02 Seleccion

Computacin Evolutiva: o Tcnicas de Seleccin e o
Dr. Gregorio Toscano Pulido

Laboratorio de Tecnolog de Informacin as o Centro de Investigacin y de Estudios Avanzados del IPN o
Cinvestav-Tamaulipas
Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)
CE - Seleccin o
Cinvestav-LTI
1 / 60
Plan de la presentacin o
1
Tcnicas de seleccin e o Clasicacin o Seleccin proporcional o

La Ruleta Sobrante Estocstico a Universal Estocstica a Muestreo Determin stico Aditamentos a la Seleccin Proporcional o Resumen de los Mtodos de Seleccin Proporcional e o
Seleccin mediante Torneo o Seleccin de estado uniforme o Seleccin ms o a Brecha generacional Brecha generacional Otras Tcnicas de Seleccin e o
Seleccin Disruptiva o Jerarqu no Lineales as Seleccin competitiva o
Clasicaciones de tcnicas de Seleccin e o

CE - Seleccin o Cinvestav-LTI 2 / 60
Tcnicas de seleccin e o
Outline
1


Clasicacin o
Tcnicas de Seleccin e o
1 2 3
Seleccin Proporcional o Seleccin Mediante Torneo o Seleccin de Estado Uniforme o
CE - Seleccin o
Cinvestav-LTI
4 / 60
Seleccin proporcional o
Seleccin Proporcional o
Este nombre describe a un grupo de esquemas de seleccin originalmente o propuestos por Holland que eligen individuos de acuerdo a su contribucin o de aptitud con respecto al total de la poblacin. o
CE - Seleccin o
Cinvestav-LTI
5 / 60
Tcnicas: e
1 2 3 4
La Ruleta Sobrante Estocstico a Universal Estocstica a Muestreo Determin stico
CE - Seleccin o
Cinvestav-LTI
6 / 60
La Ruleta
Tcnica propuesta por DeJong (1975), fue el mtodo ms comnmente e e a u usado en los or genes de los AGs. El algoritmo es simple, pero ineciente: O(n2 ). El individuo menos apto puede ser seleccionado ms de una vez. a
CE - Seleccin o
Cinvestav-LTI
7 / 60
La Ruleta
Implementacin de DeJong: o Calcular la suma de valores esperados T Repetir N veces (N es el tamao de la poblacin): n o Generar un nmero aleatorio r entre 0.0 y T u Ciclar a travs de los individuos de la poblacin sumando los valores e o esperados hasta que la suma sea mayor o igual a r El individuo que haga que esta suma exceda el l mite es el seleccionado
CE - Seleccin o
Cinvestav-LTI
8 / 60
Sobrante Estocstico a
Propuesta por Booker (1982) y Brindle (1981) para acercarse ms a a los valores esperados de cada individuo. Asignar determin sticamente las partes enteras de los valores esperados para cada individuo. Reduce los problemas de la ruleta, pero puede causar convergencia prematura.
CE - Seleccin o
Cinvestav-LTI
9 / 60
Hay 2 variantes que dieren en qu hacer con las partes decimales de los e valores esperados:
1
Sin Reemplazo: Usar ip con las partes decimales para elegir los padres restantes. Con Reemplazo: Construir una ruleta con las partes decimales y usarla para seleccionar los padres faltantes.
CE - Seleccin o
Cinvestav-LTI
10 / 60
Complejidad: La versin con reemplazo es O(n2 ) o La versin sin reemplazo es O(n) o La ms popular es la versin sin reemplazo, la cual parece ser superior a la a o ruleta (Booker, 1982).
CE - Seleccin o
Cinvestav-LTI
11 / 60
Universal Estocstica a
Propuesta por Baker (1987). Objetivo: minimizar la mala distribucin de los individuos en la o poblacin en funcin de sus valores esperados. o o El algoritmo es: O(n)
CE - Seleccin o
Cinvestav-LTI
12 / 60
Algoritmo: ptr=Rand( ); { Regresa un aleatorio en el rango [0,1] } for sum = 0, i = 1; i n; i + + do for sum+ = Valesp(i, t); sum > ptr ; ptr + + do Seleccionar (i); end for end for
CE - Seleccin o
Cinvestav-LTI
13 / 60
Problemas: Puede ocasionar convergencia prematura. Hace que los individuos ms aptos se multipliquen muy rpidamente. a a No resuelve el problema ms serio de la seleccin proporcional. a o
CE - Seleccin o
Cinvestav-LTI
14 / 60
Muestreo Determin stico
Algoritmo: Calcular Pselect = fi / f Calcular Valespi = pselect n Asignar determin sticamente la parte entera de Valespi Ordenar la poblacin de acuerdo a las partes decimales (de mayor a o menor) Obtener los padres faltantes de la parte superior de la lista.
