GENÉTICOS GENÉTICOS
BRANDON SÁEZ BRANDON SÁEZ SECCIÓN 1 SECCIÓN 1
ALGORITMOS
GENÉTICOS
COMO TÉCNICA DE BÚSQUEDA Y OPTIMIZACIÓN
HECHO EN VENEZUELA
7,99 $
OCTUBRE DE 2023 OCTUBRE DE 2023 EDICIÓN 1 EDICIÓN 1
APORTES DE LOS ALGORITMOS GENÉTICOS A LA
INTELIGENCIA
ARTIFICIAL
ORIGEN DEL CONCEPTO DE COMPUTACIÓN
EVOLUTIVA
ÍÍNDICE NDICE
Aportes de los algoritmos genéticos a la Aportes de los algoritmos genéticos a la Inteligencia Artificial Inteligencia Artificial
Origen del concepto de computación
Origen del concepto de computación evolutiva evolutiva
Modelos de computación bioinspirados
Modelos de computación bioinspirados
Videos
01 01 02 02 04 04 05 05 07 07 09 09 Introducción a los Algoritmos Genéticos Introducción a los Algoritmos Genéticos
DISTRIBUIDO POR LA EDITORIAL DISTRIBUIDO POR LA EDITORIAL BRANDON SÁEZ C.A. BRANDON SÁEZ C.A. BRANDON SÁEZ BRANDON SÁEZ Algoritmos genéticos como técnica de Algoritmos genéticos
técnica de búsqueda y optimización búsqueda y optimización
como
recreativos
recreativos Videos
INTRODUCCIÓN A LOS INTRODUCCIÓN A LOS
ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS
Los algoritmos genéticos es una técnica de búsqueda inspirada en el proceso de evolución natural. Son un tipo de algoritmo de optimización que puede resolver problemas complejos imitando los principios de selección natural, recombinación genética y mutación.
La idea principal detrás de los algoritmos genéticos es crear una población de posibles soluciones a un problema y luego mejorarlas de forma iterativa a lo largo de varias generaciones. Cada solución en la población, llamada individuo, representa una posible solución al problema en cuestión. Estos individuos están codificados como cadenas de datos, conocidos como cromosomas.
El proceso de evolución en los algoritmos genéticos implica varios pasos clave.
Los algoritmos genéticos se utilizan ampliamente en diversos campos, incluidos problemas de optimización, aprendizaje automático, minería de datos y bioinformática.
En resumen, los algoritmos genéticos son una técnica de búsqueda inspirada en la naturaleza que utiliza los principios de selección natural, recombinación genética y mutación para resolver problemas complejos. Al hacer evolucionar iterativamente una población de soluciones potenciales, los algoritmos genéticos pueden descubrir soluciones de alta calidad para una amplia gama de problemas.
1
ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS COMO TÉCNICA DE BÚSQUEDA COMO TÉCNICA DE BÚSQUEDA Y OPTIMIZACIÓN Y OPTIMIZACIÓN
Laoptimizacióneslacienciadeencontrardecisionesque satisfaganrestriccionesdadasycumplanunobjetivoespecíficoen suvaloróptimo.Eningeniería,laslimitacionespuedensurgirde limitacionesfísicasyespecificacionestécnicas.Enlosnegocios,las limitacionessuelenestarrelacionadasconlosrecursos,incluidala manodeobra,elequipo,loscostosyeltiempo.
Elobjetivodelaoptimizaciónglobalesencontrarla"mejor soluciónposible"enmodelosdedecisiónnolinealesque frecuentementetienenunacantidaddesoluciones(locales) subóptimas.
2
En ausencia de herramientas de optimización global, los ingenieros e investigadores a menudo se ven obligados a conformarse con soluciones factibles, descuidando a menudo los valores óptimos. En términos prácticos, esto implica diseños y operaciones inferiores, y gastos relacionados en términos de confiabilidad, tiempo, dinero y otros recursos.
Las técnicas de optimización clásicas tienen dificultades para abordar problemas de optimización global. Una de las principales razones de su fracaso es que pueden quedar fácilmente atrapados en mínimos locales. Además, estas técnicas no pueden generar ni siquiera utilizar la información global necesaria para encontrar el mínimo global para una función con múltiples mínimos locales.
