Gaspar Hernández Gian Carlos Pizzo Diego Hernández      Nicole Pérez      Julio Borges
Concepto De algoritmogenético El Algoritmo Genético (AG) es un modelo de aprendizaje  que debe su comportamiento a una me...
Clases algoritmo genéticos     Algoritmos Genéticos GeneracionalesSe asemejan a la forma de reproducción de los insectos,...
Clases algoritmo genéticos     Algoritmos Genéticos Paralelos.Parte de la metáfora biológica que motivo a utilizar la bús...
Clases algoritmo genéticos    Modelo CelularColoca cada individuo en una matriz, donde cada uno sólo podrábuscar reproduc...
ELEMENTOS DE UNALGORITMO GENETICO   Individuo                               PoblaciónUn individuo es un ser que caracter...
ELEMENTOS DE UNALGORITMO GENETICO     Operadores Genéticos :Operador de Selección.El paso siguiente a la evaluación es es...
ELEMENTOS DE UNALGORITMO GENETICO   Operador de CruceConsiste en unir en alguna forma los cromosomas de los padres que ha...
ELEMENTOS DE UNALGORITMO GENETICO   Operadores GeneticosMutación.El operador de mutación consiste en la alteración aleato...
ESTRUCTURA DE UN ALGORITMO GENÉTICO SIMPLE  Cuando el AG es implementado, se hace de forma que involucre el siguiente  cic...
ESTRUCTURA DE UN ALGORITMO GENÉTICO SIMPLE                                    Generacion=0                              Po...
Ventajas de los algoritmos genéticos en la solución de               problemas computacionales• Descendencia múltiple : pu...
Aéreas de aplicación de los algoritmos genéticosExisten numerosas aéreas en las cuales se pueden aplicar los algoritmosgen...
Estrategias de Seleccion   El análisis de estrategias y selección de    alternativas sirve para identificar la    alterna...
Selección DirectaSe encarga tomar elementos de acuerdoa un criterio objetivo, como son los xmejores, los x peores.
Selección AleatoriaPuede ser realizada por selecciónequiprobable o selección estocástica.
Selección EquiprobableEs cuando todos tienen la mismaprobabilidad de ser escogidos. Porejemplo, en nuestro algoritmo la ma...
Selección Estocastica Es cuando probabilidad de que unindividuo sea escogido depende de unaheurística. Los distintos proce...
Selección por SorteosCada individuo de la población tieneasignado un rango proporcional oinversamente proporcional a suada...
Por Ruleta. El comportamiento es similar al de una ruleta,donde se define un avance cada tirada a partirde la posición act...
Por Torneo o ElitescoEscoge un subconjunto de individuos de acuerdo conuna de las técnicas anteriores -habitualmente, alea...
Técnicas de Cruces   Cruce básico: se selecciona un punto al azar de la cadena. La parte anterior del    punto es copiada...
¿QUE SON LAS                     MUTACIONES?   Se define mutación como una    variación de las informaciones    contenida...
TECNICAS DE MUTACION•   Mutación de bit: existe una única probabilidad de    que se produzca una mutación de algún bit. De...
DATOS CURIOSOS•   Schaffer y col. encuentran que el efecto del    cruce en la búsqueda es inferior al que    previamente se...
Algoritmo 13 11-12
Algoritmo 13 11-12
Upcoming SlideShare
Loading in …5
×

Algoritmo 13 11-12

519
-1

Published on

Un poco sobre algoritmo genetico

Published in: Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
519
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
35
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Algoritmo 13 11-12

