Evaluacion Sumativa 1. Jose Fernandez. E-Book

Algoritmos Genéticos

Sección: “A”

Estudiante: José Fernández Cedula: 30.147.996

¿Qué es un algoritmo?

Es un conjunto finito de instrucciones o reglas definidas y no ambiguas, que describe paso a paso cómo realizar una tarea o resolver un problema. Los algoritmos son utilizados en informática, matemáticas y otros campos para automatizar procesos y tomar decisiones lógicas.

¿Qué es la genética?

La genética abarca el estudio de la transmisión de los genes de una generación a otra, así como los mecanismos moleculares y celulares que subyacen a la expresión de los genes y a la herencia de rasgos.

¿Qué es un algoritmo genético?

Es una técnica de optimización y búsqueda inspirada en los principios de la evolución natural y la genética. Utiliza una población de posibles soluciones codificadas como cromosomas para resolver problemas complejos de optimización y búsqueda. Los algoritmos genéticos operan mediante la aplicación iterativa de operadores genéticos como la selección, el crossover (recombinación) y la mutación, imitando así el proceso de selección natural y reproducción visto en la evolución biológica.

Principales elementos de un algoritmo genético Población inicial La versión actual de iOS es iOS 16, lanzada en 2022. iOS es un sistema operativo móvil desarrollado por Apple, diseñado específicamente para dispositivos de la marca, como iPhone y iPad.

Codificación de los cromosomas La versión actual de iOS es iOS 16, lanzada en 2022. iOS es un sistema operativo móvil desarrollado por Apple, diseñado específicamente para dispositivos de la marca, como iPhone y iPad.

Función de aptitud (fitness) La versión actual de iOS es iOS 16, lanzada en 2022. iOS es un sistema operativo móvil desarrollado por Apple, diseñado específicamente para dispositivos de la marca, como iPhone y iPad.

Selección

Un proceso en el cual se eligen soluciones de la población actual para reproducirse y formar parte de la próxima generación. Las soluciones con una mayor aptitud tienen una mayor probabilidad de ser seleccionadas, pero no se descartan por completo las soluciones menos aptas.

Operadores genéticos Recombinación (Crossover): Un operador que combina partes de dos o más cromosomas para crear nuevos cromosomas. Esto se hace imitando la recombinación genética en la reproducción sexual.

Mutación: Un operador que introduce cambios aleatorios en los cromosomas para mantener la diversidad genética y explorar nuevas regiones del espacio de búsqueda.

Reemplazo Un proceso en el cual se seleccionan nuevas soluciones para reemplazar a las menos aptas en la población actual.

Esto asegura que la población evolucione hacia soluciones mejores con el tiempo.

Criterio de terminación Una condición que determina cuándo se detiene la ejecución del algoritmo genético. Puede ser un número máximo de generaciones, alcanzar una solución aceptable, superar un límite de tiempo, entre otros.

Origen del concepto de computacion evolutiva El origen del concepto de computación evolutiva se remonta a la década de 1950 y 1960, cuando investigadores como Alan Turing y John Holland comenzaron a explorar la idea de utilizar procesos inspirados en la evolución natural para resolver problemas complejos en el ámbito de la informática y la inteligencia artificial.

Desde entonces, el campo de la computación evolutiva ha experimentado un crecimiento significativo, con la introducción de nuevos modelos y técnicas bioinspiradas como la Programación Genética, las Estrategias Evolutivas, los Sistemas Clasificatorios, entre otros. Estos enfoques han sido aplicados con éxito en una variedad de áreas, incluyendo la optimización, el aprendizaje automático, la robótica, la ingeniería y más.

John Holland, pionero en este campo, propuso los Algoritmos Genéticos (AG) en la década de 1960 como una técnica de optimización y búsqueda inspirada en los principios de la evolución biológica. Los AG imitan la selección natural, el crossover y la mutación para buscar soluciones óptimas o cercanas a óptimas en problemas de optimización y búsqueda.

Aportes de los algoritmos genéticos a la Inteligencia Artificial.

Los algoritmos genéticos (AG) han realizado importantes contribuciones a la Inteligencia Artificial (IA) en diversas áreas. Aquí tienes algunos de los aportes más destacados:

Resolución de Problemas de Optimización Los AG son altamente eficientes para resolver problemas de optimización en los que se busca encontrar la mejor solución entre un gran número de posibilidades.

