FACULTAD DE CIENCIAS DE INGENIERIA ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA CIVIL-HVCA

Figura 1: A

TRABAJO DE INVESTIGACIN ALGORITMOS GENETICOS

CTEDRA:
METODOS NUMERICOS

CATEDRTICO:
Ing. Jorge A.

Quispe Sosa Claverth Viker Ever Fortunato Jhoni

INTEGRANTES: -RAMOS -POMA

QUISPE

YARANGA PARI

-ZANABRIA -PAUCAR

CHANCA

-RAYMUNDO

OLIVERA

1 UNIVERSIDAD

NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

ndice general
1. INTRODUCCION 2. ALGORITMOS GENTICOS 3 4

2.1. 2.2. 2.3. 2.4. 2.5.

ALGORITMOS GENTICO

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 4 5 6 6 6 7 7 7 9 9 9 9 9 9 9 10 10 10 10 10
12

DEFINICION DE ALGORITMOS GENETICOS CUANDO USAR ESTOS ALGORITMOS 2.5.1. 2.5.2. 2.5.3. Inicializacin

MTODOS DE SELECCIN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . FUNCIONAMIENTO DE UN ALGORITMO GENTICO BSICO

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Evaluacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Condicin de trmino El AG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.6. 2.7.

OPERADOR DE SELECCIN 2.7.1. 2.7.2. 2.7.3. 2.7.4. 2.7.5. 2.7.6. Cruce de un punto Cruce de n puntos

OPERADOR DE CRUCE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Cruce Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cruces para permutacin . . . . . . . . . . . . . . . . . . . . . . . . Cruce de orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cruce de ciclo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . CROMOSOMAS DE LONGITUD VARIABLE OPERADORES DE NICHO ECOLGICO . . . . . . . . . . .

2.8.

OTROS OPERADORES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.8.1. 2.8.2. 2.8.3. . . . . . . . . . . . . .

OPERADORES ESPECIALIZADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.9.

APLICACIN

3. VENTAJAS DE LOS AGS

3.1. 3.2.

LIMITACIONES DE LOS AGS . . . . . . . . . . . . . . . . . . . . . . . . APLICACIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13 14
15

4. ALGUNOS EJEMPLOS ESPECFICOS DE AG

4.1. 4.2. 4.3. 4.4. 4.5. 4.6. 4.7. 4.8. 4.9.

ACSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . INGENIERA AEROESPACIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ASTRONOMA Y ASTROFSICA INGENIERA ELCTRICA MERCADOS FINANCIEROS

15 15 15 16 16 16 16 17 17 17 17

QUMICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

JUEGOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . GEOFSICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . INGENIERA DE MATERIALES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.10. EJRCITO Y CUMPLIMIENTO DE LA LEY 4.11. BIOLOGA MOLECULAR

. . . . . . . . . . . . . . . . . . . . . . . . . . 1

NDICE GENERAL

2 18 18
19

4.12. ROBTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.13. DISEO DE RUTAS Y HORARIOS . . . . . . . . . . . . . . . . . . . . .

5. ALGUNAS APLICACIONES DE LOS ALGORITMOS GENTICOS

5.1. 5.2. 5.3. 5.4. 5.5. 5.6. 5.7. 5.8. 5.9.

Optimizacin

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19 19 19 19 20 20 20 20 20
21 22 23

Programacin automtica Economa

Aprendizaje mquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Sistemas inmunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ecologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gentica de poblaciones Evolucin y aprendizaje Sistemas sociales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6. CONCLUSINES 7. BIBLIOGRAFIA 8. ANEXOS

2 UNIVERSIDAD

NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

Captulo 1 INTRODUCCION
Hay numerosos fenmenos naturales para los que la evolucin nos ofrece un slido fundamento terico. Por nombrar uno, el desarrollo observado de la resistencia -a los insecticidas en las plagas de cultivos, a los antibiticos en las bacterias, a la quimioterapia en las clulas cancerosas, y a los frmacos antirretrovirales en virus como el VIH- es una consecuencia abierta de las leyes de la mutacin y la seleccin, y comprender estos principios nos ha ayudado a desarrollar estrategias para enfrentarnos a estos nocivos organismos. El postulado evolutivo de la descendencia comn ha ayudado al desarrollo de nuevos medicamentos y tcnicas, al proporcionar a los investigadores una buena idea de con qu organismos deben experimentar para obtener resultados que probablemente sern relevantes para los seres humanos. Finalmente, el hombre ha utilizado con grandes resultados el principio de cra selectiva para crear organismos personalizados, distintos a cualquiera que se pueda encontrar en la naturaleza, para benecio propio. La micro evolucin natural o la seleccin articial dirigida por humanos pueden producir diferentes variedades dentro de los tipo-perro, tipo-vaca o tipo-bacteria creados originalmente, ninguna cantidad de tiempo o cambio gentico puede transformar un tipo en otro. Sin embargo, nunca se explica cmo determinan los creacionistas lo que es un tipo, o qu mecanismo impide a los seres vivos evolucionar ms all de sus lmites. Pero en las ltimas dcadas, el continuo avance de la tecnologa moderna ha producido algo nuevo. Ahora la evolucin est produciendo benecios prcticos en un campo muy distinto y, esta vez, los creacionistas no pueden armar que su explicacin se adapte a los hechos igual de bien. Este campo es la informtica, y los benecios provienen de una estrategia de programacin llamada algoritmos genticos.

1 UNIVERSIDAD

NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

Captulo 2 ALGORITMOS GENTICOS

2.1. ALGORITMOS GENTICO

Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solucin a un problema especco. En los aos 1970, de la mano de John Henry Halland, surgi una de las lneas ms prometedoras de la inteligencia articial, la de los algoritmos genticos. Son llamados as porque se inspiran en la evolucin biolgica y su base gentico-molecular. Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y recombinaciones genticas), as como tambin a una Seleccin de acuerdo con algn criterio, en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y cules los menos aptos, que son descartados. Es incluido dentro de los algoritmos evolutivos, que incluyen tambin las estrategias evolutivas, la programacin evolutiva y la programacin gentica. Dentro de esta ltima se han logrado avances curiosos: En 1999, por primera vez en la historia, se concedi una patente a un invento no realizado directamente por un ser humano: se trata de una antena de forma extraa, pero que funciona perfectamente en las condiciones a las que estaba destinada. No hay, sin embargo, nada injusto en el hecho de que el autor del algoritmo gentico del que sali la forma de la antena se haya atribuido la autora de la patente, pues l escribi el programa e ide el criterio de seleccin que condujo al diseo patentado. Un algoritmo gentico es un mtodo de bsqueda dirigida basada en probabilidad. Bajo una condicin muy dbil (que el algoritmo mantenga elitismo, es decir, guarde siempre al mejor elemento de la poblacin sin hacerle ningn cambio) se puede demostrar que el algoritmo converge en probabilidad al ptimo. En otras palabras, al aumentar el nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a uno.

