Documente Academic
Documente Profesional
Documente Cultură
LA EDUCACIN
CURSO
: TECNOLOGA DE LA INFORMACIN
DOCENTE
TEMA
: ALGORTMOS GENTICOS
ESTUDIANTES :
CONTRERAS RAFAELE, Rosa Anglica
CULLAR MARTNEZ, Vernica
PACHECO QUISPE, Heydy Liz
141015
141017
141037
1
141042
141050
2. TIPOS..............................................................................................................9
2.1.
2.2.
CAPTULO III...........................................................................................................20
1. ESQUEMAS..................................................................................................20
2. MODELOS DE ISLAS...................................................................................22
CAPITULO IV..........................................................................................................25
1. VENTAJAS Y DESVENTAJAS.....................................................................25
1.1.
VENTAJAS.............................................................................................25
1.2.
DESVENTAJAS......................................................................................26
DEDICATORIA
Este trabajo monogrfico se lo dedicamos primeramente a Dios, a nuestros padres
por apoyarnos en nuestra formacin profesional y a nuestra docente Mg.
CATACORA FLORES, Norma Lorena quien a travs del esfuerzo y la dedicacin
nos brinda sus conocimientos que nos ayudaran en nuestra instruccin acadmica
y profesional inculcndonos principios y valores para ser mejores personas cada
da.
INTRODUCCIN
La identificacin de sistemas o procesos complejos (no lineales, variantes con el
tiempo) contina siendo un aspecto de inters en los crculos acadmicos y en
instituciones dedicadas a labores de investigacin en el rea del control
automtico. En los ltimos tiempos, diversas tcnicas provenientes de la
inteligencia artificial, como son las redes neuronales, la lgica difusa y los
algoritmos genticos, entre otras, conocidas en su conjunto como soft-computing,
se han venido aplicando para generar modelos que den cuenta de las relaciones
de entrada salida de diferentes sistemas, sin la necesidad de contar A priori con
informacin completa sobre la estructura explcita de ecuaciones dinmicas que
describan las relaciones entre variables y parmetros en estos procesos
complejos, Los algoritmos genticos permite alcanzar soluciones extremas que
satisfagan criterios prescritos.
CAPITULO I
Historia
Definicin
Caractersticas
haban
desarrollado
independientemente
algoritmos
matemticos
individuales
con
respecto
al
tiempo
usando
7
codificacin (genotipo).
Procedimientos de mutacin, cruce y seleccin (los algoritmos
memticos aaden procedimientos de mejora).
CAPITULO II
Teoremas
Tipos
1. TEOREMAS
1.1.
notacional
para
describir
todas
las
posibles
en ciertas posiciones
algoritmos
hiperplanos.
Es
genticos
decir
cada
muestren
individuo,
Tamao de la Poblacin.
Una cuestin que se puede plantear es la relacionada con el
tamao idneo de la poblacin. Parece intuitivo que las
poblaciones
pequeas
corren
el
riesgo
de
no
cubrir
Funcin Objetivo.
Dos aspectos que resultan cruciales en el comportamiento de los
AG son la determinacin de una adecuada funcin de adaptacin
o funcin objetivo, as como la codificacin utilizada.
La regla general para construir una buena funcin objetivo es que
sta debe reflejar el valor del individuo de una manera real, pero
en muchos problemas de optimizacin combinatoria, donde existe
gran cantidad de restricciones, buena parte de los puntos del
espacio de bsqueda representan individuos no vlidos.
Para este planteamiento en el que los individuos estn sometidos
a restricciones, se han propuesto varias soluciones. La primera
sera la que se podra denominar absolutista, en la que aquellos
individuos que no verifican las restricciones, no son considerados
como tales, y se siguen efectuando cruces y mutaciones hasta
obtener individuos vlidos, o bien, a dichos individuos se les
asigna una funcin objetivo igual a cero.
Operador de Seleccin.
El operador de Seleccin es el encargado de transmitir y
conservar aquellas caractersticas de las soluciones que se
consideran valiosas a lo largo de las generaciones.
El principal medio para que la informacin til se transmita es que
aquellos Individuos mejor adaptados (mejor valor de funcin de
evaluacin) tengan ms probabilidades de reproducirse. Sin
embargo, es necesario tambin incluir un factor aleatorio que
permita reproducirse a individuos que aunque no estn muy bien
adaptados, puedan contener alguna informacin til para
12
Operador de Cruce.
Permite realizar una exploracin de toda la informacin
almacenada hasta el momento en la poblacin y combinarla para
crear mejores individuos.
Dentro de los mtodos habituales destacamos los siguientes:
Cruce de un punto: Es el mtodo ms sencillo, se
selecciona
una
posicin
en
las
cadenas
de
los
Operador de Mutacin.
Es un operador bsico, que proporciona un pequeo elemento de
aleatoriedad en la vecindad (entorno) de los individuos de la
poblacin.
Si bien se admite que el operador de cruce es el responsable de
efectuar la bsqueda a lo largo del espacio de posibles
soluciones.
El objetivo del operador de mutacin es producir nuevas
soluciones a partir de la modificacin de un cierto nmero de
genes de una solucin existente, con la intencin de fomentar la
variabilidad dentro de la poblacin.
Existen muy diversas formas de realizar la mutacin, desde la
ms sencilla (Puntual), donde cada gen muta aleatoriamente con
independencia del resto de genes, hasta configuraciones ms
complejas donde se tienen en cuanta la estructura del problema y
la relacin entre los distintos genes.
elimina
aleatoriamente
una
solucin,
independientemente de su adaptacin.
Otros Operadores.
Estos operadores no son utilizados en todos los problemas,
solamente son empleados en algunos, y en principio su variedad
es infinita. Generalmente son operadores que exploran el espacio
de soluciones de una forma ms ordenada, y que actan ms en
las ltimas fases de la bsqueda, en la cual se pasa de
soluciones casi buenas.
