UNIVERSIDAD NACIONAL

SANTIAGO ANTNEZ DE MAYOLO

FACULTAD DE CIENCIAS
ESCUELA ACADMICO PROFESIONAL DE INGENIERA DE SISTEMAS E
INFORMTICA

SIMULACION DE SISTEMAS
ALGORITMOS GENTICOS
AUTORES

HUAMAN CAMONES CLINTON YEFERSON

SOLORZANO ANDAGUA HUGO GENIX
TORRE SALVADOR RODER ARNOL
VERDE ALLAUCA ROONY MARVYN
VILLANUEVA COCHACHIN MELITON JUNIOR
PAUCAR MELGAREJO ROFELIO

ASESOR
Ing Msc. ALBERTO MEDINA VILLACORTA
HUARAZ PERU
2016

NDICE
No se encontraron entradas de tabla de contenido.

TECNOLOGIA CLIENTE- SERVIDOR

SISTEMAS DISTRIBUIDOS

1. Introduccin
2. Historia
3. Qu son los Algoritmos Genticos?
3.1.
Definicin
3.2.
Componentes
3.3.
Esquema Bsico
UNASAM

TECNOLOGIA CLIENTE- SERVIDOR

4.
5.
6.

7.

SISTEMAS DISTRIBUIDOS

3.4.
Representacin
Caractersticas
Tcnicas de Representacin
Operadores Genticos (Elementos)
6.1.
seleccin y muestreo
6.2.
esquemas de seleccin y muestreo
6.3.
rueda de ruleta
6.4.
Cruce
6.5.
Mutacin
Mecanismo de Seleccin

La seleccin suele considerar la poblacin en su conjunto y la

probabilidad de reproduccin se define sobre la generacin actual de la
poblacin.
Se asignan probabilidades de seleccin a los individuos de la poblacin
(padres) en funcin de su fitness.
Se suele emplear un mecanismo de seleccin estocstico:
Los mejores individuos es ms probable que se seleccionen
(aunque nada lo garantiza).
Incluso el peor individuo de la poblacin puede ser seleccionado.
7.1.
Seleccin proporcional (ruleta)
Idea: Los mejores individuos tienen ms posibilidades de
reproducirse
Implementacin: Ruleta
A cada individuo se le asigna una parte proporcional de la

ruleta.
Se gira la ruleta n veces para seleccionar una poblacin de n
individuos.

Ejemplo:
fitness(A)=3

7.2.

fitness(B)=1

fitness(C)=2

Seleccin de supervivientes
UNASAM

TECNOLOGIA CLIENTE- SERVIDOR

SISTEMAS DISTRIBUIDOS

La seleccin final suele ser determinstica:

Basada en el fitness (slo los mejores sobreviven).
Basada en la edad (la generacin de descendientes sustituye

por completo a sus padres).

En ocasiones, se combinan fitness y edad(el mejor individuo

siempre sobrevive, sea padre o hijo)

Modelos poblacionales
Modelo generacional: Cada individuo vive durante una nica

7.3.

generacin. El conjunto completo de padres es reemplazado.

Modelo estacionario: En cada generacin se crea un nico
descendiente, que reemplaza a un miembro de la poblacin inicial
Seleccin por torneo
Seleccionar k miembros al azar y escoger el mejor.
Repetir las veces que haga falta.
La probabilidad de seleccionar un individuo depender de
El ranking del individuo.
El tamao de la muestra k (cuanto mayor sea k, mayor presin

7.4.

de seleccin)
El mtodo de muestreo (el muestreo sin reemplazo aumenta

la presin selectiva)
Si el mejor individuo siempre gana (determinista) o si esto
sucede con probabilidad p (probabilstica).
Operadores de mutacin

8. Permutaciones

Los operadores de cruce y mutacin habituales dan lugar a soluciones

inadmisibles, por lo que los operadores de mutacin deben cambiar al
menos dos valores y los de cruce han de disearse especficamente para
problemas de este tipo.
8.1.
Operadores de mutacin
Inversin: Seleccionar dos alelos aleatoriamente e invertir la
cadena entre ellos

Revuelto: Seleccionar un subconjunto de genes y reordenar

aleatoriamente los alelos (el subconjunto no tiene por qu ser
contiguo).

8.2.

Operadores de cruce
Cruce de orden: se preserva el orden relativo de los elementos
UNASAM

TECNOLOGIA CLIENTE- SERVIDOR

SISTEMAS DISTRIBUIDOS

PMX [Partially-Mapped Crossover]:

Cruce de ciclos:

9. Fundamentos de AG
10. Ventajas y Desventajas AG
UNASAM

TECNOLOGIA CLIENTE- SERVIDOR

11.
12.
13.
14.

SISTEMAS DISTRIBUIDOS

Ejemplos AG
Aplicaciones AG
Conclusiones
Bibliografa

http://elvex.ugr.es/decsai/computationalintelligence/slides/G2%20Genetic%20Algorithms.pdf

UNASAM