Revista Ingeniería, Investigación y Desarrollo

(Versión actualizada: Marzo 12 de 2010 Acta CE No. )

ISSN 1900-771X

Las etapas del AG son:

Población inicial: La población inicial hace

ALGORITMOS GENÉTICOS referencia al grupo de soluciones iniciales
(individuos con información genética) generadas
Los algoritmos genéticos (AG) hacen parte de las aleatoriamente en concordancia con una estructura
técnicas de s de computación evolutiva basados en de los cromosomas previamente definida.
la teoría evolucionista de Darwin, junto con las (Castañeda & Torres, 2008). La población inicial
estrategias evolutivas (EE), la programación puede obtenerse mediante el uso de técnicas
evolutiva (PE) y los sistemas clasificadores heurísticas dependiendo del problema a optimizar,
genéticos (SCG) (Diego-Mas, 2006, pág. 120). según diversidad de estudios se determinó que el
Los algoritmos genéticos fueron introducidos por tamaño óptimo para la mayoría de los problemas de
Jhon Holland en 1975 para imitar algunos de los optimización esta entre 50 y 100 individuos.
mecanismos que se observan en la evolución de las (Pérez., 2010, pág. 227)
especies (Pérez., 2010, pág. 209)Como bien es
sabido en el proceso de selección natural los
individuos con mayor adaptabilidad al entorno son Figura1. Estructura básica de un algoritmo genético
quienes sobreviven y tienen éxito.
Los algoritmos genéticos trabajan con una población
completa de soluciones para cada iteración Inicio
conocida como “población inicial” de la cual por
medio del proceso de selección natural se obtiene la Generar Población inicial.
“siguiente generación” (Castañeda & Torres, 2008,
pág. 62) donde las características de los padres son g 0
reproducidas en los hijos, estas características que
pasan de generación en generación son las
conocidas como soluciones viables que se organizan Evaluar población F.O
cada una en un cromosoma o genotipo. Cada
cromosoma tiene una medida de conveniencia dada
por la función objetivo. En dicha función objetivo Condición de Si
se define la habilidad que tendrá para sobrevivir y Terminación
reproducirse (Peña & Jimenez., 2016, pág. 51). No
Selección
Codificación: Los algoritmos genéticos requieren
para su aplicación de representaciones
Codificadas como un cromosoma. Cada cromosoma Cruce
tiene varios genes que corresponden a los
parámetros del problema en cuestión. Algunos
ejemplos de codificación utilizada por autores son: Mutación
Evaluar población F.O
 Codificación desarrollada por Tam: usando
arboles de cortes, Ver Tam (1992) Fin
 Codificación propuesta por Muñoz:
Modelos de indisponibilidad ver Muñoz
(1997) Fuente: (Pérez., 2010)
 Codificación desarrollada por Santamaría:
Arboles de cortes Santamaría (1995)
Evaluación: Cada uno de los individuos de la
 Codificación desarrollada por Suresth et
población inicial se evalúa para obtener la función
al: Matriz simple de asignación ver
objetivo. Esta función objetivo medirá la adaptación
Suresth et al. (1995),
de los individuos en su entorno denominándose
 Codificación desarrollada por Islier: ver
como adaptabilidad (Diego-Mas, 2006, pág. 122).
Islier (1998).
 Entre otras (Pérez., 2010, págs. 213-226)
Selección: según (Castañeda & torres, 2008) “En
esta etapa se determinan los criterios de selección
Universidad Pedagógica y Tecnológica de Colombia (Uptc)
Sede Seccional Sogamoso, (Boyacá) e-mail: revistaiid@uptc.edu.co
 Revista Ingeniería, Investigación y Desarrollo
(Versión actualizada: Marzo 12 de 2010 Acta CE No. )
ISSN 1900-771X

