ALGORITMOS GENÉTICOS Eliarg/Octubre 2023/ Vol.1
Eliarg - Jesús Santana
Eliarg/Octubre 2023/ Vol.1
ALGORITMOS GENÉTICOS Ministerio para el poder popular de Educación Universidad Bicentenaria de Aragua Turmero - Aragua - Venezuela
AUTOR: Jesús Santana DOCENTE: José Luis Ceballos Farias
04
INTRODUCIÓN 05
06
VENTAJAS Y DESVENTAJAS
TÉCNICA DE BÚSQUEDA Y OPTIMIZACIÓN 07
APORTES EN LA I.A. 08
ORIGEN DE LA COMPUTACIÓN EVOLUTIVA
09
PRECURSORES
10
MODELOS DE COMPUTACIÓN BIOINSPIRADOS
11
CONCLUSIÓN
PÁGINA 1 | MOCHILA
INTRODUCCIÓN
La computación evolutiva es una rama de la inteligencia artificial que se inspira en los principios de la evolución biológica para resolver problemas complejos. La idea básica es que se genera una población de posibles soluciones, llamadas individuos, que se evalúan según una función de aptitud que mide su calidad.
TÉCNICA DE BÚSQUEDA Y OPTIMIZACIÓN Los algoritmos genéticos son una técnica de inteligencia artificial que se inspira en la evolución biológica y la genética para resolver problemas de búsqueda y optimización. La mayoría de algoritmos sin decir todos, utilizan una población de individuos que representan posibles soluciones al problema, estos estan codificados como unos cromosomas. Los AG (algoritmos genéticos) aplican operadores como la selección, el cruzamiento y la mutación, cada uno con sus características similares a la evolución de las especies, estas se corelacionan para generar nuevas soluciones, y mejorar las que ya estaban creadas. Los AG son útiles para resolver problemas complejos, como los no lineales y con muchos máximos o mínimos locales, donde la mayoría pueden fallar o sulen ser de un alto costo. Para poder dar con una solución óptima, se eligen los individuos más aptos para reproducirse, luego el cruzamiento combina parte de dos individuos para crear uno, y por último, la mutación introduce cambios aleatorios en algunos individuos.
VENTAJAS Y DESVENTAJAS Operan de forma simultánea con varias soluciones, en vez de trabajar de manera secuencial. Para problemas de optimización resultan menos afectados por los máximos locales que las técnicas tradicionales. Desventajas Tardan en converger, o simplemente no convergen.
Pueden converger prematuramente debido a una serie de problemas de diversa indole.
APORTES EN LA I.A. Permiten explorar un espacio de los algoritmos genéticos en la inteligencia artificial.
Son fáciles de implementar y paralelizar, lo que reduce el tiempo de ejecución y el consumo de recursos.
Son capaces de generar soluciones innovadoras y creativas, que pueden superar las soluciones tradicionales.
ORIGEN DE LA COMPUTACIÓN EVOLUTIVA El origen de la computación evolutiva se remonta a los años 50 y 60 del siglo XX, cuando varios investigadores independientes propusieron algoritmos basados en la simulación de procesos evolutivos como la selección natural, la mutación, la recombinación y la adaptación. A finales de los 1950s y principios de los 1960s, el biólogo Alexander S. Fraser publicó ciertos trabajos sobre la evaloción de sistemas biológicos en una computadora, estos dando paso a los conocidos algoritmos genéticos. El principal trabajo de Fraser fue la
representación binaria, de un operador de cruce probabilístico, de una población de padres que generaban una nueva población “hijos” tras recombonarse, y empleando un sistema de selección. A lo largo del siglo XX varios investigadores desarrollaron algunos algoritmos inspirados en la evolución natural de la especie. Un claro ejemplo es, George J. Friedman, propuso una aplicación de técnicas evolutivas, evolucionó una serie de circuitos de control similares a lo que hoy en día se conocen como redes neuronales. La mayoría de investigadores denominan este trabajo como la robótica evolutiva.
PRECURSORES John Holland Desarrolló el concepto de algoritmos genéticos en la década de 1960. Estos algoritmos se basan en la selección natural y la supervivencia del más apto para resolver problemas complejos.
Ingo Rechenberg En la década de 1960 propuso el concepto de estrategias evolutivas para resolver problemas de optimización. Estas estrategias se basan en la evolución de una población de soluciones para encontrar la óptima.
Hans-Paul Schwefel En la década de 1970 desarrolló el concepto de optimización por enjambre de partículas. Este método se basa en la simulación del comportamiento de un enjambre de partículas para encontrar la solución óptima a un problema.
MODELOS DE COMPUTACIÓN BIOINSPIRADOS REDES NEURONALES El objetivo de una red neuronal es aprender a realizar una tarea específica a partir de los datos de entrada y la retroalimentación del error.
NANOTECNOLOGÍA Esta disciplina tiene aplicaciones potenciales en campos tan diversos como la medicina, la electrónica, la energía o el medio ambiente
INTELIGENCIA ARTIFICIAL Se basa en algoritmos que procesan grandes cantidades de datos para extraer conocimiento o realizar acciones. La inteligencia artificial tiene múltiples aplicaciones en diversos campos, como la medicina, la educación, y la industria.
CONCLUSIÓN
La computación evolutiva ha demostrado ser una herramienta flexible para explorar el espacio de posibilidades y encontrar soluciones innovadoras y eficientes. Sin embargo,
también
presenta
algunos
desafíos y limitaciones, como la necesidad de definir una función de aptitud adecuada, la dificultad de garantizar la convergencia y la diversidad, el riesgo de caer en óptimos locales
o
globales,
y
la
complejidad
computacional y temporal de los algoritmos. La computación evolutiva es un campo en constante evolución, que se beneficia de los avances en otras disciplinas, como la biología, la física, la matemática y la informática.
REFERENCIAS Ossipov, E. (S.F). Algoritmos Genéticos: Búsqueda y Optimización por Selección Natural. Recuperado el 9 de octubre del 2023 en: https://www.toptal.com/algorithms/algoritmos-geneticos-busqueda-yoptimizacion-por-seleccion-natural Verrastro, C. (2009). Algoritmos Genéticos. Recuperado el 9 de octubre del 2023 en: https://www.frba.utn.edu.ar/wpcontent/uploads/2021/02/AlgoritmosGeneticoscompressed.pdf Coello, C. (). Computación evolutiva. Recuperado el 9 de octubre del 2023 en: https://amexcomp.mx/media/publicaciones/compevolutiva.pdf Berzal, F. (S.F). Computación evolutiva. Recuperado el 9 de octubre del 2023 en: https://elvex.ugr.es/decsai/computationalintelligence/slides/G1%20Evolutionary%20Computatio n.pdf Herrera, F. (S.F). Algoritmos bioinspirados. Rcuperado el 9 de octubre del 2023 en: https://sci2s.ugr.es/sites/default/files/files/Teaching/O therPostGraduateCourses/MasterEstructuras/2013OyCI-Sesion-2-%20Algoritmos%20Bioinspirados.pdf