CE - Seleccin o
Cinvestav-LTI
15 / 60
Muestreo Determin stico
El algoritmo es O(n) para la asignacin determin o stica y es O(nlogn) para la ordenacin. o Padece de los mismos problemas que el sobrante estocstico. a
CE - Seleccin o
Cinvestav-LTI
16 / 60
Aditamentos:
1 2 3
Escalamiento Sigma Jerarqu as Seleccin de Boltzmann o
CE - Seleccin o
Cinvestav-LTI
17 / 60
Escalamiento Sigma
Es una tcnica ideada para mapear la aptitud original de un individuo e con su valor esperado, de manera que el AG sea menos susceptible a la convergencia prematura. La idea es mantener ms o menos constante la presin de seleccin a a o o lo largo del proceso evolutivo.
CE - Seleccin o
Cinvestav-LTI
18 / 60
Escalamiento Sigma
Usando esta tcnica, el valor esperado de un individuo est en funcin de e a o su aptitud, la media de la poblacin y la desviacin estndar de la o o a poblacin: o Valesp(i, t) = 1+ 1.0
f (i)f (t) 2(t)
si si
(t) = 0 (t) = 0
CE - Seleccin o
Cinvestav-LTI
19 / 60
Escalamiento Sigma
Al inicio de una corrida, el valor alto de la desviacin estndar impedir que o a a los mejores individuos obtengan los segmentos ms grandes de la ruleta. a Hacia el nal, la desviacin estndar ser ms baja y los individuos ms o a a a a aptos podrn multiplicarse ms fcilmente. a a a
CE - Seleccin o
Cinvestav-LTI
20 / 60
Seleccin por Jerarqu o as
Propuesta por Baker (1985) para evitar la convergencia prematura. No requiere escalamiento de las aptitudes. Alenta sobremanera la convergencia del AG.
CE - Seleccin o
Cinvestav-LTI
21 / 60
Algoritmo: 1: Ordenar (o jerarquizar) la poblacin con base en su aptitud, de 1 a N o (donde 1 representa al menos apto). 2: Elegir Max(1 Max 2) 3: Calcular Min = 2 Max
CE - Seleccin o
Cinvestav-LTI
22 / 60
Algoritmo: El valor esperado de cada individuo ser: a jerarquia(i,t)1 Valesp(i, t) = Min + (Max Min) N1 Usar seleccin proporcional aplicando los valores esperados obtenidos. o
CE - Seleccin o
Cinvestav-LTI
23 / 60
Util cuando la funcin tiene ruido (por ejemplo, cuando hay una o variable aleatoria). Existen otros mtodos de asignacin de jerarqu adems del lineal e o as a (p.ej. exponencial). Su complejidad es O(nlogn)+ tiempo de seleccin. o Diluye la presin de seleccin, por lo que causa convergencia lenta. o o
CE - Seleccin o
Cinvestav-LTI
24 / 60
Seleccin de Boltzmann o
Basada en el recocido simulado: usar una funcin de variacin de o o temperatura que controle la presin de seleccin. o o Se usa un valor alto de temperatura al principio, lo cual hace que la presin de seleccin sea baja. o o Con el paso de las generaciones, la temperatura disminuye, lo que aumenta la presin de seleccin. o o
CE - Seleccin o
Cinvestav-LTI
25 / 60
T picamente, se usa la siguiente expresin para calcular el valor esperado o de un individuo: e f (i)/T Valesp(i, t) = < e f (i)/T >t donde: T es la temperatura y <>t denota el promedio de la poblacin en o la generacin t. o
CE - Seleccin o
Cinvestav-LTI
26 / 60
Se ha utilizado ms para optimizacin multimodal y multiobjetivo a o (formacin de nichos). o Existen pruebas de convergencia de la tcnica hacia el ptimo global. e o Tiene el inconveniente de requerir la denicin de la funcin de o o variacin de temperatura. o
CE - Seleccin o
Cinvestav-LTI
27 / 60
Mtodos de Seleccin Proporcional e o
Los mtodos de seleccin proporcional requieren de 2 pasos por generacin e o o del AG: 1) Calcular la aptitud media (y, la desviacin estndar si se usa o a escalamiento sigma). 2) Calcular el valor esperado de cada individuo.
CE - Seleccin o
Cinvestav-LTI
28 / 60
Mtodos de Seleccin Proporcional e o
El uso de jerarqu requiere que se ordene toda la poblacin (una as o operacin cuyo costo puede volverse signicativo en poblaciones o grandes). La seleccin mediante torneo es similar al uso de jerarqu en o as trminos de la presin de seleccin, pero es computacionalmente ms e o o a eciente y ms fcil de paralelizarse. a a