2.2.

DEFINICION DE ALGORITMOS GENETICOS

Expuesto concisamente, un algoritmo gentico (o AG para abreviar) es una tcnica de programacin que imita a la evolucin biolgica como estrategia para resolver problemas. Dado un problema especco a resolver, la entrada del AG es un conjunto de soluciones potenciales a ese problema, codicadas de alguna manera, y una mtrica llamada funcin de aptitud que permite evaluar cuantitativamente a cada candidata. Estas candidatas pueden ser soluciones que ya se sabe que funcionan, con el objetivo de que el AG las mejore, pero se suelen generar aleatoriamente. Luego el AG evala cada candidata de acuerdo con la funcin de aptitud. En un acervo de candidatas generadas aleatoriamente, por supuesto, la mayora no funcionarn en absoluto, y sern eliminadas. Sin embargo, por puro azar, unas pocas pueden ser prometedoras -pueden mostrar actividad, aunque 4

CAPTULO 2.

ALGORITMOS GENTICOS

slo sea actividad dbil e imperfecta, hacia la solucin del problema. Estas candidatas prometedoras se conservan y se les permite reproducirse. Se realizan mltiples copias de ellas, pero las copias no son perfectas; se introducen cambios aleatorios durante el proceso de copia. Luego, esta descendencia digital prosigue con la siguiente generacin, formando un nuevo acervo de soluciones candidatas, y son sometidas a una ronda de evaluacin de aptitud. Las candidatas que han empeorado o no han mejorado con los cambios en su cdigo son eliminadas de nuevo; pero, de nuevo, por puro azar, las variaciones aleatorias introducidas en la poblacin pueden haber mejorado a algunos individuos, convirtindolos en mejores soluciones del problema, ms completas o ms ecientes. De nuevo, se seleccionan y copian estos individuos vencedores hacia la siguiente generacin con cambios aleatorios, y el proceso se repite. Las expectativas son que la aptitud media de la poblacin se incrementar en cada ronda y, por tanto, repitiendo este proceso cientos o miles de rondas, pueden descubrirse soluciones muy buenas del problema. Aunque a algunos les puede parecer asombroso y anti intuitivo, los algoritmos genticos han demostrado ser una estrategia enormemente poderosa y exitosa para resolver problemas, demostrando de manera espectacular el poder de los principios evolutivos. Se han utilizado algoritmos genticos en una amplia variedad de campos para desarrollar soluciones a problemas tan difciles o ms difciles que los abordados por los diseadores humanos. Adems, las soluciones que consiguen son a menudo ms ecientes, ms elegantes o ms complejas que nada que un ingeniero humano producira. En algunos casos, los algoritmos genticos han producido soluciones que dejan perplejos a los programadores que escribieron los algoritmos en primera instancial.

2.3.

MTODOS DE SELECCIN

Un algoritmo gentico puede utilizar muchas tcnicas diferentes para seleccionar a los individuos que deben copiarse hacia la siguiente generacin, pero abajo se listan algunos de los ms comunes. Algunos de estos mtodos son mutuamente exclusivos, pero otros pueden utilizarse en combinacin, algo que se hace a menudo. Seleccion elitista se garantiza la seleccin de los miembros ms aptos de cada generacin. (La mayora de los AGs no utilizan elitismo puro, sino que usan una forma modicada por la que el individuo mejor, o algunos de los mejores, son copiados hacia la siguiente generacin en caso de que no surja nada mejor). Seleccion proporcional a la aptitud: los individuos ms aptos tienen ms probabilidad de ser seleccionados, pero no la certeza. Seleccion por rueda de ruleta: una forma de seleccin proporcional a la aptitud en la que la probabilidad de que un individuo sea seleccionado es proporcional a la diferencia entre su aptitud y la de sus competidores. (Conceptualmente, esto puede representarse como un juego de ruleta -cada individuo obtiene una seccin de la ruleta, pero los ms aptos obtienen secciones mayores que las de los menos aptos. Luego la ruleta se hace girar, y en cada vez se elige al individuo que posea la seccin en la que se pare la ruleta). Seleccion escalada al incrementarse la aptitud media de la poblacin, la fuerza de la presin selectiva tambin aumenta y la funcin de aptitud se hace ms discriminadora. Este mtodo puede ser til para seleccionar ms tarde, cuando todos los individuos tengan una aptitud relativamente alta y slo les distingan pequeas diferencias en la aptitud. Seleccion por torneo se eligen subgrupos de individuos de la poblacin, y los miembros de cada subgrupo compiten entre ellos. Slo se elige a un individuo de cada subgrupo para la reproduccin. Seleccion por rango a cada individuo de la poblacin se le asigna un rango numrico basado en su aptitud, y la seleccin se basa en este ranking, en lugar de las diferencias

CAPTULO 2.

ALGORITMOS GENTICOS

absolutas en aptitud. La ventaja de este mtodo es que puede evitar que individuos muy aptos ganen dominancia al principio a expensas de los menos aptos, lo que reducira la diversidad gentica de la poblacin y podra obstaculizar la bsqueda de una solucin aceptable. Seleccion generacional la descendencia de los individuos seleccionados en cada generacin se convierte en toda la siguiente generacin. No se conservan individuos entre las generaciones. Seleccion por estado estacionario: la descendencia de los individuos seleccionados en cada generacin vuelven al acervo gentico preexistente, reemplazando a algunos de los miembros menos aptos de la siguiente generacin. Se conservan algunos individuos entre generaciones. Seleccion jerrquica los individuos atraviesan mltiples rondas de seleccin en cada generacin. Las evaluaciones de los primeros niveles son ms rpidas y menos discriminatorias, mientras que los que sobreviven hasta niveles ms altos son evaluados ms rigurosamente. La ventaja de este mtodo es que reduce el tiempo total de clculo al utilizar una evaluacin ms rpida y menos selectiva para eliminar a la mayora de los individuos que se muestran poco o nada prometedores, y sometiendo a una evaluacin de aptitud ms rigurosa y computacionalmente ms costosa slo a los que sobreviven a esta prueba inicial.

