COMPUTACIN EVOLUTIVA Y ALGORITMO GENTICOS

INTEGRANTES:
KEVIN CEVALLOS
DANIEL CARRERA

2 DE OCTUBRE DE 2017
UIDE
 sus ideas y se forme la base de lo que hoy
conocemos como: teora de la evolucin.
Abstract:
Este cambio en la fisionoma de las especies
Comprender y explicar la computacin
se debe en gran manera por la capacidad que
evolutiva y cuales han sido las teoras que han
influido en el nacimiento de esta. A su vez tienen las mismas de cambiar y adaptarse al
explicar el paradigma o algoritmo gentico, entorno; por lo que un pico de 5 cm en una
sus aplicaciones e importancia en el mundo zona donde los peces se pueden encontrar en
de la informtica y otras reas que se han la orilla de la playa es totalmente funcional,
visto afectadas. Se hizo uso de un mtodo pero, en un otra parte del planeta donde
investigativo para recopilar informacin y pescar no es una tarea fcil, se necesita de
mtodos analticos para sacar distintas otro tipo de acondicionamiento fsico, y esto
conclusiones se logra gracias al tiempo y a las mutaciones
que sufren las especies.
1 Introduccin
Como ya se mencion, la teora que Darwin
Charles Darwin fue uno de los cientficos
postul sirvi para distintos campos, uno de
ms importantes de todos los tiempos, l se
ellos es el que se conoce como: Computacin
dedic, entre otras cosas, a estudiar a la
evolutiva, la cual contiene dentro de s a los
naturaleza de manera apasionada, y como
algoritmos evolutivos; ambos temas a tratar
toda actividad que se realice con pasin, su
en este documento.
trabajo fue reconocido y ampliamente
Este documento busca conceptualizar de
estudiado por otros cientficos. Hay quienes
manera clara los trminos: computacin
no estn de acuerdo con sus postulados, pero
evolutiva y algoritmos genticos.
sus notas quedaron plasmadas y no solo
El resto del artculo est organizado de la
sirvieron para estudio cientfico, fueron bases
siguiente forma: Esta, la seccin 1, compuesta
para generar conocimientos en distintos
por la introduccin al documento. En la
campos de la vida del hombre.
seccin 2 El desarrollo se divide en: Neo-
Es importante conocer de manera general lo
Darwinismo y su influencia en la computacin
que contaba Darwin en su libro: Charles
evolutiva y algoritmo gentico, en donde se
Darwin y el origen de las especies [ (Darwin,
explica conceptos sobre la teora Neo
1921)]: Este escrito naci bsicamente de un
Darwiniana y cmo est influy en el
recorrido realizado por varias partes del
nacimiento de la computacin evolutiva.
planeta, en el cual pudo notar, tras una
En Breve historia de la computacin
minuciosa observacin, que las distintas
evolutiva, se ubica en un contexto temporal y
especies sufran leves cambios a medida que
se mencionan personajes histricos que
su ecosistema variaba.
aportaron para el desarrollo de esta.
Es decir: Un ave que posea un pico alargado
En Computacin evolutiva, se define el
de 5 cm poda tener un pico de 10 cm que
concepto y se enuncian los distintos
termine en forma de gancho con solo
paradigmas existentes. En Algoritmos
movernos a otra ubicacin geogrfica
Genticos se explica el concepto de Algoritmo
hablando de aves pertenecientes a la misma
Genticos y su utilidad en la computacin
especie estos datos lograron que aclarasen
evolutiva.
 En la seccin 3 se muestran las conclusiones
luego del anlisis del trabajo presentado.
2 Desarrollo
Neo-Darwinismo y su influencia en la
computacin evolutiva y algoritmo gentico
El Neo Darwinismo es una teora eclctica
que nace de las investigaciones formuladas
por varios cientficos, se puede decir que es la
fusin del Darwinismo clsico con la gentica
moderna.
Darwin, tras sus observaciones, logr
identificar que las especies sufran cambios a
lo largo del tiempo y afectados por el
ecosistema en donde se encontraban; a estos
cambios, el aporte de otros cientficos los
denomin mutaciones.
As la evolucin de las especies se habra
debido a un conjunto de pequeas
mutaciones preservadas por la seleccin
natural, las cuales generan una nueva
especie; esta sera el resultado de la variacin
natural que ocurre dentro de las especies [
(Santana Quintero & Coello Coello, 2006)].