El algoritmo genético resuelve problemas de optimización imitando los principios de la evolución biológica, modificando repetidamente una población de puntos individuales utilizando reglas modeladas a partir de combinaciones de genes en la reproducción biológica.
Debido a su naturaleza aleatoria, el algoritmo genético mejora las posibilidades de encontrar una solución global. Por lo tanto, demuestran ser muy eficientes y estables en la búsqueda de soluciones óptimas globales. Ayuda a resolver problemas de optimización generales, con restricciones limitadas y sin restricciones, y no requiere que las funciones sean diferenciables o continuas.
3
APORTES DE LOS APORTES DE LOS
ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS
A LA INTELIGENCIA A LA INTELIGENCIA
ART ARTIFICIAL
Los algoritmos genéticos son parte de la Inteligencia Artificial. Analicemos algunos puntos que nos permiten marcar correctamente estas palabras: Una habilidad que comúnmente se atribuye a la inteligencia es la resolución de problemas.
Mejorar el aprendizaje de sus experiencias anteriores.
La inteligencia artificial se puede definir como "la replicación de inteligencia, o partes de ella, al menos en apariencia, dentro de una computadora".
Los algoritmos genéticos son herramientas computacionales de resolución de problemas (generación tras generación, evolucionan y aprenden).
Considerando los puntos comentados anteriormente, se puede deducir que los Algoritmos Genéticos pueden concluirse como un tipo de Inteligencia Artificial.
Los algoritmos genéticos son una técnica de inteligencia artificial que imita el proceso de selección natural y evolución para encontrar soluciones a problemas complejos. Han hecho contribuciones significativas a la IA en una variedad de formas, incluyendo: optimización, búsqueda, Selección de características, Optimización de redes neuronales, etc.
4
ORIGEN DEL CONCEPTO DE ORIGEN DEL CONCEPTO DE COMPUTACIÓN EVOLUTIVA COMPUTACIÓN EVOLUTIVA
Este campo fue iniciado de forma independiente en la década de 1960 por Fogel et al. 1966, Holland 1975, Rechenberg 1973. Los dos últimos autores publicaron su trabajo en una forma ampliamente accesible sólo en la requieran un tiempo de cálculo que crece exponencialmente con el tamaño del problema. Uno de esos problemas es el problema del vendedor ambulante, en el que se dan varias ciudades junto con una matriz de distancia que proporciona la distancia o el costo del viaje para cada par de ciudades.
5
El problema solicita el viaje de ida y vuelta más corto posible, es decir, el vendedor ambulante sale de una ciudad determinada y debe visitar todas las demás ciudades antes de regresar a la primera. Para n ciudades, además de la ciudad de origen, ¡hay n! diferentes viajes de ida y vuelta, siempre que exista una conexión directa entre cada par de ciudades. Es necesario evaluar una proporción sustancial de ellos antes de poder estar seguros de que se ha encontrado el viaje de ida y vuelta óptimo. Por tanto, el número de pasos informáticos crece exponencialmente con el número de ciudades a visitar. Es decir, el tiempo de computación necesario para encontrar la solución óptima se vuelve impráctico incluso para un número moderado de ciudades con las computadoras rápidas de hoy y las computadoras proyectadas para el futuro cercano. En consecuencia, uno tiene que contentarse con una buena solución y no con una solución óptima. El problema del viajante de comercio puede resolverse mediante un algoritmo genético según el siguiente esquema: inicialmente se crea una población de soluciones potenciales (ordenamientos de ciudades generados más o menos aleatoriamente) como primera generación en el proceso evolutivo. Se evalúa la idoneidad de cada individuo para una solución al problema planteado, es decir, se calcula la distancia recorrida. La próxima generación se crea reteniendo a los individuos mejor adaptados de la población, es decir, aquellos con distancias de viaje más cortas. Los individuos menos aptos son descartados. Además, se crean nuevos individuos como "descendientes" de la población actual y se agregan a la nueva generación. Los individuos descendientes generalmente se crean mediante mutaciones aleatorias de los "padres". Esto también puede incluir la combinación del código genético de múltiples padres, como operadores de "cruzamiento" en el código genético de dos padres individuales.
