o Magnetismo
3.3. Algoritmos Genticos(AG)

Los Algoritmos Genticos (denominados originalmente planes
reproductivos genticos) fueron desarrollados por John H. Holland
a principios de los 1960s, motivado por su inters en resolver
problemas de aprendizaje de mquina.
El algoritmo gentico enfatiza la importancia de la cruza sexual
(operador principal) sobre el de la mutacin (operador secundario)
y usa seleccin probabilstica. El algoritmo bsico es el siguiente:
Generar (aleatoriamente) una poblacin inicial.
Calcular la aptitud de cada individuo.
Seleccionar (probabilsticamente) con base a la aptitud.
Aplicar operadores genticos (cruza y mutacin) para
generar la siguiente poblacin.
Ciclar hasta que cierta condicin se satisfaga.
La representacin tradicional es la binaria, tal y como se

ejemplifica en la figura2. A la cadena binaria se le llama
cromosoma. Al bloque de bits que codifica una sola variable del
problema se le denomina gen y al valor dentro de cada posicin
cromosmica se le llama alelo.
Figura 2: Ejemplo de la codificacin (mediante cadenas binarias) usada

tradicionalmente con los Algoritmos Genticos.

de Gestin
Para poder aplicar el algoritmo gentico se requiere de los 5

componentes bsicos siguientes:
Una representacin de las soluciones potenciales del
problema.
Una forma de crear una poblacin inicial de posibles
soluciones (normalmente un proceso aleatorio).
Una funcin de evaluacin que clasifique las soluciones en
trminos de su aptitud.
Operadores genticos que alteren la composicin de los
hijos que se producirn para las siguientes generaciones
(normalmente cruce sexual y mutacin).
Valores para los diferentes parmetros que utiliza el
algoritmo gentico (tamao de la poblacin, probabilidad
de cruza, probabilidad de mutacin, nmero mximo de
generaciones, etc.)
Bajo representacin binaria, suelen usarse 3 tipos principales de
cruce: de un punto (ver figura 3), de dos puntos (ver figura 4) y
uniforme (ver figura 5).
Figura 3: Cruce de un punto.
Figura 4: Cruce de dos puntos.
En la Figura 5 se observa la cruza uniforma con una probabilidad

de 50%. Ntese que la mitad de los bits del Hijo 1 se tomaron del

de Gestin
Padre 1 y la otra mitad, del Padre 2. El Hijo 2 obtiene sus bits de

manera opuesta a como las obtiene el Hijo1.
Figura 5: Cruce uniforme.
Algunas aplicaciones de los Algoritmos Genticos son las

siguientes:
- Optimizacin (estructural, de topologas, numrica,
combinatoria, etc.)
- Aprendizaje de mquina (sistemas clasificadores)
- Bases de datos (optimizacin de consultas)
- Reconocimiento de patrones (por ejemplo, imgenes o
letras)
- Generacin de gramticas (regulares, libres de contexto,
etc.)
- Planeacin de movimientos de robots
- Prediccin
3.4. Programacin Gentica(PG)

3.4.1. Definicin
Es una metodologa basada en los algoritmos evolutivos e
inspirada en la evolucin biolgica para desarrollar
automticamente programas de computadoras que realicen
una tarea definida por el usuario.
Esta metodologa viene a ser una especializacin de los
algoritmos genticos donde cada individuo es un programa de
computadora. Es una tcnica de aprendizaje automtico
utilizada para optimizar una poblacin de programas de
acuerdo a una funcin de ajuste o aptitud (en ingls: fitness)
que evala la capacidad de cada programa para llevar a cabo
la tarea en cuestin.
10

de Gestin
En conclusin, la PG consiste en la evolucin automtica de

programas usando ideas basadas en la seleccin natural
(Darwin) y la cual no solo se ha utilizado para generar
programas, sino que cualquier otro tipo de soluciones cuya
estructura sea similar a la de un programa. Por ejemplo,
frmulas matemticas, circuitos electrnicos.
3.4.2. Representacin
En programacin gen tica, los programas (o individuos) se
representan como rboles.
Segmento de cdigo:
Representacin en rbol:
3.4.3. Terminales y funciones

El conjunto de terminales est compuesto por las entradas
posibles al individuo, constantes y funciones de aridad 0.
El conjunto de funciones est compuesto por los operadores
constructos y funciones que pueden componer a un individuo.
Ejemplos:
Funciones booleanas: AND, OR, NOT, XOR.