CE - Seleccin o
Cinvestav-LTI
29 / 60
Seleccin mediante Torneo o
Seleccin Mediante Torneo o
Propuesta por Wetzel y estudiada en la tesis doctoral de Brindle (1981). La idea bsica del mtodo es seleccionar con base en comparaciones a e directas de los individuos. Hay 2 versiones:
1 2
Determin stica Probabil stica
CE - Seleccin o
Cinvestav-LTI
30 / 60
Algoritmo (versin determin o stica): Barajar los individuos de la poblacin o Escoger un nmero P de individuos (t u picamente 2) Compararlos con base en su aptitud El ganador del torneo es el individuo ms apto a Se debe barajar la poblacin un total de P veces para seleccionar N o padres.
CE - Seleccin o
Cinvestav-LTI
31 / 60
Algoritmo (versin probabil o stica): La versin probabil o stica es idntica excepto por el paso en el que se e escoge al ganador. En vez de seleccionar siempre al individuo con aptitud ms alta, se aplica ip(p) y si el resultado es cierto, se selecciona al ms a a apto. De lo contrario, se selecciona al menos apto. La probabilidad p permanece ja durante todo el proceso evolutivo y se escoge de manera que: 0.5 p 1
CE - Seleccin o
Cinvestav-LTI
32 / 60
Anlisis: a La versin determin o stica garantiza que el mejor individuo ser seleccionado P veces. a Cada competencia requiere la seleccin aleatoria de un nmero o u constante de individuos de la poblacin. La comparacin entre estos o o individuos puede realizarse en tiempo constante. Se requieren n competencias de este tipo para completar una generacin. Por tanto, o el algoritmo es O(n).
CE - Seleccin o
Cinvestav-LTI
33 / 60
Anlisis: a Tcnica eciente y fcil de implementar. e a No requiere escalamiento de la funcin de aptitud (usa comparaciones o directas). Puede introducir una presin de seleccin muy alta porque a los o o individuos menos aptos no se les da oportunidad de sobrevivir.
CE - Seleccin o
Cinvestav-LTI
34 / 60
Si se usa ttorneo = 1, se produce una caminata aleatoria con una presin de seleccin muy baja. o o Si se usa ttorneo = , la seleccin se vuelve completamente o determin stica. Si se usa ttorneo 10, la seleccin se considera dura. o Si se usa 2 ttorneo 5, la seleccin se considera blanda. o
CE - Seleccin o
Cinvestav-LTI
35 / 60
Seleccin de estado uniforme o
Seleccin de Estado Uniforme o
Propuesta por Whitley (1989). Se usa en AGs no generacionales, en los cuales slo unos cuantos o individuos son reemplazados en cada generacin (los menos aptos). o Esta tcnica suele usarse cuando se evolucionan sistemas basados en e reglas (p.ej., sistemas de clasicadores) en los que el aprendizaje es incremental.
CE - Seleccin o
Cinvestav-LTI
36 / 60
Esta tcnica es util cuando los miembros de la poblacin resuelven e o colectivamente (y no de manera individual) un problema. Asimismo, los AGs no generacionales se usan cuando es importante recordar lo que se ha aprendido antes.
CE - Seleccin o
Cinvestav-LTI
37 / 60
Algoritmo: Seleccionar de G (poblacin original) R individuos (1 R M) de o entre los ms aptos. a Normalmente, R = 1, o R = 2. Efectuar cruza y mutacin a los R individuos seleccionados. o Llamaremos H a sus hijos. Elegir al mejor individuo en H (o a los S mejores). Reemplazar los S peores individuos de G por los S mejores individuos de H.
CE - Seleccin o
Cinvestav-LTI
38 / 60
Anlisis: a Tcnica especializada de seleccin. e o Su complejidad (en la variante incluida en GENITOR) es O(n log n) Los AGs no generacionales no son muy comunes en aplicaciones de optimizacin, aunque s pueden utilizarse. o
CE - Seleccin o
Cinvestav-LTI
39 / 60
Seleccin ms o a
Seleccin ms (+) o a
Es tambin posible en un algoritmo gentico usar una seleccin ms (+) e e o a como en las estrategias evolutivas. Esta seleccin consiste en unir la o poblacin de padres con la de hijos y seleccionar la mejor mitad de ellos. o Este tipo de seleccin resulta particularmente util para resolver problemas o de optimizacin global. o
CE - Seleccin o
Cinvestav-LTI
40 / 60
Brecha generacional
Outline
1


