INTRODUCCION.
Esta clase estudiaremos
el algoritmo genético el cual surgió en 1970 por Jhon Holland este algoritmo es
basado en la evaluación biológica ha sido uno de los logros más grande en la
inteligencia artificial.
Los Algoritmos Genéticos
usan una analogía directa con el comportamiento natural. Trabajan con una población
de individuos, cada uno de los cuales representa una solución factible a un
problema dado.
MARCO TEORICO.
DESCRIPCIÓN GENERAL Y
CARACTERÍSTICAS DE LOS ALGORÍTMOS GENÉTICOS
La
idea básica es generar un conjunto con algunas de las posibles soluciones. Cada
una va a ser llamada individuo, y a dicho conjunto se le denominará población.
Cada
individuo tiene una información asociada a él. Tiene asociada una función de
adaptación que determina el grado de adaptación de un individuo. A dicha
información se le denomina código genético.
Las
características de los individuos, sean beneficiosas o no, se van a denominar
fenotipos. La información asociada a un individuo se compone de partes
indivisibles denominados cromosomas.
Características
Son
algoritmos estocásticos, es decir, dos ejecuciones distintas pueden dar dos
soluciones distintas.
v Son
algoritmos de búsqueda múltiple, luego dan varias soluciones.
v
Son los algoritmos que hacen una barrida
mayor al subespacio de posibles soluciones válidas.
v
A diferencia de los otros algoritmos, cuya
convergencia y resultado final son fuertemente dependientes de la posición
inicial, la convergencia del algoritmo genético es poco sensible a la población
inicial si esta se escoge de forma aleatoria y es lo suficientemente grande.
v
Por su grado de penetración casi nulo, la
curva de convergencia asociada al algoritmo presenta una convergencia
excepcionalmente rápida al principio, que casi enseguida se bloquea. Esto de
debe a que el algoritmo genético es excelente descartando subespacios realmente
malos.
v
La optimización es función de la
representación de los datos.
v Es
una búsqueda paramétricamente robusta. Eso quiere decir que sólo si se escoge
realmente mal los parámetros del algoritmo, éste no va a converger.
La
forma más simple de algoritmo genético utiliza tres tipos de operadores:
selección, cruce y mutación.
v Selección o reproducción:
Este operador escoge cromosomas entre la población para efectuar la
reproducción. Cuanto más capaz sea el cromosoma, más veces será seleccionado
para reproducirse.
v Cruce:
Se trata de un operador cuya labor es elegir un lugar, y cambiar las secuencias
antes y después de esa posición entre dos cromosomas, para crear nueva
descendencia (por ejemplo, las cadenas 10010011 y 11111010 pueden cruzarse
después del tercer lugar para producir la descendencia 10011010 y 11110011).
Imita la recombinación biológica entre dos organismos haploides.
v Mutación:
Este operador produce variaciones de modo aleatorio en un cromosoma (por
ejemplo, la cadena 00011100 puede mutar su segunda posición para dar lugar a la
cadena 01011100). La mutación puede darse en cada posición de un bit en una
cadena, con una probabilidad, normalmente muy pequeña (por ejemplo 0.001). Como
se ve, los Algoritmos Genéticos difieren de los métodos tradicionales de
búsqueda y optimización, en cuatro cuestiones esenciales:
ALGUNAS
APLICACIONES DE LOS ALGORITMOS GENÉTICOS
Aunque, como se ha
comentado, el Algoritmo que se utilizó en el apartado anterior es muy simple,
ha servido para que los estudios realizados en torno a él, se hayan aplicado a
diversos problemas y modelos en ingeniaría, y en la ciencia en general. Cabe destacar
entre ellos:
Ø Optimización:
Se trata de un campo especialmente abonado para el uso de los Algoritmos
Genéticos, por las características intrínsecas de estos problemas. No en vano
fueron la fuente de inspiración para los creadores estos algoritmos. Los Algoritmos
Genéticos se han utilizado en numerosas tareas de optimización, incluyendo la
optimización numérica, y los problemas de optimización combinatoria.
Ø Programación automática:
Los Algoritmos Genéticos se han empleado para desarrollar programas para tareas
específicas, y para diseñar otras estructuras computacionales tales como el
autómata celular, y las redes de clasificación.
Ø Aprendizaje máquina:
Los algoritmos genéticos se han utilizado también en muchas de estas
aplicaciones, tales como la predicción del tiempo o la estructura de una
proteína. Han servido asimismo para desarrollar determinados aspectos de sistemas
particulares de aprendizaje, como pueda ser el de los pesos en una red
Ø Economía:
En este caso, se ha hecho uso de estos Algoritmos para modelizar procesos de
innovación, el desarrollo estrategias de puja, y la aparición de mercados económicos.
Ø Sistemas inmunes:
A la hora de modelizar varios aspectos de los sistemas inmunes naturales,
incluyendo la mutación somática durante la vida de un individuo y el descubrimiento
de familias de genes múltiples en tiempo evolutivo, ha resultado útil el empleo
de esta técnica.
Ø Ecología:
En la modelización de fenómenos ecológicos tales como las carreras de armamento
biológico, la coevolución de parásito-huesped, la simbiosis, y el flujo de recursos.
Ø Genética de poblaciones:
En el estudio de preguntas del tipo “¿Bajo qué condiciones será viable
evolutivamente un gene para la recombinación?”
Ø Evolución y aprendizaje: Los Algoritmos Genéticos se han utilizado en el estudio de las
relaciones entre el aprendizaje individual y la evolución de la especie.
Ø Sistemas sociales:
En el estudio de aspectos evolutivos de los sistemas sociales, tales como la
evolución del comportamiento social en colonias de insectos, y la evolución de
la cooperación y la comunicación en sistemas multi-agentes. Aunque esta lista
no es, en modo alguno, exhaustiva, sí transmite la idea de la variedad de
aplicaciones que tienen los Algoritmos Genéticos. Gracias al éxito en estas y otras
áreas, los Algoritmos Genéticos han llegado a ser un campo puntero en la investigación
actual.
CONCLUSION.
Se
puede concluir que los algoritmo genéticos están basado en probabilidades,
entré mayor sea el número de generaciones el resultado será más óptimo en lo
general todo lo que es comparativo es genético.
BIBLIOGRAFÍA.
Russell, S. y Norvig, P. 2004. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO.
PEARSON EDUCACION. 2 ed. Madrid.
Algoritmo Genético Consultado, 04 de Nov. 2015. Formato PDF.
Disponible http://www.uv.es/asepuma/X/J24C.pdf