2.4.

CUANDO USAR ESTOS ALGORITMOS

Los algoritmos genticos son de probada ecacia en caso de querer calcular funciones no derivables o de derivacin muy compleja aunque su uso es posible con cualquier funcin. Deben tenerse en cuenta tambin las siguientes consideraciones: Si la funcion a optimizar tiene muchos mximosmnimos locales se requerirn ms iteraciones del algoritmo para asegurar el mximomnimo global. Si la funcin a optimizar contiene varios puntos muy cercanos en valor al ptimo, solamente podemos asegurar que encontraremos uno de ellos no necesariamente el ptimo.

2.5.

FUNCIONAMIENTO DE UN ALGORITMO GENTICO BSICO

Un algoritmo gentico puede presentar diversas variaciones, dependiendo de cmo se aplican los operadores genticos (cruzamiento, mutacin), de cmo se realiza la seleccin y de cmo se decide el reemplazo de los individuos para formar la nueva poblacin. En general, el pseudocdigo consiste de los siguientes pasos: Algoritmo gentico i: inicializacin, f(X): evaluacin?: condicin de trmino, Se: seleccin, Cr: cruzamiento, Mu: mutacin, Re: reemplazo, X*: mejor solucin.

2.5.1.

Inicializacin

Se genera aleatoriamente la poblacin inicial, que est constituida por un conjunto de cromosomas los cuales representan las posibles soluciones del problema. En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la poblacin inicial, se tenga la diversidad estructural de estas soluciones para tener una representacin de la mayor parte de la poblacin posible o al menos evitar la convergencia prematura.

CAPTULO 2.

ALGORITMOS GENTICOS

Figura 2.1: B

2.5.2.

Evaluacin

saber qu tan "buena.es la solucin que se est codicando.

A cada uno de los cromosomas de esta poblacin se aplicar la funcin de aptitud para

2.5.3.

Condicin de trmino El AG

Se deber detener cuando se alcance la solucin ptima, pero sta generalmente se desconoce, por lo que se deben utilizar otros criterios de detencin. Normalmente se usan dos criterios: correr el AG un nmero mximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la poblacin. Mientras no se cumpla la condicin de trmino se hace lo siguiente: Seleccin Despus de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que sern cruzados en la siguiente generacin. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados. Sobrecruzamiento: El cruzamiento es el principal operador gentico, representa la reproduccin sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las caractersticas de ambos cromosomas padres. Mutacin modica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de bsqueda que no estaban cubiertas por los individuos de la poblacin actual. Reemplazo una vez aplicados los operadores genticos, se seleccionan los mejores individuos para conformar la poblacin de la generacin siguiente

2.6.

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

CAPTULO 2.

ALGORITMOS GENTICOS

individuos que aunque no estn muy bien adaptados, puedan contener alguna informacin til para posteriores generaciones, con el objeto de mantener as tambin una cierta diversidad en cada poblacin. Algunas de las tcnicas de las cuales se dispone son las siguientes:

ruleta o seleccin proporcional

Con este mtodo la probabilidad que tiene un individuo de reproducirse es proporcional a su valor de funcin de evaluacin, es decir, a su adaptacin. En este mtodo se dene un rango con las caractersticas de la seleccin por sorteo. El nmero al azar ser un nmero aleatorio forzosamente menor que el tamao del rango. El elemento escogido ser aquel en cuyo rango est el nmero resultante de sumar el nmero aleatorio con el resultado total que sirvi para escoger el elemento anterior. El comportamiento es similar al de una ruleta, donde se dene un avance cada tirada a partir de la posicin actual. Tiene la ventaja de que no es posible escoger dos veces consecutivas el mismo elemento, y que puede ser forzado a que sea alta la probabilidad de que no sean elementos prximos en la poblacin -esto ltimo no es una ventaja de por s; salvo que algunos de los otros operadores genticos, es mejor utilizar un mtodo de seleccin directa basado en la posicin relativa de los individuos de la poblacin. La Ruleta: Este mtodo es muy simple, y consiste en crear una ruleta en la que cada cromosoma tiene asignada una fraccin proporcional a su aptitud. Sin que nos reramos a una funcin de aptitud en particular, supongamos que se tiene una poblacin de 5 cromosomas cuyas aptitudes estn dadas por los valores mostrados en la Tabla 1. Cromosoma No. Cadena Aptitud del Total 1 11010110 254 24.5 2 10100111 47 4.5 3 00110110 457 44.1 4 01110010 194 18.7 5 11110010 85 8.2 Total 1037 100.0 Tabla 1: Valores de ejemplo para ilustrar la seleccin mediante ruleta Con los porcentajes mostrados en la cuarta columna de la Tabla 1 podemos elaborar la ruleta de la Figura 1. Esta ruleta se gira 5 veces para determinar qu individuos se seleccionarn. Debido a que a los individuos ms aptos se les asign un rea mayor de la ruleta, se espera que sean seleccionados ms veces que los menos aptos.

Figura 2.2: C

CAPTULO 2.

ALGORITMOS GENTICOS

Seleccin por Ranking

consiste en calcular las probabilidades de reproduccin atendiendo a la ordenacin de la poblacin por el valor de adaptacin en vez de atender simplemente a su valor de adecuacin. Estas probabilidades se pueden calcular de diversas formas, aunque el mtodo habitual es el ranking lineal.

2.7.

OPERADOR DE CRUCE

El 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:

2.7.1.

Cruce de un punto

Es el mtodo de cruce ms sencillo. Se selecciona una posicin en las cadenas de los progenitores, y se intercambian los genes a la izquierda de esta posicin.

2.7.2.