Brecha generacional
Brecha generacional
Brecha Generacional
Muy ligada a la seleccin de estado uniforme se encuentra el concepto o de brecha generacional (generation gap). Es importante reconocer en primer trmino que las poblaciones e pueden ser no traslapables (nonoverlapping) o traslapables (overlapping).
CE - Seleccin o
Cinvestav-LTI
42 / 60
Brecha generacional
Brecha generacional
Brecha Generacional
end Una poblacin no traslapable es aquella en la que los padres nunca o compiten contra sus hijos. Es decir, toda la poblacin de padres es o siempre reemplazada por la poblacin de hijos. o En una poblacin traslapable, los padres compiten contra sus hijos. o
CE - Seleccin o
Cinvestav-LTI
43 / 60
Brecha generacional
Brecha generacional
Brecha Generacional
Se denomina brecha generacional a la cantidad de traslape existente entre padres e hijos. Una brecha generacional grande implica poco (o ningn) traslape poblacional. u Histricamente, la programacin evolutiva y las estrategias evolutivas o o han usado poblaciones traslapables, mientras que los AGs han usado poblaciones no traslapables.
CE - Seleccin o
Cinvestav-LTI
44 / 60
Brecha generacional
Brecha generacional
Brecha Generacional
De Jong (1975) parece haber sido el primero en estudiar AGs con poblaciones traslapables. De Jong sugiri que las ventajas de las poblaciones traslapables se o dilu debido a los efectos negativos del desv gentico. an o e Ms tarde, Grefenstette (1986) conrmar que una brecha a a generacional mayor parec mejorar el desempeo del AG. a n
CE - Seleccin o
Cinvestav-LTI
45 / 60
Brecha generacional
Brecha generacional
Brecha Generacional
Los primeros experimentos con los sistemas de clasicadores, conrmar sin embargo, un comportamiento exactamente opuesto an, (Holland & Reitman, 1978). En los sistemas de clasicadores, el desempeo del AG parec n a degradarse conforme se aumentaba la brecha generacional. Algunos investigadores atribuyen los resultados de De Jong y Grefenstette al uso de poblaciones pequeas. n
CE - Seleccin o
Cinvestav-LTI
46 / 60
Brecha generacional
Brecha generacional
Brecha Generacional
Los AGs tradicionales siguen usando, sin embargo, poblaciones no traslapables. Los algoritmos evolutivos de estado uniforme son aquellos en los que la poblacin es traslapable. o Normalmente, slo uno o dos hijos se producen en cada iteracin de o o un AE de estado uniforme.
CE - Seleccin o
Cinvestav-LTI
47 / 60
Brecha generacional
Otras Tcnicas de Seleccin e o
Otras Tcnicas de Seleccin: e o Disruptiva Jerarqu no lineales as Competitiva
CE - Seleccin o
Cinvestav-LTI
48 / 60
Brecha generacional
Seleccin Disruptiva o
Sugerida por Kuo y Wuang (1993) para normalizar aptitudes con respecto a un cierto valor moderado (en vez de usar valores extremos). f (x) Suele usarse: f (x) = fi (x) f (t) Valespi = i , donde (f (t)) se
i f (t)
reere a la aptitud media de la poblacin. o
CE - Seleccin o
Cinvestav-LTI
49 / 60
Brecha generacional
Seleccin Disruptiva o
Motivacin: distribuir ms los esfuerzos de la bsqueda hacia las o a u soluciones extremadamente buenas y extremadamente malas. Los individuos cercanos a la media son desechados. La utilidad de este mtodo es altamente dependiente en la aplicacin. e o Suele usarse con funciones de aptitud dinmicas. a
CE - Seleccin o
Cinvestav-LTI
50 / 60
Brecha generacional
Jerarqu no Lineales as
Propuesta por Michalewicz (1996). Se usa: probi = q(1 q)jerarquiai 1 donde: probi es la probabilidad de que el individuo i sea seleccionado. q [0, ... 1] es el factor de presin de seleccin, jerarquiai es la jerarqu del individuo i. o o a
CE - Seleccin o
Cinvestav-LTI
51 / 60
Brecha generacional
Al igual que con las jerarqu lineales, se asigna la jerarqu ms baja al as a a peor individuo y la ms alta al mejor. a Una vez que se conoce la probabilidad de que un individuo sea seleccionado, podemos calcular su valor esperado multiplicando dicho valor por n (tamao de la poblacin). n o Posteriormente, podemos aplicar cualquier tcnica de seleccin e o proporcional.
CE - Seleccin o
Cinvestav-LTI
52 / 60
Brecha generacional
Thomas Bck advirti que las probabilidades obtenidas con este a o mtodo no suman uno. e Tambin not que la tcnica puede hacerse prcticamente idntica al e o e a e torneo, dependiendo del valor de q que se use. Valores grandes de q implican una mayor presin de seleccin. o o
CE - Seleccin o
Cinvestav-LTI
53 / 60
Brecha generacional
Michalewicz (1996) advierte que la suma de probabilidades puede hacerse igual a 1 si usamos: probi = c q(1 q)jerarquiai 1 donde: 1 n o c = 1(1q)M y M es el tamao de la poblacin.
CE - Seleccin o
Cinvestav-LTI
54 / 60
Brecha generacional
Seleccin Competitiva o
La aptitud de un individuo se determina mediante sus interacciones con otros miembros de la poblacin, o con otros miembros de una o poblacin separada que evoluciona concurrentemente. o Usada por Hillis (1992), Angeline & Pollack (1993) y Sebald & Schlenzig (1994). Puede verse como un esquema co-evolutivo: las aptitudes de dos individuos dependen mutuamente entre s .
CE - Seleccin o
Cinvestav-LTI
55 / 60
Outline
1