Funciones aritmticas: PLUS, MINUS, MULT, DIV.
Sentencias condicionales: IF, THEN, ELSE, CASE, SWITCH
Sentencias para iteraciones: WHILE, FOR, REPEAT..UNTIL
11

de Gestin
Por lo tanto, el conjunto de terminales y funciones elegidos para

resolver un problema particular debe ser, obviamente, suficiente
para representar una solucin al problema.
Por otro lado, no es conveniente usar un nmero grande de
funciones, debido a que esto aumenta el tamao del espacio de
bsqueda (principio de parsimonia).
Adems, es deseable que las funciones puedan manejar todos los
argumentos que eventualmente podran llegar a tener.
3.4.4. Esquema de la PG
A. Genera una poblacin inicial
El primer paso en programacin gen tica consiste en formar la
poblacin inicial de individuos. Uno de los parmetros
principales para un algoritmo gen tico es el tamao mximo
de un programa. Este lmite puede estar impuesto sobre el
nmero de nodos o sobre la profundidad del rbol.
Usualmente, se utilizan dos mtodos para generar esta
poblacin, el mtodo de grow y el full.
Mtodo grow
Consiste en: Sea T el conjunto de terminales y F el conjunto
de funciones. Se elige aleatoriamente un elemento de F
para que conforme la raz del rbol.
El contenido de los nodos hijos de la raz se elige desde F
T. Si el valor elegido es una funcin, se repite este
procedimiento con los hijos. (si el valor elegido es una
constante, se termina esa rama del rbol.)
Mtodo Full
El mtodo full hace crecer el rbol en forma similar al
mtodo grow, pero siempre se eligen elementos del
conjunto de funciones, a menos que el nodo este a
profundidad mxima, en cuyo caso solo se eligen
elementos de T.
Los resultados de este mtodo son siempre arboles
balanceados de profundidad mxima.
En este mtodo si se usa el nmero de nodos como lmite
de tamao, el crecimiento se termina cuando el tamao
rbol ha alcanzado el lmite.
B. Mientras no se cumple el criterio de programacin:
Seleccionar individuos (para reproduccin y eliminacin).
La seleccin es el proceso por el cual se transmiten
individuos de una generacin a otro considerando su calidad.
Hay distintos tipos de seleccin:
12

de Gestin
a. El primero de ellos se basa en algoritmos genticos

Para una poblacin de N individuos, elegir a dos
individuos progenitores, privilegiando los con mejor
calidad. Esto se hace eligiendo al individuo i con
probabilidad.
b. Otra tcnica consiste en efectuar torneos, el cual

consiste en elegir dos grupos de n individuos
aleatoriamente desde la poblacin y seleccionar al mejor
elemento del primer grupo (padre), y al mejor elemento
del segundo (madre).
Combinar y/o variar individuos nuevos.
Para combinar y mutar individuos nuevos hasta llegar al
individuo solucin, se tienen tres operadores bsicos:
a. Crossover
El operador de cruza (crossover) combina el material
gentico de individuos intercambiando pedazos dos
progenitores para producir dos descendientes. Si los
individuos se representan como rboles, se elige al azar
un nodo de cada rbol y luego se intercambian los
subrboles bajo estos nodos.
El intercambio se muestra en la siguiente figura:
13