Cruce de n puntos

Es una generalizacin del mtodo anterior. Se seleccionan varias posiciones (n) en las cadenas de los progenitores y se intercambian los genes a ambos lados de estas posiciones.

2.7.3.

Cruce Uniforme

Se realiza un test aleatorio para decidir de cul de los progenitores se toma cada posicin de la cadena.

2.7.4.

Cruces para permutacin

Existe una familia de cruces especcas para los problemas de permutacin, siendo algunos de ellos:

2.7.5.

Cruce de orden

Toma una subsecuencia del genoma del padre y procura preservar el orden relativo de los fenotipos del resto del genoma lo ms parecido posible de la madre.

2.7.6.

Cruce de ciclo

Tomamos el primer gen del genoma del padre, ponindolo en la primera posicin del hijo, y el primer gen del genoma de la madre, ponindolo dentro del genoma del hijo en la posicin que ocupe en el genoma del padre. El fenotipo que est en la posicin que ocupa el gen del genoma del padre igual al primer gen del genoma de la madre se va a colocar en la posicin que ocupe en el genoma del padre, y as hasta rellenar el genoma del hijo. Es una buena idea que, tanto la codicacin como la tcnica de cruce, se hagan de manera que las caractersticas buenas se hereden; o, al menos, no sea mucho peor que el peor de los padres. En problemas en los que, por ejemplo, la adaptacin es funcin de los pares de genes colaterales, el resultante del cruce uniforme tiene una adaptacin completamente aleatoria.

2.8.

CAPTULO 2.

OTROS OPERADORES

ALGORITMOS GENTICOS

10

Estos operadores no son utilizados en todos los problemas, solamente son empleados en algunos, y en principio su variedad es innita. 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 a "buenas"soluciones.

2.8.1.

CROMOSOMAS DE LONGITUD VARIABLE

Hasta ahora se han descrito cromosomas de longitud ja, donde se conoce de antemano el nmero de parmetros de un problema. Pero hay problemas en los que esto no sucede. Por ejemplo, en un problema de clasicacin, donde dado un vector de entrada, queremos agruparlo en una serie de clases, podemos no saber siquiera cuntas clases hay. Por ejemplo, en un perceptrn hay reglas que dicen cuantas neuronas se deben de utilizar en la capa oculta; pero en un problema determinado puede que no haya ninguna regla heurstica aplicable; se tendra que utilizar los AG para hallar el nmero ptimo de neuronas.

2.8.2.

OPERADORES DE NICHO ECOLGICO

Otros operadores importantes son los operadores de nicho. Estos operadores estn encaminados a mantener la diversidad gentica de la poblacin, de forma que cromosomas similares sustituyan slo a cromosomas similares, y son especialmente tiles en problemas con muchas soluciones; un AG con estos operadores es capaz de hallar todos los mximos, dedicndose cada especie a un mximo. Ms que operadores genticos, son formas de enfocar la seleccin y la evaluacin de la poblacin. Uno de las formas de llevar esto a cabo es la introduccin del (apiamiento). Otra forma es introducir una funcin de comparticin que indica cun similar es un cromosoma al resto de la poblacin. La puntuacin de cada individuo se dividir por esta funcin de comparticin, de forma que se facilita la diversidad gentica y la aparicin de individuos diferentes.

2.8.3.

OPERADORES ESPECIALIZADOS

En una serie de problemas hay que restringir las nuevas soluciones generadas por los operadores genticos, pues no todas las soluciones generadas van a ser vlidas, sobre todo en los problemas con restricciones. Por ello, se aplican operadores que mantengan la estructura del problema. Otros operadores son simplemente generadores de diversidad, pero la generan de una forma determinada:

2.9.

APLICACIN

Una empresa de energa desea maximizar la produccin de electricidad de una de sus plantas. En ella la electricidad se produce mediante vapor a partir de carbn y se desea maximizar la produccin de vapor que se hace a partir de la combinacin de dos tipos de carbn: Carbn A y carbn B. Cada tonelada de carbn A produce 24 unidades de vapor y de carbn B 20. Pero existen ciertas restricciones. La cantidad mxima de emisiones de humo por hora est limitada a 12 kg. Cada tonelada de carbn A produce 0.5 kg de humo y de B 1 kg. El sistema de cinta transportadora que traslada el carbn de los depsitos al pulverizador tiene una capacidad de 20 ton/h. La capacidad mxima del pulverizador

CAPTULO 2.

ALGORITMOS GENTICOS

11

es de 16 ton/h para carbn A 24 ton/h para carbn B. Denamos las restricciones y la funcin objetivo: Una manera de realizar el proceso de seleccin es mediante un torneo entre dos. A cada individuo de la poblacin se le asigna una pareja y entre ellos se establece un torneo: el mejor genera dos copias y el peor se desecha. La columna (4) indica la pareja asignada a cada individuo. Despus de realizar el proceso de seleccin, la poblacin que tenemos es la mostrada en la columna (2) de la siguiente tabla. Ahora el mejor individuo para XA es 3 y para XB es 3 con un valor de 464; Qu quiere decir esto? Simplemente que los individuos despus de la seleccin y el cruce son mejores que antes de estas transformaciones. Esta manera de proceder se repite tantas veces como nmero de iteraciones se jes. Y cul es el ptimo? En realidad un algoritmo gentico no garantiza la obtencin del ptimo como ya hemos mencionado anteriormente pero, si est bien construido, proporcionar una solucin razonablemente buena. Puede que se obtenga el ptimo, pero el algoritmo no conrma que lo sea. Tambin es buena idea ir guardando la mejor solucin de todas las iteraciones anteriores y al nal quedarte con la mejor solucin de las exploradas.