Breve Historia de la computacin evolutiva
La reproduccin es una caracterstica innata
en todas las especies del planeta; en cualquier
sistema que puede reproducirse a s mismo y
que est en constante equilibrio, tenemos
garantizado la mutacin. La seleccin se
vuelve una consecuencia de la naturaleza
ante el exceso de organismos vivientes que
buscan los recursos disponibles [ (Santana
Quintero & Coello Coello, 2006)].
La computacin evolutiva data desde muchos
aos atrs, aun cuando no estaba definido el
concepto de computacin evolutiva ya se
estaba abordando este tema. Allan Turing,
por el ao 50s, fue uno de los primeros en
hacer mencin acerca de las mquinas y la
inteligencia en uno de sus libros titulado
Computing Machinery and Intelligence [
(Turing)]
Varios son los autores que han publicado
sobre la importancia de los sistemas
biolgicos en los sistemas de informacin
computarizados, R.M. Friedberg logr
evolucionar programas de PC; l gener una
secuencia de instrucciones programadas en
lenguaje mquina que pudieron efectuar
clculos sencillos.
George Friedman propuso una aplicacin de
tcnicas evolutivas a la robtica. En su trabajo
de maestra formul evolucionar una serie de
circuitos de control, parecido a lo que
conocemos como redes neuronales, usando
lo que l denomin retroalimentacin
selectiva, en un proceso anlogo a la
seleccin natural. Se podra considerar a este
trabajo como el origen de la robtica
evolutiva.
Estos circuitos de control modelaban
neuronas humanas que podan ser excitadas
o inhibidas segn se desee; adems estos
circuitos simples podan agruparse y formar
as circuitos ms complejos. George tambin
propuso un mecanismo para construir, probar
y evaluar estos circuitos de forma automtica,
utilizando las famosas mutaciones aleatorias
de la teora del neo darwinismo; a esto se lo
denomina Hardware evolutivo.
Este autor adems, dijo que la simulacin de
proceso de reproduccin sexual y el de
mutacin nos conduciran al diseo de
mquinas pensantes, lo que hara posible,
por ejemplo, la fabricacin de programas para
jugar ajedrez que vayan generando jugadas
de acuerdo a los movimientos del adversario.
En aquella poca la Computacin evolutiva
recibi muchas crticas y no era muy aceptada
en el medio.
Computacin evolutiva
La computacin evolutiva es una rama de la
computacin e inteligencia artificial que
utiliza tcnicas que simulan la evolucin
natural; hace uso de algoritmos complejos de
bsqueda y aprendizaje.
Como ya sabemos, la computacin evolutiva
(CE) tiene sus bases en la teora de la
evolucin biolgica planteada por naturistas,
estudiosos y cientficos; por ende, decimos
que la CE hace uso de una serie de tcnicas
inspiradas en los principios de la teora neo
Darwiniana.
Existen 3 paradigmas, tcnicas o algoritmos
heursticos:
1. Algoritmos Genticos
2. Estrategias de Evolucin
3. Programacin Evolutiva
En la siguiente Figura (1) veremos lo que se
conoce como la ecuacin evolutiva [ (Gestal
Pose, 2009)]:
Figura 1
Algoritmos Genticos
Los Algoritmos Genticos son algoritmos de
bsqueda basados en la mecnica de
seleccin natural y de la gentica natural.
Combinan la supervivencia del ms apto entre
estructuras de secuencias con un intercambio
de informacin estructurado, aunque
aleatorizado, para constituir as un algoritmo
de bsqueda que tenga algo de las
genialidades de las bsquedas humanas [
(Golbert, 1989)]}
El desarrollo de los Algoritmos Genticos se
debe en gran medida a John Holland,
investigador de la Universidad de Michigan. A
finales de los 60 desarroll una tcnica que
imitaba en funcionamiento a la seleccin
natural. A esta tcnica se la conoce
principalmente con el nombre de Algoritmos
Genticos. [ (Gestal, Rivero, Rabual, Dorado,
& Alejandro, 2010)]
Segn lo citado previamente, un algoritmo
gentico es una tcnica de programacin que
imita a la evolucin biolgica como estrategia
para dar solucin a una problemtica. Dado
un problema a resolver, la entrada del
algoritmo gentico (AG) es un conjunto de
soluciones potenciales a ese problema,
codificadas de alguna manera, y una mtrica
llamada funcin de aptitud que permite
evaluar cuantitativamente a cada candidata.
