Documente Academic
Documente Profesional
Documente Cultură
18
) (
2 2 2
bc ac ab c b a
DesvEst
Distribucin triangular
Cundo usarla:
Cuando se conoce muy poco de la variable, pero se
tiene estimados de los tres parmetros (a, b, c).
Cuando no usarla:
En situaciones donde es difcil determinar el valor
mximo (c), no es conveniente usarla.
Si se asume un mximo muy grande, se puede
distorsionar el anlisis por que la media sera muy
grande y sus desviacin estndar tambin.
Distribucin TriGen
Es una variacin de la
triangular, con cinco
parmetros.
TriGen(a, b, c, p, q)
a: mnimo prctico
b: valor ms probable
c: mximo prctico.
p: probabilidad que el
parmetro sea menor que
a
q: probabilidad que el
parmetro sea menor que
c
TriGen(40, 50, 80, 5%, 95%)
Distribucin TriGen
Es una forma til de evitar preguntar a los expertos
por los estimados mnimo y mximo absolutos de un
parmetro.
Preguntar por el mximo o el mnimo puede ser
difcil, especialmente si no hay referencias tericas.
Esta distribucin permite discutir que valores de p y q
usarn los expertos para definir mnimos y mximos
prcticos.
Distribucin Uniforme
Generalmente es un
modelador muy pobre de
la opinin de un experto.
Todos los valores entre
el mximo y el mnimo
tienen la misma
probabilidad.
Es raro que un experto
que puede opinar sobre
el mnimo y mximo no
pueda opinar sobre un
valor ms probable.
Es til para resaltar el hecho de
que se conoce muy poco de un
parmetro.
Usado ampliamente como base
para la generacin de nmeros
aleatorios para otras distribuciones.
Distribucin Pert
Derivada de la distribucin
Beta y requiere los mismos
tres parmetros que la
distribucin Triangular: un
valor mnimo (a), ms
probable (b) y mximo (c).
Su media es ms sensible
al valor ms probable que
en el caso de la Triangular.
Su desviacin estndar es
menos sensible a los
extremos que la Triangular.
Comparacin de Triangular y Pert
5.0% 90.0% 5.0%
10.8% 84.8% 4.4%
0.0519 0.1743
0
2
4
6
8
10
12
Comparacin de Triangular y Pert
Pert(0,0.1247,0.2)
Minimum 0.0000
Maximum 0.2000
Mean 0.1165
Std Dev 0.0373
Triang(0,0.1247,0.2)
Minimum 0.0000
Maximum 0.2000
Mean 0.1082
Std Dev 0.0412
Distribucin Pert modificada
La distribucin Pert
puede ser modificada
para producir otros
perfiles de la
distribucin, con los
mismos parmetros a,
b y c, modificando la
definicin de la media:
2
*
c b a
El experto debe decidir la
mejor forma de la
distribucin.
Distribucin Relati va o General
Es la ms flexible de las
distribuciones continuas.
Permite al analista y al
experto modelar la
distribucin que mejor
refleja la opinin del
experto.
La sintaxis es:
General(min, max, {x
i
},
{p
i
})
Los p
i
no
necesariamente suman
1, se normalizan.
Ej. de Distribucin General
Min Max
2 60
Xi pi
4 10
7 15
9 54
12 57
17 25
23 14
19.5868056
5.0% 90.0% 5.0%
6.7 44.9
0
1
0
2
0
3
0
4
0
5
0
6
0
7
0
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
General(2,60,
{4;7;9;12;17;23},
{10;15;54;57;25;14})
Minimum 2.0000
Maximum 60.0000
Mean 19.5868
Std Dev 11.9556
Distribucin Acumulativa
Usada algunas veces para
modelar la opinin del
experto cuando el rango de
una variable cubre varios
rdenes de magnitud.
En otros casos puede ser
difcil de manipular, por su
sensibilidad a los cambios
en las probabilidades
acumuladas.
La sintaxis es: Cumul(min,
max, {x
i
}, {p
i
})
Los p
i
son probabilidades
acumuladas.