Captulo 3 VENTAJAS DE LOS AGS

El primer y mas importante punto es que los algoritmos genticos son intrnsecamente paralelos. La mayora de los otros algoritmos son en serie y 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, ya que los AGs tienen descendencia mltiple, pueden explorar el espacio de soluciones en mltiples direcciones a la vez. Si un camino resulta ser un callejn sin salida, pueden eliminarlo fcilmente y continuar el trabajo en avenidas ms prometedoras, dndoles una mayor probabilidad en cada ejecucin de encontrar la solucin. Por tanto, un AG que evale explcitamente un nmero pequeo de individuos est evaluando implcitamente un grupo de individuos mucho ms grande -de la misma manera que un encuestador que le hace preguntas a un cierto miembro de un grupo tnico, religioso o social espera aprender algo acerca de las opiniones de todos los miembros de ese grupo, y por tanto puede predecir con abilidad la opinin nacional sondeando slo un pequeo porcentaje de la poblacin. De la misma manera, el AG puede dirigirse hacia el espacio con los individuos ms aptos y encontrar el mejor de ese grupo. En el contexto de los algoritmos evolutivos, esto se conoce como teorema del esquema, y es la ventaja principal de los AGs sobre otros mtodos de resolucin de problemas. Otra ventaja notable de los algoritmos genticos es que se desenvuelven bien en problemas con un paisaje adaptativo complejo -aqullos en los que la funcin de aptitud es discontinua, ruidosa, cambia con el tiempo, o tiene muchos ptimos locales. La mayora de los problemas prcticos tienen un espacio de soluciones enorme, imposible de explorar exhaustivamente; el reto se convierte entonces en cmo evitar los ptimos locales -soluciones que son mejores que todas las que son similares a ella, pero que no son mejores que otras soluciones distintas situadas en algn otro lugar del espacio de soluciones. 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. Los algoritmos evolutivos, por otro lado, han demostrado su efectividad al escapar de los ptimos locales y descubrir el ptimo global incluso en paisajes adaptativos muy escabrosos y complejos. (Debe decirse que, en la realidad, a menudo no hay manera de decir si una cierta solucin a un problema es el ptimo global o slo un ptimo local muy alto. Sin embargo, aunque un AG no devuelva siempre una solucin perfecta y demostrable a un problema, casi siempre puede devolver al menos una muy buena solucin). Todos los cuatro componentes principales de los AGs -paralelismo, seleccin, mutacin y cruzamientotrabajan juntos para conseguir esto. Al principio, el AG genera una poblacin inicial 12

CAPTULO 3.

VENTAJAS DE LOS AGS

13

diversa, lanzando una red sobre el paisaje adaptativo. Finalmente, una de las cualidades de los algoritmos genticos que, a primera vista, puede parecer un desastre, resulta ser una de sus ventajas: a saber, los AGs no saben nada de los problemas que deben resolver. En lugar de utilizar informacin especca conocida a priori para guiar cada paso y realizar cambios con un ojo puesto en el mejoramiento, como hacen los diseadores humanos, son relojeros ciegos ; realizan cambios aleatorios en sus soluciones candidatas y luego utilizan la funcin de aptitud para determinar si esos cambios producen una mejora. La virtud de esta tcnica es que permite a los algoritmos genticos comenzar con una mente abierta, por as decirlo. Como sus decisiones estn basadas en la aleatoriedad, todos los caminos de bsqueda posibles estn abiertos tericamente a un AG; en contraste, cualquier estrategia de resolucin de problemas que dependa de un conocimiento previo, debe inevitablemente comenzar descartando muchos caminos a priori, perdiendo as cualquier solucin novedosa que pueda existir . Los AGs, al carecer de ideas preconcebidas basadas en creencias establecidas sobre cmo deben hacerse las cosas o sobre lo que de ninguna manera podra funcionar, los AGs no tienen este problema.

3.1.

LIMITACIONES DE LOS AGS

Aunque los algoritmos geneticos han demostrado su eciencia y potencia como estrategia de resolucin de problemas, no son la panacea. Los AGs tienen ciertas limitaciones; sin embargo, se demostrar que todas ellas pueden superarse y que ninguna de ellas afecta a la validez de la evolucin biolgica. La primera y mas importante consideracion al crear un algoritmo gentico es denir una representacin del problema. El lenguaje utilizado para especicar soluciones candidatas debe ser robusto; es decir, debe ser capaz de tolerar cambios aleatorios que no produzcan constantemente errores fatales o resultados sin sentido. Hay dos maneras principales para conseguir esto. La primera, utilizada por la mayora de los algoritmos genticos, es denir a los individuos como listas de nmeros -binarios, enteros o reales- donde cada nmero representa algn aspecto de la solucin candidata. Si los individuos son cadenas binarias, un 0 o 1 podra signicar la ausencia o presencia de una cierta caracterstica. Si son listas de nmeros, estos nmeros podran representar muchas cosas distintas: los pesos de las conexiones en una red neuronal, el orden de las ciudades visitadas en un recorrido dado, la situacin espacial de componentes electrnicos, los valores con los que se alimenta a un controlador, los ngulos de torsin de los enlaces pptidos de una protena, etctera. As, la mutacin implica cambiar estos nmeros, cambiar bits o sumar o restar valores aleatorios. Adems de elegir bien la funcin de aptitud, tambin deben elegirse cuidadosamente los otros parmetros de un AG -el tamao de la poblacin, el ritmo de mutacin y cruzamiento, el tipo y fuerza de la seleccin. Si el tamao de la poblacin es demasiado pequeo, puede que el algoritmo gentico no explore sucientemente el espacio de soluciones para encontrar buenas soluciones consistentemente. Si el ritmo de cambio gentico es demasiado alto o el sistema de seleccin se escoge inadecuadamente, puede alterarse el desarrollo de esquemas beneciosos y la poblacin puede entrar en catstrofe de errores, al cambiar demasiado rpido para que la seleccin llegue a producir convergencia. Los seres vivos tambin se enfrentan a dicultades similares, y la evolucin se ha encargado de ellas. Es cierto que si el tamao de una poblacin cae hacia un valor muy bajo, los ritmos de mutacin son muy altos o la presin selectiva es demasiado fuerte (una situacin as podra ser resultado de un cambio ambiental drstico), entonces la especie puede extinguirse. La solucin ha sido la evolucin de la evolutividad -las adaptaciones

CAPTULO 3.