de tal manera que se dupliquen más copias de los
individuos aptos que tienen un valor pequeño
dentro de la función objetivo”. Los mejores
individuos son los aptos para reproducirse, para ello
se debe establecer un sistema para su selección. Los
mecanismos de selección de los mejores individuos,
basados en el valor supremo de cada intervalo
propuestos por Muñoz et al. (1997) son:
Lineal
𝜁𝑗 = 𝜁𝑗 − 1 + 𝑁 − (𝑗 − 1)
de la cadena, para luego cambiar el valor del gen
por otro que satisfaga las restricciones explicitas del
problema. (Pérez., 2010, pág. 232).
Inversión: El operador inversión, consiste en
intercambiar dos o más genes de un individuo con la
finalidad de crear otro con unas características
específicas. La finalidad es explorar campos del
espacio de búsqueda no contemplados en la
población actual (Islier, 1998) (Islier, 1998; Kyu-
Yeul Lee et al., 2003; 2005).

Donde El AG se modifica de acuerdo a las variables de

𝜁𝑗 = es el valor supremo del intervalo de la iteración tamaño de la población, tasa de mutación, tasa de
j-ésimo asociado al individuo j-ésimo reproducción y número de generaciones.
N= número de individuos de la población

No lineal COLONIA DE HORMIGAS

2 El algoritmo Colonia de hormigas se basa

𝜁𝑗 = 𝜁𝑗 − 1 + (𝑁 − (𝑗 − 1))
Exponencial
𝜁𝑗 = 𝜁𝑗 − 1 + 𝐸[𝐸𝑥𝑝(𝑁 − (𝑗 − 1))]
En estos casos se le atribuye un gran peso a los
primeros elementos de la ordenación, decreciendo
rápidamente al bajar el orden. Esto permite darle
poco peso a los intermedios y muy poco a los
últimos. (Pérez., 2010, pág. 228).
Otro de los métodos utilizado para la selección de
los padres es un método generador de números
aleatorios (Ver ruleta de Goldberg 1989).
Cruce: posterior a la selección de los padres se
procederá a la creación de nuevos individuos por
medio del cruce o apareamiento de los mejores
individuos, pues son estos quienes tendrán la mayor
posibilidad de pasar su código genético a las
siguientes generaciones, este cruce debe ser
adecuado al problema a optimizar; este proceso se
repetirá las veces que sea necesario para encontrar
el mejor cruce que optimice la F.O
principalmente en el comportamiento que tienen las
hormigas al momento de buscar alimento eligiendo
el camino más corto de la colonia a él, basándose
en el rastro de feromonas que es inversamente
proporcional a la distancia del hormiguero, es decir
el rastro con mayor cantidad de feromonas
representara el camino más corto. (Diego-Mas,
2006, pág. 105).
Los principales iniciadores de esta técnica fueron
Dorigo y DiCar, y se ha conseguido aplicar a
variadas situaciones, aunque su aplicación más
típica es al problema del vendedor viajero. (Herrera,
2009, pág. 8).
Figura2. Comportamiento de la colonia de
hormigas naturales

Mutación: el objetivo de esta etapa es permitir que

los individuos tengan variación en la información
genética, es decir que muten al azar para la
generación de un nuevo individuo. Esta alteración
de la estructura genética, permite una accesibilidad a
todos los puntos del espacio de búsqueda Fuente: (Michael & Roberto., 2009, pág. 61)
(exploración), facilitando así que no se pierda la
diversidad y evitando que se entre en óptimos
locales. El procedimiento clásico de aplicación del El algoritmo de colonia de hormigas está compuesto
operador, consiste en elegir aleatoriamente un punto por los siguientes elementos:

Universidad Pedagógica y Tecnológica de Colombia (Uptc)

Sede Seccional Sogamoso, (Boyacá) e-mail: revistaiid@uptc.edu.co
 Revista Ingeniería, Investigación y Desarrollo
(Versión actualizada: Marzo 12 de 2010 Acta CE No. )
ISSN 1900-771X