Clasicaciones de Tcnicas de Seleccin e o
Bck y Homeister (1991) distinguen entre: a

1
Mtodos Estticos: Requieren que las probabilidades de seleccin e a o permanezcan constantes entre generaciones. Ejemplo: jerarqu as lineales. Mtodos Dinmicos: No se requiere que las probabilidades de e a seleccin permanezcan constantes. o Ejemplo: seleccin proporcional o
CE - Seleccin o
Cinvestav-LTI
57 / 60
Otros investigadores distinguen entre:

1
Seleccin Preservativa: Requiere una probabilidad de seleccin o o distinta de cero para cada individuo. Seleccin Extintiva: Puede asignar una probabilidad de seleccin de o o cero a algn individuo. u
CE - Seleccin o
Cinvestav-LTI
58 / 60
A su vez, las tcnicas extintivas se dividen en: e

1
Seleccin Izquierda: Se impide a los mejores individuos reproducirse o a n de evitar convergencia prematura. Seleccin Derecha: No se tiene control expl o cito sobre la capacidad reproductiva de los individuos ms aptos. a
CE - Seleccin o
Cinvestav-LTI
59 / 60
Adicionalmente, algunas tcnicas de seleccin son puras en el sentido de e o que a los padres se les permite reproducirse solamente en una generacin o (es decir, el tiempo de vida de cada individuo est limitado a slo una a o generacin, independientemente de su aptitud). o
CE - Seleccin o
Cinvestav-LTI
60 / 60

02 Seleccion

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

02 Seleccion

Uploaded by

Copyright:

Available Formats

Computacin Evolutiva: o Tcnicas de Seleccin e o

Dr. Gregorio Toscano Pulido

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Tcnicas de seleccin e o Clasicacin o Seleccin proporcional o

Clasicaciones de tcnicas de Seleccin e o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Tcnicas de seleccin e o Clasicacin o Seleccin proporcional o

Clasicaciones de tcnicas de Seleccin e o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin Proporcional o Seleccin Mediante Torneo o Seleccin de Estado Uniforme o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

La Ruleta Sobrante Estocstico a Universal Estocstica a Muestreo Determin stico

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Muestreo Determin stico

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Muestreo Determin stico

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Escalamiento Sigma Jerarqu as Seleccin de Boltzmann o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin por Jerarqu o as

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin por Jerarqu o as

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin por Jerarqu o as

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin por Jerarqu o as

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Mtodos de Seleccin Proporcional e o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Mtodos de Seleccin Proporcional e o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin mediante Torneo o

Seleccin Mediante Torneo o

Determin stica Probabil stica

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin mediante Torneo o

Seleccin Mediante Torneo o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin mediante Torneo o

Seleccin Mediante Torneo o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin mediante Torneo o

Seleccin Mediante Torneo o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin mediante Torneo o

Seleccin Mediante Torneo o

Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas)

Seleccin mediante Torneo o