  1. 1. Gaspar Hernández Gian Carlos Pizzo Diego Hernández Nicole Pérez Julio Borges
  2. 2. Concepto De algoritmogenético El Algoritmo Genético (AG) es un modelo de aprendizaje que debe su comportamiento a una metáfora de algunos de los mecanismos de la evolución que se observan en la naturaleza (como la reproducción sexual y el principio de la supervivencia del más apto), son métodos adaptativos, generalmente usados en problemas de búsqueda y optimización de parámetros. A grandes rasgos, un algoritmo genético consiste en una población de soluciones codificadas de forma similar a cromosomas. Cada uno de estos cromosomas tendrá asociado un ajuste o valor de bondad que cuantifica su validez como solución del problema. En función de este valor se le darán más o menos oportunidades de reproducción. Además, con cierta probabilidad se realizarán mutaciones de estos cromosomas.
  3. 3. Clases algoritmo genéticos Algoritmos Genéticos GeneracionalesSe asemejan a la forma de reproducción de los insectos, donde unageneración pone huevos, se aleja geográficamente o muere y essubstituida por una nueva. En este momento se realizan cruces en unapiscina de individuos, los descendientes son puestos en otra, al final de lafase reproductiva se elimina la generación anterior y se pasa a utilizar lanueva. Este modelo también es conocido como Algoritmo GenéticoCanónico.  Algoritmos Genéticos de estado Fijo.Utilizan el esquema generacional de los mamíferos y otros animales devida larga, donde coexisten padres y sus descendientes, permitiendo quelos hijos sean educados por sus progenitores, pero también que a la largase genere competencia entre ellos. En este modelo, no solo se debenseleccionar los dos individuos a ser padres, si no también cuales de lapoblación anterior serán eliminados, para dar espacio a los descendientes.La diferencia esencial entre el reemplazo generacional y el modelo deestado fijo es que las estadísticas de la población son recalculadas luegode cada cruce y los nuevos descendientes están disponiblesinmediatamente para la reproducción.
  4. 4. Clases algoritmo genéticos Algoritmos Genéticos Paralelos.Parte de la metáfora biológica que motivo a utilizar la búsqueda genética consiste en que esinherentemente paralela, donde al evolucionar se recorren simultáneamente muchassoluciones, cada una representada por un individuo de la población. Sin embargo, es muycomún en la naturaleza que no solo sea una población evolucionando, si no variaspoblaciones, normalmente aisladas geográficamente, que originan respuestas diferentes ala presión evolutiva. Esto origina dos modelos que toman es cuenta esta variación, y utilizanno una población como los anteriores si4 no múltiples concurrentemente.  Modelos de Islas.Si se tiene una población de individuos, esta se divide en subpoblaciones que evolucionanindependientemente como un Algoritmo Genético normal. Ocasionalmente, se producenmigraciones entre ellas, permitiéndoles intercambiar material genético. Con la utilización dela migración, este modelo puede explotar las diferencias en las subpoblaciones; estavariación representa una fuente de diversidad genética. Sin embargo, si un número deindividuos emigran en cada generación, ocurre una mezcla global y se eliminan lasdiferencias locales, y si la migración es infrecuente, es probable que se produzcaconvergencia prematura en las subpoblaciones.
  5. 5. Clases algoritmo genéticos Modelo CelularColoca cada individuo en una matriz, donde cada uno sólo podrábuscar reproducirse con los individuos que tenga a su alrededor(mas cerca de casa) escogiendo al azar o al mejor adaptado. Eldescendiente pasara a ocupar una posición cercana. No hay islasen este modelo, pero hay efectos potenciales similares. Asumiendoque el cruce esta restringido a individuos adyacentes, dosindividuos separados por 20 espacios están tan aislados como siestuvieran en dos islas, este tipo de separación es conocido comoaislamiento por distancia.Luego de la primera evaluación, los individuos están todaviadistribuidos al azar sobre la matriz. Posteriormente, empiezan aemerger zonas como cromosomas y adaptaciones semejantes. Lareproducción y selección local crea tendencias evolutivas aisladas,luego de varias generaciones, la competencia local resultara engrupos mas grandes de individuos semejantes.