Problema con la Acumulati va
Pequeos
cambios en la
distribucin
acumulada de
probabilidad
pueden causar
grandes
modificaciones
en la forma de la
distribucin.
Ej. de Distribucin Acumulativa
Min Max
2 60
Xi pi
4 0.1
7 0.4
9 0.65
12 0.87
17 0.93
23 0.99
05
1
0
1
5
2
0
2
5
3
0
Distribucin Discreta
Especial para modelar una
variable que puede tomar,
uno, dos o varios valores.
Tambin es usada para
combinar opiniones
divergentes de varios
expertos.
La sintaxis es:
Discrete({x
i
}, {p
i
})
Los p
i
son pesos o
probabilidades de cada x
i
Ej. de Distribucin Discreta
Xi pi
4 10
7 15
9 54
12 57
17 25
23 14
12
3
5
4
0
4
5
5
0
5
5
6
0
6
5
7
0
7
5
8
0
8
5
9
0
Combinando opiniones disimiles
de varios expertos
3
5
4
0
4
5
5
0
5
5
6
0
6
5
7
0
4
5
5
0
5
5
6
0
6
5
7
0
7
5
8
0
8
5
9
0
9
5
5.0% 90.0% 5.0%
55.68 74.32
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
Experto C / Curva Pert
Pert(50,65,80)
Minimum 50.0000
Maximum 80.0000
Mean 65.0000
Std Dev 5.6695
Modelacin de la opinin de una
variable que cubre varios rdenes de
magnitud
Un experto desea modelar el hecho de que 1 Kg de carne
tiene un nmero de bacterias entre 1 y 10,000,pero hay igual
probabilidad de que el nmero est entre 100 y 1,000.
-
202468
1
0
1
2
) 4 , 0 (
10 . .
Uniforme
bact de un de N
La discrepancia
se debe a la
necesidad de
pensar en el
espacio
logartmico.
Algoritmos Genticos
Conceptos bsicos: Cromosoma
Toda la informacin gentica se
almacena en los cromosomas.
Cada cromosoma est
constituido por genes.
Un gen es una secuencia lineal
organizada de molculas
orgnicas en la molcula de
ADN.
Los genes codifican las
propiedades de las especies, es
decir, la caractersticas de un
individuo.
Imitacin de la evolucin biolgica para
resolver problemas de bsqueda y
optimizacin.
Se basan en el proceso gentico de los
organismos vivos.
Los algoritmos genticos trabajan con
una poblacin de individuos, cada uno
de los cuales representa una solucin
factible a determinado problema.
A cada individuo se le asigna un valor o
puntuacin relacionado con la bondad
de dicha solucin (fitness).
Conceptos bsicos: Algoritmos
Genticos
Evolucin: seleccin natural, supervivencia del ms
apto.
La poblacin tiende a mejorar de manera lenta a
travs del tiempo por medio de este proceso.
Un segundo factor que contribuye a este proceso es
una tasa de mutacinaleatoria y de bajo nivel en el
ADN de los cromosomas.
Las soluciones factibles de un problema especfico
corresponden a los miembros de una especie
particular, donde la aptitud de cada miembro se mide
por el valor de la funcin objetivo.
Conceptos bsicos: Algoritmos
Genticos
Esquema Bsico de los AG
Crea aleatori amente pobl acin inicial de cromosomas
Evala la poblacin actual de cromosomas
(Fitness)
Selecciona y reproduce nuevos cromosomas
(cruzamiento, mutacin)
Sustituye los cromosomas padres por los hijos
Finaliza cuando hay convergencia
en la poblacin cuando se realizan
K iteraciones
Ejemplo de clculo con un
Algoritmo Gentico para una
funcin
Maximizacin de una funcin
Consideremos el problema de maximizacin de la
siguiente funcin sencilla:
Para valores de x entre 0 y 31.
2
) ( x x f
Codificar la variable x en una cadena binaria. En
este caso con 5 dgitos binarios (bits) se puede
representar los nmeros 0 (00000) al 31 (11111).
Seleccionar una poblacin (soluciones factibles) al
azar, en el rango de x, entre 0 y 31.