Roberto., 2009, pág. 62) se realizan según las

Inicialización: como su nombre lo indica se siguientes ecuaciones:
introducen los datos del algoritmo dependiendo del
problema que se quiere optimizar, es necesario 𝑇𝑖𝑗 (𝑡 + 1) = (1 − 𝜌) × 𝑇𝑖𝑗 (𝑡) + ∆𝑇
definir el número de hormigas (H) que conforman
la colonia, se debe tener en cuenta que si se aumenta Donde
el número de hormigas de igual manera aumentar el 𝑇𝑖𝑗 (𝑡) Es la intensidad de la trayectoria entre las
espacio de soluciones, el coste de memoria y el ciudades i y j en el instante t.
tiempo de computación , adicionalmente se deben 𝜌 Representa el coeficiente de evaporación y
definir la información relacionada con las ∆𝑇 Es el aumento de la intensidad entre las
feromonas (𝑇𝑖𝑗 ), los valores iniciales son fijados ciudades i y j definido como la suma de los
con el valor constante 𝑇 = 𝑇0 ∀ (𝑖, 𝑗) > 0, el aumentos de intensidad para los h agentes u
parámetro de evaporación (𝜌) el cual reduce la hormigas definidos se calcula:
intensidad del rastro de feromonas; y por último se
definen los parámetros que ponderan la influencia 1
de las feromonas (𝛼) y de la información heurística ∆𝑇 =
𝑓𝑛 (𝑥)
(𝛽). (Guirao, pág. 29).
Para calcular el aumento de la intensidad del
Construcción de soluciones: Las hormigas recorrido individual de cada hormiga, Marco
artificiales construyen cada una, una solución al Dorigo y sus colaboradores propusieron tres
problema denominada (𝑆 𝑘 ) donde cada elemento posibilidades (Dorigo & Gambardella, 1997)que se
posible se le asigna una probabilidad de rastro de diferencian en el momento y la forma de actualizar
feromonas acumulado y la información asociada a una matriz de intensidades (Dorigo, Maniezzo, &
las heurísticas. (Guirao, pág. 29). Como demuestra a Colorni, 1996).
continuación:
 Ant-density y en ella se realiza una
𝛼 𝛽
[𝑇𝑖𝑗 ] × [𝜂𝑖𝑗 ] actualización constante de la intensidad en
𝑃𝑖𝑗ℎ = 𝛼 𝛽
𝑐𝑜𝑛 𝑗 ∈ 𝐶𝑖ℎ el recorrido de la hormiga.
∑𝑖∈𝐶 ℎ [𝑇𝑖𝑗 ] × [𝜂𝑖𝑗 ]
𝑖
Dónde: ∆ℎ 𝑇𝑖𝑗 = { 𝑄1 𝑠𝑖 𝑙𝑎 ℎ𝑜𝑟𝑚𝑖𝑔𝑎 ℎ 𝑣𝑖𝑎𝑗𝑎
𝑑𝑒𝑠𝑑𝑒 𝑖 𝑎 𝑗 𝑒𝑛𝑡𝑟𝑒 𝑡 𝑦 𝑡 + 1
𝑃𝑖𝑗 Probabilidad asociada a un nodo entre 0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
vecindario de nodos
𝑇 Rastro de feromona  Ant-quality la actualización se realiza de
𝜂 Información heurística manera proporcional inversa a la distancia
𝛼 𝑦 𝛽 Importancia concedida a la feromona y a la recorrida entre dos
información heurística
𝑄2
∆ℎ 𝑇𝑖𝑗 = { 𝑠𝑖 𝑙𝑎 ℎ𝑜𝑟𝑚𝑖𝑔𝑎 ℎ 𝑣𝑖𝑎𝑗𝑎
𝑑𝑖𝑗
Búsqueda local: los algoritmos de colonia de
𝑑𝑒𝑠𝑑𝑒 𝑖 𝑎 𝑗 𝑒𝑛𝑡𝑟𝑒 𝑡 𝑦 𝑡 + 1
hormigas generalmente son buenos candidatos a
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
incorporar una búsqueda local ya que sus
soluciones iniciales son buenas que no
 Ant-Cycle la actualización es inversamente
necesariamente son óptimas locales, su
proporcional al trayecto completo realizado
implementación depende del tipo de problema.
por la hormiga:
Actualización del rastro de feromonas: En esta 
𝑄3
etapa los caminos se feromona se modifican, la ∆ℎ 𝑇𝑖𝑗 = { ℎ 𝑠𝑖 𝑙𝑎 ℎ𝑜𝑟𝑚𝑖𝑔𝑎 ℎ 𝑢𝑡𝑖𝑙𝑖𝑧𝑎 𝑒𝑙
cantidad de feromona puede aumentar o disminuir 𝐿
de acuerdo a la mejor solución evaluada por la 𝑡𝑟𝑎𝑚𝑜 𝑖𝑗 𝑒𝑛 𝑠𝑢 𝑟𝑒𝑐𝑜𝑟𝑟𝑖𝑑𝑜
hormiga, de esta forma gradúa el conocimiento de 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
las áreas ya exploradas. La evaporación y
actualización de las feromonas (Michael &
Bibliografía

