ANTECEDENTES DE LOS ALGORITMOS GENÉTICOS
Relizado por:
Wilmer Gricert
EDITORIAL
Los algoritmos genéticos son una herramienta utilizada para resolver problemas de optimización y búsqueda mediante un enfoque inspirado en el proceso de selección natural. Su objetivo principal es emular un procedimiento similar al de la selección natural, involucrando conceptos como herencia, mutación y selección.
Estos algoritmos se basan en modelos computacionales de evolución biológica, y son considerados parte de la categoría de algoritmos evolutivos, junto con la programación evolutiva, la evolución estratégica y la programación genética. Por lo tanto, resulta beneficioso adquirir conocimientos más profundos sobre los algoritmos genéticos, ya que son herramientas muy útiles para obtener rápidamente soluciones en problemas de optimización y búsqueda.
ÍNDICE 01 02 03 04 INTRODUCCIÓN ¿QUÉ SON ALGORÍTMOS GENÉTICOS? OPERADORES GENÉTICOS AG COMO TÉCNICA DE BÚSQUEDA Y OPTIMIZACIÓN. APORTES DE LOS AG A LA IA ORIGEN DE LA COMPUTACIÓN EVOLUTIVA MODELOS DE COMPUTACIÓN BIOINSPIRADOS 06 08 10 12 CONCLUSIONES
INTRODUCCIÓN
Los algoritmos genéticos son técnicas adaptables ampliamente utilizadas para abordar problemas de optimización y búsqueda de parámetros, basándose en los principios de reproducción sexual y supervivencia del más apto. En el proceso de encontrar una solución para un problema, comenzamos con un conjunto inicial de individuos generados al azar, conocido como población. Cada uno de estos individuos representa una posible solución al problema. A medida que avanza el proceso, estos individuos se desarrollarán siguiendo el esquema de selección natural propuesto por Darwin [Darwin,1859], adaptándose cada vez más a la solución deseada con cada generación.
En líneas generales, un algoritmo genético se refiere a un conjunto de soluciones codificadas de manera similar a los cromosomas. Cada cromosoma cuenta con un valor de adaptación, bondad o aptitud que determina su eficacia como solución al problema. A continuación, nos adentraremos en este tema con mayor detalle.
01
¿QUÉ SON ALGORITMOS GENÉTICOS?
Cuando John H colegas de la U Michigan crearon l genéticos, tenían d mente: proporcionar u abstracta y precisa d
En resumen, un algoritmo genético funciona generando en cada generación un conjunto de cadenas, llamadas "criaturas artificiales", utilizando los fragmentos más adecuados de sus progenitores. Este proceso estocástico está lejos de ser sencillo. Los algoritmos genéticos son capaces de utilizar eficazmente la información histórica para especular sobre nuevos puntos de búsqueda con el objetivo de optimizar el rendimiento.
02
03 OPERADORES GENÉTICOS
En su forma más básica, los algoritmos genéticos emplean tres tipos de operadores:
Selección o reproducción
El operador de selección, como su nombre indica, tiene la función de elegir los cromosomas de la población para la reproducción. Cuanto más fuerte sea el cromosoma, mayor será su probabilidad de ser seleccionado para reproducirse.
ruce
ste operador realiza la selección de una posición specífica, invierte la secuencia antes y después de icha posición entre dos cromosomas y genera una ueva descendencia. Por ejemplo, si tenemos las adenas 10010011 y 11111010, al concatenarlas después del tercer dígito, se obtienen los descendientes 10011010 y 11110011. Este proceso simula la recombinación biológica entre dos organismos haploides.
Mutación
Este operador provoca cambios aleatorios en el cromosoma. Por ejemplo, la cadena 00011100 podría cambiar su segunda posición para convertirse en la cadena 01011100. Las mutaciones pueden ocurrir en cualquier posición de la cadena, pero generalmente tienen una probabilidad baja, como por ejemplo, 0.001.
ALGORITMOS GENÉTICOS COMO TÉCNICA DE BÚSQUEDA Y OPTIMIZACIÓN
Los algoritmos genéticos son una técnica ampliamente utilizada para la búsqueda y optimización de soluciones. Se basan en conceptos inspirados en la evolución biológica y la selección natural para resolver problemas complejos.
En esta técnica, se crea una población inicial de soluciones candidatas, cada una representada por un cromosoma que codifica una posible solución. Estos cromosomas se someten a operadores genéticos, como selección, recombinación y mutación, para generar una nueva generación de soluciones.