Elegiremos una poblacin inicial de tamao 4.
El tamao de la poblacin puede tomar cualquier
valor, pero depender de la complejidad de la
aplicacin.
Paso 1
Pasos 2 al 6
Paso 2: Obtener la decodificacin en binario de los
valores de x para la poblacin inicial generada. Por
ejemplo la cadena 10011 = 19.
Poblacin Inicial Fitness Conteo Conteo
(seleccionada al azar) f(x) =x Esperado Real
1 01100 12 144 0.1247 12.47% 0.4987 1
2 11001 25 625 0.5411 54.11% 2.1645 2
3 00101 5 25 0.0216 2.16% 0.0866 0
4 10011 19 361 0.3126 31.26% 1.2502 1
Suma 1155 1.0000 100% 4.0000 4
Promedio 288.75 0.2500 25% 1.0000 1
Mximo 625 0.5411 54.11% 2.1645 2
Prob i Probabilidad Valor de x Cadena No.
Paso 3 Paso 4 Paso 5 Paso 6 Paso 1 Paso 2
Soluciones generadas
aleatoriamente
Soluciones generadas
aleatoriamente
Pasos 2 al 6
Paso 3: Obtener el grado de aptitud o fitness de
cada individuo, esto es, el valor de la funcin objetivo.
Paso 4: Calcular la probabilidad de la seleccin de
cada individuo de la poblacin para su reproduccin,
de acuerdo a su aptitud.
Paso 5: Calcular el conteo esperado de cada
individuo. Este valor ayudar a decidir si pasar al
proceso de reproduccin.
Paso 6: Considerando las probabilidades de seleccin
se determinar el nmero real de individuos de cada
tipo que pasar al proceso de reproduccin.
Pasos 7 al 10
Paso 7: La aplicacin del conteo da como resultado
el lugar de apareamiento (mating pool) siguiente:
Camara de Punto de Mutacin de Hijos despus Fitness
cruces cruce cromosomas de mutacin f(x) =x
2
1 01100 4 01101 10000 11101 29 841
2 11001 4 11000 00000 11000 24 576
3 11001 3 11011 00000 11011 27 729
4 10011 3 10001 00100 10100 20 400
Suma 2546
Promedio 636.5
Maximo 841
Cadena N Valor de x Hijos
Paso 7
Paso 8 Paso 9 Paso 10
Pasos 8 y 9
Paso 8: la operacin de cruce se realiza para
producir nuevos descendientes (hijos).
El punto de cruce se calcula aleatoriamente y se usa como
referncia para producir los nuevos descendientes. Los
padres son:
Padre 1 0 1 1 0 0
Padre 2 1 1 0 0 1
La descendencia se producida ser:
Descendiente 1 0 1 1 0 1
Descendiente 2 1 1 0 0 0
Paso 9: despus de las operaciones de cruce, se
producen nuevos descendientes.
Paso 10 - Mutacin
La operacin de mutacin se realiza para modificar
aleatoriamente (con cierta probabilidad) los genes de los
hijos o descendientes, despus de la operacin de
cruce.
Una vez que se realiza la seleccin, el cruce y la
mutacin las nuevas cadenas creadas por el algoritmo
gentico son la nueva poblacin que ahora est lista
para ser evaluada de acuerdo a la funcin objetivo.
De la tabla, se puede observar como los individuos se
combinan para lograr un mejor rendimiento. El
rendimiento mximo y el promedio ha mejorado en la
nueva poblacin, una generacin despus.
Continuacin
El algoritmo no se detendr automticamente.
Se requiere un criterio de parada. Por ejemplo detenerse despus de cierto nmero de
iteraciones sin mejora de la funcin objetivo o transcurrido cierto tiempo.
El algoritmo no se detendr automticamente.
Se requiere un criterio de parada. Por ejemplo detenerse despus de cierto nmero de
iteraciones sin mejora de la funcin objetivo o transcurrido cierto tiempo.