VENTAJAS DE LOS AGS

14

que alteran la habilidad de una especie para adaptarse. Un ejemplo. La mayora de los seres vivos han evolucionado una elaborada maquinaria celular que comprueba y corrige errores durante el proceso de replicacin del ADN, manteniendo su ritmo de mutacin a unos niveles aceptablemente bajos; a la inversa, en tiempos de fuerte presin ambiental, algunas especies de bacterias entran en un estado de hipermutacin en el que el ritmo de errores en la replicacin del ADN aumenta bruscamente, aumentando la probabilidad de que se descubrir una mutacin compensatoria. Por supuesto, no pueden eludirse todas las catstrofes, pero la enorme diversidad y las adaptaciones altamente complejas de los seres vivos actuales muestran que, en general, la evolucin es una estrategia exitosa. Igualmente, las aplicaciones diversas y los impresionantes resultados de los algoritmos genticos demuestran que son un campo de estudio poderoso y que merece la pena. Finalmente, varios investigadores aconsejan no utilizar algoritmos genticos en problemas resolubles de manera analtica. No es que los algoritmos genticos no puedan encontrar soluciones buenas para estos problemas; simplemente es que los mtodos analticos tradicionales consumen mucho menos tiempo y potencia computacional que los AGs y, a diferencia de los AGs, a menudo est demostrado matemticamente que ofrecen la nica solucin exacta. Por supuesto, como no existe una solucin matemtica perfecta para ningn problema de adaptacin biolgica, este problema no aparece en la naturaleza.

3.2.

APLICACIONES

Diseo automatizado, incluyendo investigacin en diseo de materiales y diseo multiobjetivo de componentes automovilsticos: mejor comportamiento ante choques, ahorros de peso, mejora de aerodinmica. Diseo automatizado de equipamiento industrial. Diseo automatizado de sistemas de comercio en el sector nanciero. Construccin de rboles logenticos. Diseo de sistemas de distribucin de aguas. Diseo de topologas de circuitos impresos. Diseo de topologas de redes computacionales. En Teora de juegos, resolucin de equilibrios. Aprendizaje de comportamiento de robots. Aprendizaje de reglas de Lgica difusa. Anlisis lingstico, incluyendo induccin gramtica, y otros aspectos de Procesamiento de lenguajes naturales, tales como eliminacin de ambigedad de sentido. Infraestructura de redes de comunicaciones mviles. Aplicacin de Algoritmos Genticos al Dilema del Prisionero Iterado Optimizacin de sistemas de compresin de datos, por ejemplo, usando wavelets. Prediccin de Plegamiento de protenas. Prediccin de estructura de ARN. Seleccin ptima de modelos matemticos para la descripcin de sistemas biolgicos. Manejo de residuos slidos. Ingeniera de software. Construccin de horarios en grandes universidades, evitando conictos de clases. Problema del viajante. Hallazgo de errores en programas. Optimizacin de produccin y distribucin de energa elctrica. Diseo de redes geodsicas (Problemas de diseo). Calibracin y deteccin de daos en estructuras civiles.

Captulo 4 ALGUNOS EJEMPLOS ESPECFICOS DE AG

4.1. ACSTICA

Utilizaron algoritmos genticos para disear una sala de conciertos con propiedades acsticas ptimas, maximizando la calidad del sonido para la audiencia, para el director y para los msicos del escenario. Esta tarea implica la optimizacin simultnea de mltiples variables. Comenzando con una sala con forma de caja de zapatos, el AG de los autores produjo dos soluciones no dominadas, ambas descritas como con forma de hoja. la mejorsalas de conciertos del mundo, en trminos de propiedades acsticas.

4.2.

INGENIERA AEROESPACIAL

Aplicacin de los algoritmos genticos a la tarea de situar rbitas de satlites para minimizar los apagones de cobertura. Mientras la tecnologa de telecomunicaciones sigue progresando, los humanos somos cada vez ms dependientes de las funciones vitales que realizan los satlites en rbita alrededor de la Tierra, y uno de los problemas con los que se enfrentan los ingenieros es el diseo de las trayectorias orbitales. Los satlites que se encuentran en una rbita terrestre alta, a unos 35.000 kilmetros de altitud, pueden ver amplias secciones del planeta al mismo tiempo y estar en contacto con las estaciones terrestres, pero son mucho ms caros de lanzar y ms vulnerables a las radiaciones csmicas. Es ms econmico colocar satlites en rbitas bajas, en algunos casos a slo unos pocos cientos de kilmetros; pero, a causa de la curvatura de la Tierra, es inevitable que estos satlites pierdan durante un tiempo la lnea de visin con los receptores terrestres, y por lo tanto se vuelven intiles. Incluso las constelaciones de varios satlites tienen apagones ineludibles y prdidas de cobertura por esta razn

4.3.

ASTRONOMA Y ASTROFSICA

Se sugiere la utilidad de los AGs para problemas de astrofsica, aplicndolos a tres problemas de ejemplo: obtener la curva de rotacin de una galaxia basndose en las velocidades rotacionales observadas de sus componentes, determinar el periodo de pulsacin de una estrella variable basndose en series de datos temporales, y sacar los valores de los parmetros crticos de un modelo magneto hidrodinmico del viento solar. Son tres difciles problemas no lineales y multidimensionales.

15

CAPTULO 4.

ALGUNOS EJEMPLOS ESPECFICOS DE AG

16

4.4.

QUMICA

Un pulso lser ultracorto de alta energa puede romper molculas complejas en molculas ms sencillas, un proceso con aplicaciones importantes en la qumica orgnica y la microelectrnica. Los productos especcos de una reaccin as pueden controlarse modulando la fase del pulso lser. Sin embargo, para molculas grandes, obtener la forma del pulso deseado de manera analtica es demasiado difcil: los clculos son demasiado complejos y las caractersticas relevantes (las supercies de energa potencial de las molculas) no se conocen con suciente precisin.

4.5.

INGENIERA ELCTRICA

Una matriz de puertas programable en campo, es un tipo especial de placa de circuito con una matriz de celdas lgicas, cada una de las cuales puede actuar como cualquier tipo de puerta lgica, interconectado con conexiones exibles que pueden conectar celdas. Estas dos funciones se controlan por software, as que simplemente cargando un programa especial en la placa, puede alterarse al vuelo para realizar las funciones de cualquier dispositivo de hardware de la amplia variedad existente.

4.6.