A medida que las generaciones avanzan, los individuos con mejores adaptaciones tienen más probabilidades de ser seleccionados y transmitir sus características, lo que lleva a una convergencia hacia soluciones óptimas o cercanas a ellas. Los algoritmos genéticos ofrecen varias ventajas, como la capacidad de explorar espacios de búsqueda extensos, lidiar con problemas multidimensionales y encontrar soluciones en entornos complejos y dinámicos.
Además, permiten la optimización de múltiples objetivos simultáneamente mediante el uso de técnicas de dominancia. En resumen, los algoritmos genéticos son una poderosa técnica de búsqueda y optimización que emplea principios de evolución y selección natural para encontrar soluciones eficientes y efectivas en problemas complejos.
04
Los algoritmos genéticos son una valiosa técnica de búsqueda y optimización utilizada en diversos campos. Basados en principios de evolución y selección
natural, estos algoritmos generan una población de soluciones candidatas y las someten a operadores genéticos como selección, recombinación y mutación
A lo largo de las generaciones, se priorizan las soluciones más aptas, permitiendo una convergencia hacia resultados óptimos o cercanos a ellos. Esta técnica es especialmente
útil para abordar problemas complejos, explorar espacios de búsqueda extensos y optimizar múltiples objetivos simultáneamente. Los algoritmos genéticos ofrecen una perspectiva eficiente y efectiva para encontrar soluciones óptimas en diversas áreas de aplicación
05
06 APORTES DE LOS ALGORITMOS
GENÉTICOS A LA INTELIGENCIA ARTIFICIAL
La inteligencia artificial ha experimentado un amplio uso y una mayor aplicabilidad en diversos problemas de optimización en la industria y la ingeniería. Dentro del campo de la inteligencia artificial, los algoritmos genéticos se presentan como una técnica que busca proporcionar múltiples soluciones a problemas de optimización, permitiéndonos establecer límites de valores y seleccionar las mejores soluciones para los objetivos establecidos. Complementando el conocimiento y experiencia del tomador de decisiones, se han desarrollado estudios adicionales con el fin de contribuir y respaldar la toma de decisiones, reduciendo contradicciones e inconsistencias en la selección de valores óptimos.
Los métodos metaheurísticos tienen un papel crucial en numerosos campos del conocimiento, mostrando un interés especial en la resolución de problemas no deterministas en lugar de problemas estocásticos.
con una población de individuos, representados por cromosomas que codifican posibles soluciones a problemas. A través de un proceso evolutivo basado en la selección natural, este algoritmo ajusta la población para encontrar una solución óptima. En este proceso de selección probabilística, la mejor solución tiene una mayor probabilidad de ser seleccionada que la peor. Además, se utilizan operadores genéticos
Intercambio de información genética entre dos individuos
Una mutación modifica al azar parte del cromosoma
Papá Mamá Hijo 1 Hijo 2
ORIGEN DE LA COMPUTACIÓN EVOLUTIVA
La computación evolutiva surge en las décadas de 1950 y 1960 cuando varios científicos decidieron investigar de forma individual los sistemas evolutivos, percibiéndolos como posibles herramientas para resolver problemas de optimización. Las estrategias evolutivas han sido objeto de continua investigación y desarrollo de manera independiente a los algoritmos genéticos.
Fogel, Owens y Walsh son reconocidos como los pioneros de la "programación evolutiva", una técnica en la que las posibles soluciones a un problema se representan mediante una máquina de estados finitos. En esta técnica, el diagrama de estado de transición evoluciona a través de mutaciones aleatorias y se selecciona la solución más cercana. Tanto las estrategias evolutivas, los algoritmos genéticos y la programación evolutiva desempeñan un papel fundamental en el campo de la computación evolutiva, abarcando diversas áreas de investigación basadas en nuestro conocimiento sobre la evolución.
Aunque varios investigadores, como Box (1957), Friedman (1959) y Bledsoe (1961), entre otros, trabajaron en algoritmos inspirados en la evolución para la optimización y el aprendizaje, no obtuvieron la misma atención que las estrategias evolutivas, la programación evolutiva y los algoritmos genéticos. Sin embargo, la primera publicación sobre el uso de los algoritmos genéticos se atribuye a Bagley (1967), quien desarrolló un algoritmo genético para buscar un conjunto de parámetros en funciones de evaluación de juegos y los comparó con otros algoritmos relacionados.