Exploración de Espacios de Búsqueda En el ámbito del aprendizaje automático y la búsqueda heurística, los AG son valiosos para explorar espacios de búsqueda complejos y multidimensionales en la búsqueda de soluciones óptimas o cercanas a óptimas.

Adaptabilidad y Flexibilidad Los AG son altamente adaptables y flexibles, lo que los hace aplicables a una amplia gama de problemas en constante cambio.

Diseño de Sistemas Robustos

Pueden optimizar la arquitectura y los parámetros de sistemas complejos para garantizar un rendimiento óptimo en diferentes condiciones y entornos cambiantes.

Descubrimiento de Conocimiento En el campo de la minería de datos y el análisis de datos, los AG pueden utilizarse para descubrir patrones y conocimientos útiles a partir de conjuntos de datos complejos.

Resolución de Problemas Multimodales Su capacidad para mantener la diversidad genética en la población y explorar diferentes regiones del espacio de búsqueda les permite encontrar soluciones óptimas en presencia de múltiples picos de aptitud.

Los algoritmos genéticos han contribuido significativamente a la Inteligencia Artificial, proporcionando herramientas poderosas para resolver una amplia gama de problemas en diferentes campos. Su capacidad para buscar soluciones óptimas en espacios de búsqueda complejos y su flexibilidad para adaptarse a diferentes dominios los convierten en una técnica invaluable en el arsenal de herramientas de la IA.

Modelos de computación bioinspiradosligencia Artificial.

Algoritmos Genéticos Inspirados en la evolución natural, los AG imitan el proceso de selección natural, crossover y mutación para resolver problemas de optimización y búsqueda.

Programación Genética Similar a los AG, la PG opera con estructuras de programas en lugar de cromosomas, evolucionando programas a través de operadores genéticos.

Sistemas de Colonias de Hormigas Inspirados en el comportamiento de las hormigas reales, los SCH utilizan la comunicación y la cooperación entre agentes para encontrar soluciones a problemas de optimización y búsqueda de caminos.

Enjambre de Partículas Basados en el comportamiento colectivo de las partículas, los EP modelan la búsqueda de soluciones en un espacio de búsqueda multidimensional, donde las partículas se mueven y actualizan según su mejor posición y la de sus vecinos.

Redes Neuronales Artificiales Inspiradas en la estructura y el funcionamiento del cerebro humano, las RNA son sistemas de procesamiento de información que utilizan conexiones ponderadas entre nodos para realizar tareas de aprendizaje y reconocimiento de patrones.

Algoritmos Inmunológicos

Modelan el sistema inmunológico del cuerpo humano para resolver problemas de optimización y reconocimiento de patrones, donde los anticuerpos representan soluciones potenciales y la selección natural simula la evolución del sistema.

Sistemas de Colonias de Abejas Inspirados en el comportamiento de las abejas en la búsqueda de recursos, los SCA utilizan la inteligencia colectiva y la exploración local para encontrar soluciones óptimas en espacios de búsqueda.

Computación Basada en ADN Utiliza la estructura y el comportamiento del ADN para realizar cálculos y resolver problemas de computación.

Referencias Bibliográficas http://scielo.sld.cu/scielo.php? script=sci_arttext&pid=S1815-59282014000100001 https://es.wikipedia.org/wiki/Algoritmo_ge nético https://issuu.com/jessicadani/docs/revista/ s/18824611 http://cefadigital.edu.ar/bitstream/1847939 /285/1/TFI%2053-2012%20PETRIV.pdf https://jarroba.com/computacionevolutiva-ejemplo-con-un-algoritmogenetico/ https://repositorio.utp.edu.co/server/api/co re/bitstreams/adce780e-82eb-45ef-9343689013d00398/content https://issuu.com/andreardeabreu/docs/pr esentaci_n_creaci_n_de_marca_empresari al_acuarel/s/17033708 https://prezi.com/ebwlyngnaa7m/sistemas -bioinspirados/ https://es.wikipedia.org/wiki/Algoritmo https://medlineplus.gov/spanish/ency/artic le/002048.htm