MERCADOS FINANCIEROS

En 1996 se utilizaron un algoritmo gentico para predecir el rendimiento futuro de 1.600 acciones ofertadas pblicamente. Concretamente, al AG se le asign la tarea de predecir el benecio relativo de cada accin, denido como el benecio de esa accin menos el benecio medio de las 1.600 acciones a lo largo del periodo de tiempo en cuestin, 12 semanas (un cuarto del calendario) en el futuro. Como entrada, al AG se le proporcionaron datos histricos de cada accin en forma de una lista de 15 atributos, como la relacin precio-benecio y el ritmo de crecimiento, medidos en varios puntos del tiempo pasado; se le pidi al AG que evolucionara un conjunto de reglas si/entonces para clasicar cada accin y proporcionar, como salida, una recomendacin sobre qu hacer con respecto a la accin (comprar, vender o ninguna prediccin) y un pronstico numrico del benecio relativo. Los resultados del AG fueron comparados con los de un sistema establecido, basado en una red neuronal, que los autores haban estado utilizando para pronosticar los precios de las acciones y administrar las carteras de valores durante tres aos. Por supuesto, el mercado de valores es un sistema extremadamente ruidoso y no lineal, y ningn mecanismo predictivo puede ser correcto el 100porcentaje del tiempo; el reto consiste en encontrar un predictor que sea preciso ms de la mitad de las veces.

4.7.

JUEGOS

Una de las demostraciones ms novedosas y persuasivas de la potencia de los algoritmos genticos la presentaron], que utilizaron un AG para evolucionar redes neuronales que pudieran jugar a las damas. Los autores arman que una de las mayores dicultades en este tipo de problemas relacionados con estrategias es el problema de la asignacin de crdito -en otras palabras, cmo escribir una funcin de aptitud? Se ha credo ampliamente que los criterios simples de ganar, perder o empatar no proporcionan la suciente informacin para que un algoritmo gentico averige qu constituye el buen juego.

CAPTULO 4.

ALGUNOS EJEMPLOS ESPECFICOS DE AG

17

4.8.

GEOFSICA

Se utilizaron un algoritmo gentico para los hipocentros de los terremotos basndose en datos sismolgicos. (El hipocentro es el punto bajo la supercie terrestre en el que se origina un terremoto. El epicentro es el punto de la supercie directamente encima del hipocentro). Esto es una tarea sumamente compleja, ya que las propiedades de las ondas ssmicas dependen de las propiedades de las capas de roca a travs de las que viajan. El mtodo tradicional para localizar el hipocentro se basa en lo que se conoce como algoritmo de inversin ssmico, que empieza con la mejor estimacin de la ubicacin, calcula las derivadas del tiempo de viaje de la onda con respecto al punto de origen, y realiza una operacin de matriz para proporcionar una ubicacin actualizada. Este proceso se repite hasta que se alcanza una solucin aceptable. (Este Mensaje del Mes, de noviembre de 2003, proporciona ms informacin). Sin embargo, este mtodo requiere informacin diferencial y es propenso a quedar atrapado en ptimos locales.

4.9.

INGENIERA DE MATERIALES

Se utilizaron algoritmos genticos para disear polmeros conductores de electricidad basados en el carbono, conocidos como polianilinas. Estos polmeros, un tipo de material sinttico inventado recientemente, tienen grandes aplicaciones tecnolgicas potenciales y podran abrir la puerta a nuevos fenmenos fsicos fundamentales. Sin embargo, debido a su alta reactividad, los tomos de carbono pueden formar un nmero virtualmente innito de estructuras, haciendo que la bsqueda de nuevas molculas con propiedades interesantes sea del todo imposible. En este artculo, los autores aplican un enfoque basado en AGs a la tarea de disear molculas nuevas con propiedades especicadas a priori, comenzando con una poblacin de candidatos iniciales generada aleatoriamente. Concluyen que su metodologa puede ser una herramienta muy efectiva, para guiar a los investigadores en la bsqueda de nuevos compuestos y es lo sucientemente general para que pueda extenderse al diseo de nuevos materiales que pertenezcan virtualmente a cualquier tipo de molcula.

4.10.

EJRCITO Y CUMPLIMIENTO DE LA LEY

En el 2002 se utilizaron algoritmos genticos para evolucionar planes tcticos para las batallas militares. Los autores sealan que planear una batalla militar tctica es una tarea compleja multidimensional que a menudo atormenta a los profesionales experimentados no slo porque este tipo de decisiones a menudo se toman bajo condiciones de mucho estrs, sino tambin porque hasta los planes ms sencillos requieren tomar en cuenta un gran nmero de variables y consecuencias: minimizar las bajas amigas, maximizar las bajas enemigas, controlar el terreno deseado, conservar recursos, etctera. Los planicadores humanos tienen dicultades al tratar con las complejidades de esta tarea y a menudo deben recurrir a mtodos rpidos y sucios, como hacer lo que funcionase la ltima vez.

4.11.

BIOLOGA MOLECULAR

En los seres vivos, las protenas transmembrana son protenas que sobresalen de una membrana celular. Las protenas transmembrana realizan a menudo funciones importantes como detectar la presencia de ciertas sustancias en el exterior de la clula o transportarlas

CAPTULO 4.

ALGUNOS EJEMPLOS ESPECFICOS DE AG

18

hacia el interior de la clula. Para comprender el comportamiento de una protena transmembrana es necesario identicar el segmento de la protena que realmente est insertado en la membrana, lo que se conoce como dominio transmembrana. Durante las dos ltimas dcadas, los bilogos moleculares han publicado una serie de algoritmos cada vez ms precisos para este propsito.

4.12.

ROBTICA

El torneo internacional Rob es un proyecto para promocionar el avance de la robtica, la inteligencia articial y los campos relacionados, proporcionando un problema estndar con el que probar las nuevas tecnologas -concretamente, es un campeonato anual de ftbol entre equipos de robots autnomos. (El objetivo jado es desarrollar un equipo de robots humanoides que puedan vencer al equipo humano de ftbol que sea campen del mundo en 2050; actualmente, la mayora de los equipos de robots participantes funcionan con ruedas). Los programas que controlan a los miembros del equipo robtico deben exhibir un comportamiento complejo, decidiendo cundo bloquear, cundo tirar, cmo moverse, cundo pasar la pelota a un compaero, cmo coordinar la defensa y el ataque, etctera.

4.13.