Cromosomas de Longitud Variable: Estos operadores se
utilizan para aadir un gen, o eliminar un gen del
cromosoma. La forma ms habitual de aadir un gen es
duplicar uno ya existente, el cul sufre mutacin y se
aade al lado del anterior. En este caso, los operadores
del AG simple (seleccin, mutacin, cruce) funcionarn de
la forma habitual, salvo, claro est, que slo se har cruce
en la zona del cromosoma de menor longitud.
Operadores de Nicho (Ecolgico): Estos operadores
estn encaminados a mantener la diversidad gentica de
la
sustituyan
slo
especialmente
a
tiles
cromosomas similares
cromosomas
en
similares,
problemas
con
son
muchas
soluciones.
Operadores Especializados: En una serie de problemas
hay que restringir las nuevas soluciones generadas por los
16
de
cada
una
tambin
lo
hacen,
de
grano
grueso:
se
basan
en
la
emisor
receptor.
Es
un
modelo
de
19
CAPTULO III
ESQUEMAS
MODELOS
1. ESQUEMAS
Para analizar las caractersticas de los AG se introducen dont care bits
usando el smbolo *para crear esquemas (schemata) usando el alfabeto
{0,1,*}. Un esquema explcitamente reconoce las similitudes en una
poblacin de strings y eso ayuda en el anlisis de los AG. Entonces, un
esquema es un aparato para reconocer patrones: *0000 {10000, 00000}
*111* {01110, 11110, 01111, 11111}. Con estos bits se seleccionan todos
los strings que corresponden a dont care bits.
20
Poblacin
inicial
generada
aleatoriamente,
tamao 4
01101
11000
01000
10011
21
2. MODELOS DE ISLAS
(Tomas, 2006, pgs. 21-22), En este apartado se introducirn tres maneras
diferentes de explotar el paralelismo de los Algoritmos Genticos, por medio
de los denominados modelos de islas.
Consiste en dividir la poblacin total en varias subpoblaciones en cada una
de las cuales se lleva, a cabo un Algoritmo Gentico. Cada cierto nmero
de generaciones, se efecta un intercambio de informacin entre las
subpoblaciones, proceso que se denomina migracin. La introduccin de la
migracin hace que los modelos de islas sean capaces de explotar las
diferencias entre las diversas subpoblaciones, obtenindose de esta
manera una fuente de diversidad gentica. Cada sub populacin es una
"isla", definindose un procedimiento por medio del cual se mueve el
material gentico de una "isla" a otra. La determinacin de la tasa de
migracin, es un asunto de capital importancia, ya que de ella puede
depender la convergencia prematura de la bsqueda.
22
23
24
CAPITULO IV
Ventajas y Desventajas
Funcionamiento
Aplicaciones
1. VENTAJAS Y DESVENTAJAS
Segn (ARRANZ DE LA PEA & PARRA TRUYOL, pg. 7).
1.1. VENTAJAS
Los algoritmos genticos son intrnsecamente paralelos, es decir,
operan de forma simultnea con varias soluciones, en vez de
trabajar de forma secuencial como las tcnicas tradicionales. La cual
significa que mientras tcnicas tradicionales slo pueden explorar el
espacio de soluciones hacia una solucin en una direccin al mismo
tiempo, y si la solucin que descubren resulta subptima, no se
puede hacer otra cosa que abandonar todo el trabajo hecho y
empezar de nuevo. Sin embargo, los algoritmos genticos
simplemente desechan esta solucin subptima y siguen por otros
caminos.
Cuando se usan para problemas de optimizacin resultan menos
afectados por los mximos locales (falsas soluciones) que las
tcnicas tradicionales.
Muchos algoritmos de bsqueda pueden quedar atrapados en los
ptimos locales: si llegan a lo alto de una colina del paisaje
adaptativo, descubrirn que no existen soluciones mejores en las
cercanas y concluirn que han alcanzado la mejor de todas, aunque
existan picos ms altos en algn otro lugar del mapa, situacin que
25
candidata.
Pueden tardar mucho en converger, o no converger en absoluto,
dependiendo en cierta medida de los parmetros que se utilicen
una
serie
de
27
Los
cromosomas
con
mejor
aptitud
tienen
mayor
Reemplazo una
vez
aplicados
los
operadores
genticos,
28
Programacin automtica: Los AG se han empleado para desarrollar programas para tareas especcas,
y para disear
otras
estructuras
mercados econmicos.
Sistemas inmunes: A la hora de modelar varios aspectos de los sistemas
inmunes naturales, incluyendo la mutacin somtica durante la vida de un
individuo y el descubrimiento de familias de genes mltiples en tiempo
29
CONCLUSIN
En los ltimos quince aos, las tcnicas de computacin evolutiva se han
consolidado como un conjunto de metaheursticas efectivas y robustas como
consecuencia de su alta aplicabilidad a la resolucin de problemas en mltiples
reas. Tomando en cuenta los numerosos y exitosos antecedentes que refieren a
la utilizacin de tcnicas evolutivas para la resolucin de problemas de
optimizacin combinatoria, surgen como una alternativa natural para la resolucin
de los complejos problemas de optimizacin subyacentes a los problemas de
diseo de redes de comunicaciones confiables, que constituyen el objetivo de esta
monografa.
En esta monografa hemos presentado los conceptos genricos vinculados con las
tcnicas de computacin evolutiva y ha comentado en detalle las caractersticas
de los algoritmos genticos en particular, al considerarlos como mecanismos de
resolucin de problemas de optimizacin combinatoria y problemas anlogos en
otras reas de aplicacin.
30
BIBLIOGRAFA
Obtenido
de
31