de Gestin
b. Mutacin
Acta sobre un solo individuo, generalmente, uno resultante de
un crossover.
La mutacin acta con una probabilidad, en general, muy baja
y que es un parmetro del algoritmo de programacin gen
tica.
Un tipo de mutacin consiste en escoger en forma aleatoria un
nodo del rbol y generar bajo este otro subrbol (por ejemplo,
usando el mtodo grow).
En la siguiente tabla se muestran otros tipos de mutacin:
14

de Gestin
c. Reproduccin
Es el operador ms simple de todos. Consiste en seleccionar un
individuo y duplicarlo, quedando dos copias dentro de la
poblacin.
Agregar y eliminar individuos
3.4.5. Funcin de calidad
La calidad es la medida usada por el algoritmo de programacin
gen tica durante la evolucin simulada para medir que tan buena
es una solucin.
Caractersticas:
Una funcin de calidad se dice estandarizada positiva si es
que siempre asigna el valor 0 al individuo que es mejor
solucin para el problema.
Una funcin de calidad se dice normalizada si es que
siempre asigna el valor entre 0 y 1.
Si f es una funcin estandarizada, entonces g = 1 /(1+f) es
una funcin normalizada que asigna valor 1 al individuo de
mayor calidad.
IV.
V.
COMPARACIN DE LAS TCNICAS EVOLUTIVAS
VENTAJAS DE LAS TCNICAS EVOLUTIVAS

Es importante destacar las diversas ventajas que presenta el uso
de tcnicas evolutivas para resolver problemas de bsqueda y
optimizacin:
Simplicidad Conceptual.
Amplia aplicabilidad.
Superiores a las tcnicas
problemas del mundo real.
tradicionales
en
muchos
15

de Gestin
Tienen el potencial para incorporar conocimiento sobre el

dominio y para hibridarse con otras tcnicas de
bsqueda/optimizacin.
Pueden explotar fcilmente las arquitecturas en paralelo.
Son robustas a los cambios dinmicos.
16

de Gestin
CONLUSIONES
La computacin evolutiva, como disciplina de estudio, ha atrado la
atencin de un nmero cada vez mayor de investigadores de todo el
mundo. Esta popularidad se debe, en gran medida, al enorme xito
que han tenido los algoritmos evolutivos en la solucin de problemas
del mundo real de gran complejidad. De tal forma, es de esperarse
que en los aos siguientes el uso de este tipo de tcnicas prolifere
an ms. Ntese, sin embargo, que es importante tener en mente
que los algoritmos evolutivos son tcnicas heursticas. Por tanto, no
garantizan que convergern al ptimo de un problema dado, aunque
en la prctica suelen aproximar razonablemente bien el ptimo de un
problema en un tiempo promedio considerablemente menor que los
algoritmos deterministas. Esta distincin es importante, pues el papel
de las tcnicas heursticas es el de servir normalmente como ltimo
recurso para resolver un problema en el que los algoritmos
convencionales (tpicamente deterministas) no funcionan o tienen un
costo computacional prohibitivo. Esto implica que antes de decidir
recurrir a los algoritmos evolutivos, debe analizarse la factibilidad de
utilizar otro tipo de tcnicas. Este paso, que pudiese parecer obvio
para muchos, en la prctica suele omitirse en muchos casos y de ah
que exista bastante escepticismo por parte de aquellos que
acostumbran a trabajar nicamente con algoritmos deterministas. El
uso apropiado y pertinente de los algoritmos evolutivos ser sin duda
la base de su futuro como alternativa para la solucin de problemas
complejos y de ah que se enfatice su importancia.

de Gestin
BIBLIOGRAFA
LIBRO:
VI.
Santana Quintero, Luis Vicente y Coello Coello, Carlos

A. Una introduccin a la computacin evolutiva y
algunas de sus aplicaciones en Economa y Finanzas.
Editorial Pablo Olavide,2006.
DIRECCIONES ELECTRNICAS:
VII.
VIII.
IX.
http://algoritmosgenetics.blogspot.pe/2014/07/ventajas
-y-desventajas.html
http://es.slideshare.net/jairoUNT/computacin-evolutiva
Computacin Evolutiva. Universidad de Granada:
DECSAI
Disponible
en:
https://www.google.com.pe/search?
q=google&oq=G&aqs=chrome.1.69i60j69i59j69i60l2j0
j69i57.2105j0j4&sourceid=chrome&ie=UTF8#q=COMPUTACION+EVOLUTIVA+decsai