Hijos (nueva Fitness Probabilidad Conteo Conteo
generacin) f(x) =x
2
% esperado real
1 11101 29 841 33.0% 1.32 2
2 11000 24 576 22.6% 0.90 1
3 11011 27 729 28.6% 1.15 1
4 10100 20 400 15.7% 0.63 0
Suma 2546 100.0% 4.00 4
Promedio 636.5
Maximo 841
Camara de Punto de Mutacin de Hijos despus Fitness
cruces cruce cromosomas de mutacin f(x) =x
2
1 11101 4 11101 00000 11101 29 841
2 11101 4 11101 00000 11101 29 841
3 11000 0 11000 00100 11100 28 784
4 11011 0 11011 00100 11111 31 961
Suma 3427
Promedio 856.8
Maximo 961
Cadena N Valor de x
Cadena N Hijos Valor de x
El mximo
valor de f(x)
es 961,
cuando x=31.
El mximo
valor de f(x)
es 961,
cuando x=31.
Operadores Genticos
Direccionan la acci n del Algoritmo Gentico.
Sus valores son producto de investigaci n emprica.
Parmetros:
Tamao de la poblacin
Nmero de generaciones
Probabilidad de cruce
Probabilidad de mutacin
Ejemplo: valores aceptados para funciones de
optimizacin
Tamao de la poblacin: 50-100
Probabilidad de cruce: 0.60
Probabilidad de mutacin: 0.001
Mtodos especializados
para solucionar
problemas con
Algoritmos Genticos
Referencia: Programa Evol ver de
Palisade Decision Tools
Mtodo: Receta ( recipe )
Es el mtodo de solucin ms simple.
Se usa siempre que las variables que se desean
ajustar pueden variar independientemente una de las
otras.
Cada variable se puede tomar como la cantidad de
un ingrediente que se utilizar en una receta.
Se requiere especificar el tipo (entero, real) y rango
de valores (mximo y mnimo) en el que caern las
variables.
Mtodo: Orden ( order )
El ms popular despus de receta.
Un orden es una permutacin de una lista de
elementos, en la que se est tratando de encontrar la
mejor manera de organizar un conjunto de valores.
A diferencia de otros mtodos, Evolver utilizar los
valores existentes en el modelo.
Un orden podra representar el orden en que se
deben llevar a cabo una serie de tareas.
No requiere mnimo o mximo para las variables.
Mtodo:
Agrupamiento( grouping )
Utilizado cuando el problema involucra mltiples
variables a ser agrupadas en conjuntos.
El nmero de grupos diferentes que el Evolver crea
ser igual al nmero de valores nicos presentes en
las celdas ajustables al inicio de la optimizacin.
Por lo tanto hay que asegurarse que cada grupo est
representado al menos una vez.
No requiere mnimo o mximo para las variables.
Mtodo: Presupuesto( budget )
Un presupuesto es similar a una receta (recipe)
excepto de que todos los valores de las variables
debern totalizar un nmero determinado.
Ese nmero es el total de los valores de las variables
en el momento en que se inicia la optimizacin.
Por ejemplo, con este mtodo de solucin se puede
encontrar la mejor manera de distribuir un
presupuesto anual entre un nmero de
departamentos, y utilizar la suma como el
presupuesto total a ser ptimamente distribuido.
Mtodo: Proyecto( project )
El mtodo de solucin por proyecto es similar al
mtodo de solucin de orden (order) excepto que
ciertas tareas deben preceder a otras.
El mtodo de solucin por proyecto puede ser
utilizado en administracin de proyectos para
reasignar el orden en que las tareas son llevadas a
cabo, pero el orden siempre cumplir con las
restricciones de precedencia.
Mtodo: Programacin
( Sceduling )
Similar a un agrupamiento (grouping), es la
asignacin de tareas a tiempos.
Se asume que cada tarea dura la misma cantidad de
tiempo, como las clases en una universidad.
Sin embargo, a diferencia del agrupamiento, la caja de
dilogo de Celdas Ajustables para el mtodo de
solucin por calendarizacin le permite a usted
especificar directamente el nmero de bloques de
tiempo (o grupos) a ser utilizados.