Académique Documents
Professionnel Documents
Culture Documents
04/06/2009 10:06:00
Facultad Regional Buenos Aires a.m.
Introduccin a la Inteligencia Artificial
GIAR Algoritmos Geneticos
Fecha ltima Rev.
04/06/2009 04:50:00
p.m.
ndice
1 Introduccin....................................................................................................... 1
1.1 Estructura bsica de un Programa Evolutivo. .............................................. 3
2 Algoritmos Genticos. Qu son? ..................................................................... 3
2.1 Optimizacin de una funcin simple ............................................................ 4
2.2 Poblacin Inicial .......................................................................................... 4
2.3 Funcin de evaluacin ................................................................................ 4
2.4 Operadores genticos ................................................................................. 5
3 Algoritmos Genticos Cmo trabajan? ............................................................ 5
4 Algoritmos Genticos Por qu funcionan?....................................................... 7
4.1 Orden del esquema..................................................................................... 7
4.2 Longitud del esquema ................................................................................. 8
5 Teorema del esquema....................................................................................... 9
6 Hiptesis de los bloques constructivos .............................................................. 9
7 Bibliografa: ....................................................................................................... 9
1 Introduccin
de las cadenas de cromosomas, y se les asocia con una cierta funcin matemtica
que refleja su aptitud.
La aplicacin ms comn de los algoritmos genticos ha sido la solucin de problemas
de optimizacin y bsqueda, en donde han mostrado ser muy eficientes y confiables.
Sin embargo, no todos los problemas pueden ser resueltos por esta tcnica. Se
recomienda en general tomar en cuenta algunas de las caractersticas del problema a
resolver antes de intentar usar algoritmos genticos para resolverlo:
begin
t=0
inicializar P(t)
evaluar P(t)
While (not condicin de terminacin) do
begin
t=t+1
seleccionar P(t) de P(t-1)
alterar P(t)
evaluar P(t)
end
end
El algoritmo gentico clsico utiliza un nmero binario de longitud fija para sus
individuos (como estructura de sus cromosomas) y dos operadores: mutacin binaria y
cruza binaria.
Los mtodos de algoritmo gentico son clasificados como mtodos dbiles pero en
presencia de restricciones no triviales pueden migrar rpidamente a mtodos fuertes.
f(x) = x * sen(10 * * x) + 1
Representacin
Se usar un vector binario que represente el valor de la variable x dentro del rango
deseado. Su longitud depender de la precisin requerida, por ejemplo 6 lugares
decimales.
Para calcular el tamao del vector binario de cada cromosoma se divide el espacio de
bsqueda por la precisin que se desea alcanzar y se toma el valor entero superior.
Entonces tenemos:
Precisin: 0.000001
Espacio de bsqueda: 2 (-1) = 3
Esto significa que 22 bits sern suficientes para representar un nmero comprendido
entre los valores -1,000000 y 2,000000.
Para saber a que valor de X corresponde un determinado vector binario hacemos:
x = -1 + xd . 3 / (222 - 1)
Seleccin
Mediante la Seleccin se eligen los individuos de la generacin anterior que pasarn a
la siguiente. La cantidad de individuos est predeterminada por el tamao de la
poblacin. Para ello, en la forma mas simple de seleccin se usa una ruleta
ponderada.
Mutacin
La mutacin cambia uno o ms genes del cromosoma (bits del vector binario) con
probabilidad igual a la tasa de mutacin.
Cruza
Para la cruza, se seleccionan al azar dos cromosomas padres y un punto de
fraccionamiento tambin al azar y se obtienen dos hijos permutando los fragmentos de
ambos padres.
Parmetros
Tamao de poblacin = 50
Probabilidad de cruza = 0,25
Probabilidad de mutacin = 0,01
Si se quiere maximizar una funcin de k variables f(x1,..,xk) donde cada xi toma valores
del un dominio Di = [ai,bi] entonces para una dada precisin cada variable. Ser
representada por un vector binario de longitud fijada por el nmero de cifras
significativas requerido, de forma anloga al ejemplo anterior.
La poblacin inicial se puede crear al azar o bien usar la informacin disponible acerca
del problema.
Para la evaluacin se usa la misma funcin y para el proceso de seleccin se crea una
ruleta con ranuras normalizadas con respecto al valor de la funcin de evaluacin, en
otras palabras
Ejemplo:
El proceso de seleccin se basa en hacer girar la ruleta tantas veces como nmero de
individuos T tenga la poblacin, por cada giro se selecciona un cromosoma para la
nueva poblacin de acuerdo al siguiente criterio:
Genere un nmero al azar r en el rango de [0,...,l]
Si r < qi entonces seleccione el primer cromosoma (v1). De otra manera seleccione
el cromosoma vi que cumpla con la condicin qi-1 < r < qi
Obviamente un mismo cromosoma puede ser seleccionado mas de una vez. Los
mejores obtienen mas copias, el promedio permanece igual, y los peores mueren.
Sobre esta nueva poblacin se aplica el operador de cruza del siguiente modo, para
cada cromosoma
Ejemplo:
P1 = 01111011 P2 = 10010100
H1 = 01111100 H2 = 10010011
Finalizado este proceso la poblacin est en otro ciclo evolutivo (generacin) que
comienza con la evaluacin de la aptitud de cada individuo al ambiente
Esta claro que cada esquema coincidir con 2r vectores, donde r es el nmero de * del
esquema. Por otro lado cada vector de longitud m coincidir con 2m esquemas
distintos, de los 3m esquemas de longitud m posibles (Es un sistema ternario: 0, 1, *).
En una poblacin de n individuos pueden representarse entre 2m y n. 2m esquemas,
siendo 2m cuando todos los individuos son iguales y n. 2m cuando son todos distintos.
Los esquemas tienen dos propiedades, orden y longitud definida, y sobre ellas se
formula el teorema del esquema.
Esquemas cortos, de pequeo orden, con aptitud superior al promedio reciben intentos
exponencialmente crecientes en generaciones subsecuentes de un algoritmo gentico
7 Bibliografa:
http://www.econ.iastate.edu/tesfatsi/holland.GAIntro.htm
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.29.9772&rep=rep1&type
=pdf