08
La creación de los algoritmos genéticos se atribuye a John Holland, quien los desarrolló junto con sus estudiantes y colegas en las décadas de 1960 y 1970. A diferencia de las estrategias evolutivas y la programación evolutiva, el objetivo de Holland no era resolver problemas específicos, sino estudiar y analizar las adaptaciones naturales y desarrollar métodos para aplicar estas adaptaciones en sistemas computacionales.
En su libro de 1975, "Adaptation in Natural and Artificial Systems", Holland proporcionó una base teórica para los algoritmos genéticos. Estos algoritmos permiten la transición de poblaciones de cromosomas (representados como bits) a nuevas poblaciones utilizando un sistema similar a la "selección natural", con operadores de cruce, mutación e inversión influenciados genéticamente.
09
10 MODELOS DE COMPUTACIÓN BIOINSPIRADOS
RED NEURONAL
Las redes neuronales artificiales son un modelo de inteligencia artificial que permite a las computadoras procesar datos de manera similar al cerebro humano. Estas redes utilizan nodos o neuronas interconectadas en una estructura jerárquica, imitando la organización del cerebro. Esto da lugar a un sistema adaptativo que permite a las computadoras mejorar gradualmente su desempeño. De esta manera, las redes neuronales artificiales se utilizan para abordar problemas complejos con mayor precisión y eficacia.
ALGORITMOS INMUNOLÓGICOS
Se refieren a máquinas de aprendizaje que se fundamentan en normas computacionales inteligentes, tomando como base principios del sistema inmunológico. Estas máquinas suelen imitar las funciones de aprendizaje y memoria del sistema inmunitario para abordar problemas de manera efectiva.
INTELIGENCIA DE ENJAMBRE
Se basan en la naturaleza y, específicamente, en ciertos sistemas biológicos. Por lo general, están compuestos por una población de agentes simples que interactúan entre sí y con el entorno.
ALGORITMOS EVOLUTIVOS
Es un enfoque heurístico aproximado utilizado para abordar problemas de optimización combinatoria, basado en la idea de poblaciones o metaheurísticas.
12 CONCLUSIONES
Podríamos concluir, que los algoritmos genéticos son ampliamente populares debido a la eficacia de la evolución en los sistemas biológicos naturales. Además, tienen la ventaja de poder ser paralelizados de manera sencilla, lo cual es beneficioso considerando el bajo costo actual del hardware. Por otro lado, los algoritmos genéticos pueden explorar soluciones que involucran interacciones complejas entre diferentes componentes, donde la influencia de cada parte en la función de evaluación puede resultar complicada de determinar con precisión.
Aunque no pueden garantizar la obtención de la solución óptima, los algoritmos genéticos suelen encontrar soluciones altamente exitosas de manera regular.
La simplicidad es la principal ventaja de los algoritmos genéticos. Al trabajar con un conjunto de parámetros o codificación de la solución, solo se necesita una cantidad reducida de información sobre el espacio de búsqueda. A través de la mejora del fitness promedio de la población, la generación de nuevos individuos y la selección de mejores soluciones, es posible obtener resultados más óptimos.
REFERECIAS
1) Banzhaf W. Reeves C. (editors) (1999) Foundations of Genetic Algorithms.
2) Goldberg D.E. (1989) Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley.
3) Banzhaf W. Reeves C. (editors) (1999) Foundations of Genetic Algorithms.
4) Jiménez, M. N. (10 de febrero de 2018). Silo.Tips. Obtenido de Introducción a los algoritmos genéticos y sus aplicaciones: https://silo.tips/download/introduccion-a-los-algoritmosgeneticos-y-sus-aplicaciones
5) MEGIAS, P. (s.f.). instituto de ingenieria del conocimiento. Obtenido de Algoritmos bioinspirados: optimización basada en la evolución natural: https://www.iic.uam.es/noticias/algoritmosbioinspirados-optimizacion-basada-evolucionnatural/#:~:text=Los%20algoritmos%20bioinspirados%20abarcan%2 C%20a,inmunol%C3%B3gicos%20y%20las%20redes%20neuronales.
6) Ossipov, E. (s.f.). Desarrolladores. Obtenido de Algoritmos Genéticos: Búsqueda y Optimización por Selección Natural: https://www.toptal.com/algorithms/algoritmos-geneticosbusqueda-y-optimizacion-por-seleccion-natural
WILMER GRICERT
C.I: 27.407.244