Estas candidatas pueden ser soluciones que
ya se sabe que funcionan, con el objetivo de
que el AG las mejore, pero se suelen generar
aleatoriamente.
Luego el AG evala cada candidata de
acuerdo con la funcin de aptitud. En un
acervo de candidatas generadas
aleatoriamente, por supuesto, la mayora no
funcionarn en absoluto, y sern eliminadas.
Sin embargo, por puro azar, unas pocas
pueden ser prometedoras -pueden mostrar
actividad, aunque slo sea actividad dbil e
imperfecta, hacia la solucin del problema.
Estas candidatas prometedoras se conservan
y se les permite reproducirse. Se realizan
mltiples copias de ellas, pero las copias no
son perfectas; se introducen cambios
aleatorios durante el proceso de copia. Luego,
esta descendencia digital prosigue con la
siguiente generacin, formando un nuevo
acervo de soluciones candidatas, y son
sometidas a una ronda de evaluacin de
aptitud. Las candidatas que han empeorado o
no han mejorado con los cambios en su
cdigo son eliminadas de nuevo; pero, de 3. Conclusiones
nuevo, por puro azar, las variaciones
aleatorias introducidas en la poblacin
pueden haber mejorado a algunos individuos,
convirtindolos en mejores soluciones del
3 Referencias
problema, ms completas o ms eficientes.
De nuevo, se seleccionan y copian estos Barahona, A., Surez, E., & Martnez, S.
individuos vencedores hacia la siguiente (2004). Filosofa e Historia de la
generacin con cambios aleatorios, y el Biologa. Mxico D.F: Direccin
proceso se repite. Las expectativas son que la General de Publicaciones y Fomento
aptitud media de la poblacin se Editorial.
incrementar en cada ronda y, por tanto,
repitiendo este proceso cientos o miles de Darwin, C. (1921). El orgen de las especies por
rondas, pueden descubrirse soluciones muy medio de la seleccin natural.
buenas del problema. Gestal Pose, M. (2009). Ruc. Obtenido de
Aunque a algunos les puede parecer
http://ruc.udc.es/dspace/bitstream/
asombroso y anti intuitivo, los algoritmos
handle/2183/7173/Gestal_Marcos_T
genticos han demostrado ser una estrategia
enormemente poderosa y exitosa para D_2009.pdf?sequence=3&isAllowed=
resolver problemas, demostrando de manera y
espectacular el poder de los principios Gestal, M., Rivero, D., Rabual, J., Dorado, J.,
evolutivos. Se han utilizado algoritmos
& Alejandro, P. (2010). Introduccin a
genticos en una amplia variedad de campos
los Algoritmos Genticos. Corua:
para desarrollar soluciones a problemas tan
difciles o ms difciles que los abordados por Digitalia.
los diseadores humanos. Adems, las Golbert, D. (1989). Genetic Algorithms in
soluciones que consiguen son a menudo ms Search, Optimization and Machine
eficientes, ms elegantes o ms complejas
Learning. Boston: Addison-Wesley
que nada que un ingeniero humano
Longman Publishing Co., Inc.
producira. En algunos casos, los algoritmos
genticos han producido soluciones que Marczyk, A. (2004). the geek. Obtenido de
dejan perplejos a los programadores que http://the-geek.org/docs/algen/
escribieron los algoritmos en primera
instancia! [ (Marczyk, 2004)] Santana Quintero, L. V., & Coello Coello, C. A.
Como leemos, el algoritmo gentico puede (2 de 12 de 2006). redalyc.org.
tomar un conjunto de soluciones ya Obtenido de
existentes para determinado problema, y tras http://www.redalyc.org/html/2331/
un proceso de mutacin aleatoria y 233117243001/
comparacin, se van generando otras
soluciones, las cuales pueden ser mejor o Turing, A. (s.f.). Computing Machinery and
peor que las ya conocida; pero solo se van a Intelligence.
mantener las soluciones que muestren una
mejora, con las cuales se seguir realizando
este proceso de mutacin hasta obtener la
solucin ptima.