Universidad Pedagógica y Tecnológica de Colombia (Uptc)

Sede Seccional Sogamoso, (Boyacá) e-mail: revistaiid@uptc.edu.co
 Revista Ingeniería, Investigación y Desarrollo
(Versión actualizada: Marzo 12 de 2010 Acta CE No. )
ISSN 1900-771X

Castañeda, L. N., & Torres, O. M. (2008). DISEÑO

DE UNA DISTRIBUCIÓN EN PLANTA
CON ALGORITMOS GENÉTICOS Y
BÚSQUEDA TABÚ. Desarrollo
sostenible y tecnología, 62-71.
Diego-Mas, J. A. (Enero de 2006). ResearchGate.
Obtenido de
https://www.researchgate.net/publication/3
11939744
Dorigo, M., & Gambardella, L. M. (Abril de 1997).
Ant colony system: a cooperative learning
approach to the Traveling Salesman
Problem. TRANSACTIONS ON
EVOLUTIONARY COMPUTATION, 1(1).
Dorigo, M., Maniezzo, V., & Colorni, A. (1996).
The Ant System:Optimization by a colony
of cooperating agents. Transactions on
Systems, Man, and Cybernetics–Part B,
26(1), 1-13.
Guirao, D. A. (s.f.). upcommons.upc.edu. Obtenido
de
https://upcommons.upc.edu/bitstream/hand
le/2099.1/17206/Memoria.pdf?sequence=1
&isAllowed=y
Herrera, J. I. (2009). repositorio.itesm.mx. Obtenido
de
https://repositorio.itesm.mx/handle/11285/
571138
Islier. (1998). A genetic algorithm approach for
multiple criteria facility layout.
International Journal Production
Research, 36(6).
Michael, F. C., & Roberto., C. C. (Enero de 2009).
SELECCIÓN DE RUTAS DE
DISTRIBUCIÓN UTILIZANDO
OPTIMIZACIÓN POR COLONIA DE
HORMIGAS. vector, 4, 59-66.
Peña, D. E., & Jimenez., L. F. (2016).
http://tangara.uis.edu.co. Obtenido de
http://tangara.uis.edu.co/biblioweb/tesis/20
16/164939.pdf
Pérez., R. A. (Febrero de 2010). riunet.upv.es.
Obtenido de
https://riunet.upv.es/bitstream/handle/1025
1/7344/tesisUPV3166.pdf

Universidad Pedagógica y Tecnológica de Colombia (Uptc)

Sede Seccional Sogamoso, (Boyacá) e-mail: revistaiid@uptc.edu.co