DISEO DE RUTAS Y HORARIOS

En 1999 se utilizaron algoritmos genticos para disear los horarios de los exmenes universitarios. Se sabe que, en general, el problema del horario es NP-completo, lo que signica que no se conoce un mtodo para hallar con garantas una solucin ptima en un tiempo razonable. En un problema as, hay restricciones duras -no puede asignarse el mismo aula a dos exmenes a la vez- y restricciones suaves -si es posible, no deben asignarse varios exmenes en sucesin a un mismo estudiante, para minimizar la fatiga. Las restricciones duras deben satisfacerse, mientras que las restricciones suaves deben satisfacerse lo mximo posible.

Captulo 5 ALGUNAS APLICACIONES DE LOS ALGORITMOS GENTICOS

Como hemos podido observar, el rea de aplicacin de los AG es muy amplia, y en general sus aplicaciones se pueden implementar a muchos de los problemas de la vida cotidiana, de igual forma, se hayan aplicado a diversos problemas y modelos en ingeniara, y en la ciencia en general cabe destacar entre ellos:

5.1.

Optimizacin

Se trata de un campo especialmente abonado para el uso de los AG, por las caractersticas intrnsecas de estos problemas. No en vano fueron la fuente de inspiracin para los creadores estos algoritmos. Los AG se han utilizado en numerosas tareas de optimizacin, incluyendo la optimizacin numrica, y los problemas de optimizacin combinatoria.

5.2.

Programacin automtica

Los AG se han empleado para desarrollar pro- gramas para tareas especcas, y para disear otras estructuras computacionales tales como el autmata celular, y las redes de clasicacin

5.3.

Aprendizaje mquina

Los AG se han utilizado tambin en muchas de es- tas aplicaciones, tales como la prediccin del tiempo o la estructura de una protena. Han servido asimismo para desarrollar determinados aspectos de sistemas particulares de aprendizaje, como pueda ser el de los pesos en una red neuronal, las reglas para sistemas de clasicacin de aprendizaje o sis- temas de produccin simblica, y los sensores para robots.

5.4.

Economa

En este caso, se ha hecho uso de estos Algoritmos para modelizar procesos de innovacin, el desarrollo estrategias de puja, y la aparicin de mercados econmicos.

19

5.5.

CAPTULO 5.

Sistemas inmunes

ALGUNAS APLICACIONES DE LOS ALGORITMOS GENTICOS20

A la hora de modelizar 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 evolutivo, ha resultado til el empleo de esta tcnica.

5.6.

Ecologa

En la modelizacin de fenmenos ecolgicos tales como las carreras de armamento biolgico, la coevolucin de parsito-husped, la simbiosis, y el ujo de recursos.

5.7.

Gentica de poblaciones

En el estudio de preguntas del tipo "Bajo qu condiciones ser viable evolutivamente un gene para la recombinacin

5.8.

Evolucin y aprendizaje

Los AG se han utilizado en el estudio de las relaciones entre el aprendizaje individual y la evolucin de la especie.

5.9.

Sistemas sociales

En el estudio de aspectos evolutivos de los sistemas sociales, tales como la evolucin del comportamiento social en colonias de insectos, y la evolucin de la cooperacin y la comunicacin en sistemas multiagentes. Aunque esta lista no es, en modo alguno, exhaustiva, s transmite la idea de la variedad de aplicaciones que tienen los AG. Gracias al xito en estas y otras reas, los AG han llegado a ser un campo puntero en la investigacin actual.

1 UNIVERSIDAD

NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

Captulo 6 CONCLUSINES
Como se ha podido observar, una de las principales ventajas de los AG puede observarse en su sencillez; puesto que se necesita muy poca informacin sobre el espacio de bsqueda ya que se trabaja sobre un conjunto de soluciones o parmetros codicados (hiptesis o individuos). Al igual que sus campos de aplicacin, se puede armar que es un mtodo muy completo de optimizacin, puesto que sus reas de estudio son muy amplias, y se puede ver generalizado en muchos sucesos cotidianos. Se ha observado de igual forma que los AG estn indicados para resolver todo tipo de problemas que se puedan expresar como un problema de optimizacin donde se dene una representacin adecuada para las soluciones y para la funcin a optimizar. Se busca una solucin por aproximacin de la poblacin, en lugar de una aproximacin punto a punto. Probablemente el punto ms delicado de todo se encuentra en la denicin de la funcin objetivo, ya que de su eciencia depende la obtencin de un buen resultado. El resto del proceso es siempre el mismo para todos los casos. La programacin mediante AG supone un nuevo enfoque que permite abarcar todas aquellas reas de aplicacin donde no se sabe de ante mano como resolver el problema. Se dice que la evolucin cultural humana ha reemplazado a la biolgica -que nosotros, como especie, hemos llegado a un punto en el que somos capaces de controlar conscientemente nuestra sociedad, nuestro entorno y hasta nuestros genes al nivel suciente para hacer que el proceso evolutivo sea irrelevante. Se dice que los caprichos culturales de nuestra cambiante sociedad son los que determinan la aptitud hoy en da, en lugar de la marcha enormemente lenta, en comparacin, de la mutacin gentica y la seleccin natural. En cierto sentido, esto puede ser perfectamente cierto. Pero en otro sentido, nada podra estar ms lejos de la verdad. La evolucin es un proceso de resolucin de problemas cuyo poder slo comenzamos a comprender y explotar; a pesar de esto, ya est funcionando por todas partes, moldeando nuestra tecnologa y mejorando nuestras vidas, y, en el futuro, estos usos no harn sino multiplicarse. Aqu hay una leccin que deben aprender los que niegan el poder de la evolucin y los que niegan que el conocimiento de ella tenga benecios prcticos.

1
1 UNIVERSIDAD
NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

21

Captulo 7 BIBLIOGRAFIA
-BIBLIOTECA DE LA UNIVERSIDAD NACIONAL DE HVCA. -CHAPRA. -INTERNET. 1

1 UNIVERSIDAD

NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA

22

Captulo 8 ANEXOS

Figura 8.1: D

1.jpg Figura 8.2: E 23

CAPTULO 8.

ANEXOS

24

1 UNIVERSIDAD

NACIONAL DE HUANCAVELICA E.A.P. ING. CIVIL HVCA