Algoritmos Genéticos

Conceptos Básicos
Datos generales
• Surgen aproximadamente en los años 70.
• Creado por John Henry Holland.
• Inspirados en la evolución natural.
• Se utilizan en problemas en donde no se pueden
encontrar soluciones o estas no son satisfactorias.
• Algunas veces son llamados algoritmos
evolutivos.
Definición (1)
Son algoritmos de búsqueda basados en los
mecanismos de selección natural que combinan la
supervivencia de las secuencias mejores
adaptadas con cambios aleatorios de información
[1].
Definición (2)
Los algoritmos genéticos pueden verse como una
familia de procedimientos de búsqueda
adaptativos. Su nombre se deriva de que están
basados en modelos de cambio genético en una
población de individuos [2].
Definición (3)
Un algoritmo genético es una técnica de
programación que imita la evolución biológica
como estrategia para resolver problemas [3].
Algoritmos genéticos (AG)
• Proceso de adaptación como punto clave.
• Cada estructura de la población esta asociada a
una medida de aptitud.
• Aplicación a un espacio de búsqueda grande, pero
es posible que se necesite una muestra inicial
grande.
Diferencias con otros métodos de
búsqueda y optimización
• Trabaja con un conjunto de parámetros
codificados.
• La búsqueda inicia desde varios puntos.
• Reglas de transición probabilísticas y no
determinísticas.
Características de un AG
• Generan más de una solución.
• Realizan una barrida amplia a espacio de posibles
soluciones.
• La convergencia del algoritmo es poco sensible a
la población inicial.
• Excelentes en descartar sub espacios de
soluciones malos.
• Búsqueda paramétrica robusta.
• Los AG son intrínsecamente paralelos.
Componentes de un AG
• Una representación genética de las soluciones del
problema.
• Una forma de crear una población inicial de
soluciones.
• Una función de evaluación capaz de medir la aptitud
de las soluciones.
• Método de selección de los individuos más aptos.
• Un conjunto de operadores genéticos como reglas de
transición probabilísticas para guiar la búsqueda.
• El valor de unos parámetros de entrada para guiar la
evolución.
Representación genética (I)
• Las soluciones se deben de codificar.
• La codificación es por medio de una ristra de
símbolos (número o letras).
• La ristra es generalmente una cadena binaria con
número de bits suficientes para representar la
solución.
• La ristra se conoce como estructura o cromosoma.
Representación genética (II)
• Los cromosomas es compuestos por genes; el
valor de un gen se denomina alelo y a su posición
locus.
• Cada iteración se convierte en una generación.
• A la decodificación del cromosoma se le conoce
como fenotipo.
Población inicial
• Conjunto de individuos de número m, (m es un
parámetro).
• La inicialización del individuo consiste en asignar
un valor aleatorio a cada uno de sus genes.
Función de evaluación
• Tiene como objetivo medir la adecuación de una
solución en una generación.
• La función de evaluación corresponde con la
función objetivo del problema.
Métodos de selección (I)
• Reproducción: incluye un algoritmos de
reproducción y uno de muestreo.
▫ El algoritmo de selección asigna una probabilidad
de selección a cada cromosoma.
▫ El algoritmo de muestreo produce copias de los
cromosomas de la generación t-1 a la generación t.
• Cromosomas con mayor probabilidad se
reproducen más y tiene más impacto.
Métodos de selección (II)
• Método elitista.
• Selección proporcional a la aptitud.
• Selección escalada.
• Selección por torneo.
• Selección por estado estacionario.
• Selección por rango.
• Selección generacional.
• Selección jerárquica.
Operadores genéticos: cruce (I)
• Depende de una probabilidad inicial.
• Se selecciona de manera aleatoria los
cromosomas.
• Se aplica alguna técnica de cruce.
▫ Cruce de n puntos.
▫ Cruce uniforme.
▫ Cruce especializado.
Operadores genéticos: cruce (II)
Operadores genéticos: mutación
• Produce diversidad en la población.
• Se utiliza una probabilidad de mutación.
• Afecta de manera aleatoria un gen del
cromosoma.
Parámetros
• Tamaño de la población.
• Número de generaciones.
• Probabilidad de cruce.
• Probabilidad de mutación.
Funcionamiento de un AG (I)
El funcionamiento puede depender de los
operadores genéticos y del método de selección.
2. Inicialización.
3. Evaluación, se aplica la función de aptitud.
4. Condición de finalización.
1. Métodos de selección.
2. Operadores genéticos.
Funcionamiento de un AG (II)
Iniciar población

Evaluación inicial

Selección Operador genético Evaluar generación

Condición
de Solución
finalización
Bibliografía
1. Carmen Cortés Parejo. Algoritmos genéticos y
problemas de visibilidad. Universidad de
Sevilla. Junio 1996.
2. Eduardo Morales. Búsqueda, optimización y
aprendizaje, algoritmos genéticos. Tecnológico
de Monterrey. Noviembre 2004.
3. Adam Marczyk. Algoritmos genéticos y
computación evolutiva. 2004.