Computacion Evolutiva 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Computacion Evolutiva 1

Uploaded by

Copyright:

Available Formats

Universidad

ANGELES MUOZ, Gabriel

Escuela de Ingeniera de Sistemas

Escuela de Ingeniera de Sistemas

PRINCIPALES PARADIGMAS DE LA COMPUTACIN EVOLUTIVA...4

3.1. Programacin Evolutiva(PE)............................................................5

COMPARACIN DE LAS TCNICAS EVOLUTIVAS..........................14

V. VENTAJAS DE LAS TCNICAS EVOLUTIVAS......................................15

Escuela de Ingeniera de Sistemas

Escuela de Ingeniera de Sistemas

La evolucin natural fue vista como un proceso de aprendizaje

A fines de los 1950s y principios de los 1960s:

A lo largo del siglo XX, diversos investigadores desarrollaron

Escuela de Ingeniera de Sistemas

Fogel considera que Friedberg fue el primero en enunciar de

Escuela de Ingeniera de Sistemas

Cada uno de estos paradigmas se origin de manera

Escuela de Ingeniera de Sistemas

Autmata finito de 3 estados. Los smbolos a la izquierda de / son de

3.1. Programacin Evolutiva(PE)

Escuela de Ingeniera de Sistemas

En este autmata pueden ahora aplicarse cinco diferentes tipos de

3.2. Estrategias Evolutivas(EE)

Escuela de Ingeniera de Sistemas

Rechenberg formul una regla para ajustar la desviacin estndar

donde n es el nmero de dimensiones, t es la generacin, ps es la

Sexuales: el operador acta sobre 2 individuos elegidos

Panmticos: se elige un solo padre al azar, y se mantiene

Las EEs pueden dividirse en dos tipos: Estrategias Evolutivas

Escuela de Ingeniera de Sistemas

Surgen como respuesta a las debilidades de las EEs simples,

3.3. Algoritmos Genticos(AG)

La representacin tradicional es la binaria, tal y como se

Figura 2: Ejemplo de la codificacin (mediante cadenas binarias) usada

Escuela de Ingeniera de Sistemas

Para poder aplicar el algoritmo gentico se requiere de los 5

Figura 3: Cruce de un punto.

Figura 4: Cruce de dos puntos.

En la Figura 5 se observa la cruza uniforma con una probabilidad

Escuela de Ingeniera de Sistemas

Padre 1 y la otra mitad, del Padre 2. El Hijo 2 obtiene sus bits de

Figura 5: Cruce uniforme.

Algunas aplicaciones de los Algoritmos Genticos son las

3.4. Programacin Gentica(PG)

Escuela de Ingeniera de Sistemas

En conclusin, la PG consiste en la evolucin automtica de

3.4.3. Terminales y funciones

Funciones booleanas: AND, OR, NOT, XOR.

Escuela de Ingeniera de Sistemas

Por lo tanto, el conjunto de terminales y funciones elegidos para

Escuela de Ingeniera de Sistemas

a. El primero de ellos se basa en algoritmos genticos

b. Otra tcnica consiste en efectuar torneos, el cual

Escuela de Ingeniera de Sistemas

Escuela de Ingeniera de Sistemas

COMPARACIN DE LAS TCNICAS EVOLUTIVAS

VENTAJAS DE LAS TCNICAS EVOLUTIVAS

Escuela de Ingeniera de Sistemas

Tienen el potencial para incorporar conocimiento sobre el

Escuela de Ingeniera de Sistemas

Escuela de Ingeniera de Sistemas

Santana Quintero, Luis Vicente y Coello Coello, Carlos

You might also like