6
MODELOS DE COMPUTACIÓN MODELOS DE COMPUTACIÓN
BIOINSPIRADOS BIOINSPIRADOS
local para encontrar soluciones más eficientes.
7
Estos modelos proporcionan enfoques alternativos e innovadores para resolver problemas complejos. Al inspirarse en los sistemas biológicos, ofrecen nuevas perspectivas y técnicas que pueden complementar los métodos computacionales tradicionales.
Los algoritmos genéticos son una herramienta poderosa que puede ser utilizada para resolver una variedad de problemas complejos. Han hecho contribuciones significativas a la computación evolutiva y tienen el potencial de resolver una amplia gama de problemas en el futuro.
8
ESTA I.A. APRENDE A CAMINAR ESTA I.A. APRENDE A CAMINAR CON ALGORITMOS GENÉTICOS CON ALGORITMOS GENÉTICOS �� �� VIDEOS RECREATIVOS SOBRE VIDEOS RECREATIVOS SOBRE ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS 9 ¿QUÉ ES UN ALGORITMO ¿QUÉ ES UN ALGORITMOGENÉTICO? GENÉTICO? https://www.youtube.com/watch?v=Sh10fave1jY https://www.youtube.com/watch?v=Z0yLerU0g-Q
APOTE APOTE DEL AUTOR DEL AUTOR Y DEDICACIÓN Y DEDICACIÓN
Los algoritmos genéticos son una herramienta poderosa que puede ser utilizada para resolver una variedad de problemas complejos. Han hecho contribuciones significativas a la computación evolutiva y tienen el potencial de resolver una amplia gama de problemas en el futuro.
Diseñado y publicado por: Brandon Sáez Octubre 2023
REFERENCIAS BIBLIOGRÁFICAS REFERENCIAS BIBLIOGRÁFICAS
-Alejandro Cárdenas (2012). Inteligencia Artificial, Métodos Bio-Inspirados: Un Enfoque Funcional Para Las Ciencias De La Computación. Disponible en: https://repositorio.utp.edu.co/server/api/core/bitstreams/adce780e-82eb-45ef-
9343-689013d00398/content, consultado 2023, octubre 10.
-Belén García (2019). Sistemas bioinspirados. Disponible en: https://es.wikipedia.org/wiki/Sistemas bioinspirados, consultado 2023, octubre 10.
-Carlos Santos (2014). Algoritmos Genéticos. Disponible en: http://scielo.sld.cu/scielo.php?script=sci arttext&pid=S181559282014000100001#:~:text=%C2%ABEl%20algoritmo%20gen%C3%A9tico%20(A G),estado%20que%20maximice%20su%20aptitud%C2%BB, consultado 2023, octubre 10.
-Conogasi (2016). Algoritmos genéticos. Disponible en: https://conogasi.org/articulos/algoritmos-geneticos/, consultado 2023, octubre 10.
-Daniel Riera (2017). Inteligencia artificial: algoritmos genéticos. Disponible en: https://blogs.uoc.edu/informatica/inteligencia-artificial-algoritmos-geneticos/, consultado 2023, octubre 10.
-Jessica Pérez (2019). Antecedentes de los Algoritmos Genéticos. Disponible en: https://issuu.com/jessicadani/docs/revista/s/18824611, consultado 2023, octubre 10.
-José G. (2019). Algoritmos Genéticos. Disponible en: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf, consultado 2023, octubre 10.
-Jovani Alberto (2023). Métodos de búsqueda usando los algoritmos de enjambre de partículas y genético. Disponible en: https://www.redalyc.org/journal/6139/613964501005/html/, consultado 2023, octubre 10.
-Miguel (2017). Origen del concepto de computación evolutiva. Disponible en: https://issuu.com/miguel0602/docs/revista digital miguel pacheco.pptx/s/193493 14, consultado 2023, octubre 10.
-Paloma Megias (2020). Algoritmos bioinspirados: optimización basada en la evolución natural. Disponible en: https://www.iic.uam.es/noticias/algoritmosbioinspirados-optimizacion-basada-evolucionnatural/#:~:text=Los%20algoritmos%20bioinspirados%20abarcan%2C%20a,inmu nol%C3%B3gicos%20y%20las%20redes%20neuronales, consultado 2023, octubre 10.