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.

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.

10 Modelos De Computaci N 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.