Jorge Flores
C.I: 27.866.263
En los últimos años, se ha experimentado un interés creciente en la aplicación de técnicas de inteligencia artificial al campo de la recuperación de información (RI) con el propósito de subsanar las carencias de los sistemas de RI (SRI) booleanos. En concreto, el paradigma de los algoritmos genéticos trabajan sobre una población de individuos, cromosomas, que codifican posibles soluciones al problema y adaptan dicha población en la búsqueda de soluciones mejores mediante un proceso evolutivo basado en selección natural (en forma de un proceso de selección probabilístico en el que las mejores soluciones se reproducen con mayor probabilidad que las peores) y en la aplicación de operadores genéticos, cruce y mutación, que modelan los procesos genéticos existentes en la naturaleza
Exploración
Los algoritmos genéticos tienen la capacidad de explorar el espacio de soluciones de manera eficiente y encontrar soluciones prometedoras. Esto se logra mediante la generación de una población inicial aleatoria y la aplicación de operadores genéticos como la selección, el cruce y la mutación para generar nuevas soluciones y explorar diferentes regiones del espacio de búsqueda.
Optimización
En 1967, Rosenberg desarrolla el primer algoritmo genético para optimización por multiobjetivos en sus trabajos de simulación biológica de poblaciones de células.
Cavicchio en el año 1972 publicó “Adaptative Search Using Simulated Evolution” en el cual aplica los algoritmos genéticos, problema de reconocimiento de imágenes y al problema de selección de modelos reconocimiento de patrones. En los trabajos de Rosenberg sobre simulación biológica aparecen uno de los primeros estudios sobre el uso de los algoritmos genéticos adaptativos, en donde los parámetros propios del algoritmo son optimizados por el mismo algoritmo, formando niveles de optimización que le permitían encontrar el conjunto de mejores valores para controlar el desenvolvimiento de células simuladas de escheriquia colli.
La primera disertación aplicada a problemas de optimización matemática se debe a Hollstein donde básicamente se dedica a aplicar los algoritmos genéticos para optimizar funciones de dos variables (z = f(x, y) ) usando diversos operadores genéticos (cruce, mutación, varios esquemas basados en prácticas de cría de animales y otros basados en horticultura).
1) Resolución de problemas complejos: Son eficientes en problemas con múltiples variables y restricciones.
2) Optimización y aprendizaje automático: Se utilizan para encontrar soluciones óptimas en problemas de optimización y aprendizaje automático.
3) Exploración del espacio de soluciones: Son capaces de buscar soluciones en espacios de búsqueda amplios y complejos.
4) Adaptabilidad y robustez: Son resistentes a entornos cambiantes y datos incompletos.
5) Inspiración biológica: Se basan en principios de la evolución biológica para abordar problemas complejos.
El concepto de computación evolutiva se originó en la década de 1960 con los trabajos de John Holland, quien introdujo los algoritmos genéticos para resolver problemas de optimización inspirados en la evolución biológica. Estos algoritmos se basan en los principios de la selección natural y la genética para buscar soluciones óptimas.
Los algoritmos genéticos son una herramienta poderosa en la programación evolutiva, permitiendo la generación automática de programas informáticos mediante la evolución y adaptación. Su capacidad para buscar soluciones óptimas en problemas complejos y su enfoque basado en la evolución los convierten en una técnica valiosa en el campo de la inteligencia artificial y la optimización.
Colectivo Docente UBA (Sin Fecha). Antecedentes de los Algoritmos Genéticos. https://pregrado.campusvirtualuba.net.ve/trimestre/mod/page/view.php?id= 15651
Algoritmos Genéticos: https://sci2s.ugr.es/sites/default/files/files/Teaching/GraduatesCourses/Algoritmica /Tema07-AlgoritmosGeneticos-12-13.pdf
Algoritmos genéticos: http://www.cs.us.es/~fsancho/?e=65