  6. 6. ELEMENTOS DE UNALGORITMO GENETICO Individuo  PoblaciónUn individuo es un ser que caracteriza A un conjunto de individuossu propia especie. El individuo es un (Cromosomas) se le denominacromosoma y es el código deinformación sobre el cual opera el población. El método de A.G´salgoritmo. Cada solución parcial del consiste en ir obteniendo deproblema a optimizar está codificada forma sucesiva distintasen forma de cadena o String en un poblaciones. Por otra parte unalfabeto determinado, que puede serbinario. Una cadena representa a un Algoritmo Genético trabajacromosoma, por lo tanto también a un con un conjunto de puntosindividuo y cada posición de la cadena representativos de diferentesrepresenta a un gen. Esto significa zonas del espacio deque el algoritmo trabaja con unacodificación de los parámetros y no búsqueda y no con un solocon los parámetros en si mismos. punto
  7. 7. ELEMENTOS DE UNALGORITMO GENETICO Operadores Genéticos :Operador de Selección.El paso siguiente a la evaluación es escoger los miembros de la población que seránutilizados para la reproducción. Su meta es dar mas oportunidades de selección a losmiembros más aptos de la población. Así funciona: se calcula el cociente entre elvalor fitness de un individuo y la suma total de los valores fitness de todos losindividuos de la población. Este resultado mide la probabilidad de selección Ps (i) decada individuo.
  8. 8. ELEMENTOS DE UNALGORITMO GENETICO Operador de CruceConsiste en unir en alguna forma los cromosomas de los padres que han sidopreviamente seleccionados de la generación anterior para formar dosdescendientes. Existen diversas variaciones, dependiendo del número depuntos de división a emplear y la forma de ver el cromosoma. El operador crucese aplica en dos pasos: en el primero los individuos se aparean (se seleccionande dos a dos) aleatoriamente con una determinada probabilidad, llamadaprobabilidad de cruce Pc; en el segundo paso a cada par de individuosseleccionados anteriormente se le aplica un intercambio en su contenido desdeuna posición aleatoria K hasta el final, con K Î [1, m-1], donde m es la longitudde individuo. K es el denominado punto de cruce y determina la subdivisión decada padre en dos partes que se intercambian para formar dos nuevos hijos,según podemos ver en la figura 2 Esto se conoce como cruce ordinario o crucede un punto. El objetivo del operador de cruce es recombinar sub-cadenas deforma eficiente; esta gestión recibe el nombre de construcción de bloques.
  9. 9. ELEMENTOS DE UNALGORITMO GENETICO Operadores GeneticosMutación.El operador de mutación consiste en la alteración aleatoria de cada uno de los genesdel individuo con una probabilidad de mutación PM.El objetivo de la mutación es producir diversidad en la población. Si al generaraleatoriamente la población inicial o después de varias generaciones, en la mismaposición de todos los cromosomas sólo aparece un único elemento del alfabetoutilizado, esto supondrá que con los operadores de reproducción y cruce, nuncacambiara dicho elemento, por lo que puede ocurrir que jamas se alcance la soluciónmás optima a nuestro problema. La probabilidad de aparición del operador demutación no debe ser grande para no perjudicar la correcta construcción de bloques.El operador de mutación origina variaciones elementales en la población y garantizaque cualquier punto del espacio de búsqueda pueda ser alcanzado.
  10. 10. ESTRUCTURA DE UN ALGORITMO GENÉTICO SIMPLE Cuando el AG es implementado, se hace de forma que involucre el siguiente ciclo: 1. Generación de una población inicial de manera aleatoria. 2. Evaluar el desempeño de todos los individuos de la población, tomando en cuenta alguna función objetivo. 3. Crear una nueva población mediante la ejecución de operaciones como el crossover y mutación sobre individuos cuyo desempeño haya sido evaluado. 4. Descartar la población vieja e iterar usando la nueva, hasta que el número de generaciones alcanza al criterio de terminación.
  11. 11. ESTRUCTURA DE UN ALGORITMO GENÉTICO SIMPLE Generacion=0 Población Inicial Aleatoria SI Criterio de Resultado Propuesto terminación?? NO Evaluación de cada individuo en la Fin población SI Generacion++ Individuos=M? NO Mutación Selección de la operación Genética Cruce 2 Individuos seleccionados en base a su Individuo seleccionado en base a su desempeño desempeño Ejecución Crossover Ejecución Mutación Inserción de 2 individuos en la nueva Inserción del mutante en la nueva población población Individuos=Individuos+2 Individuos=Individuos+1
  12. 12. Ventajas de los algoritmos genéticos en la solución de problemas computacionales• Descendencia múltiple : pueden explorar el espacio de soluciones en múltiplesdirecciones a la vez.• Paralelismo : les permite evaluar implícitamente muchos esquemas a la vez,los AG funcionan particularmente bien resolviendo problemas cuyo espacio desoluciones potenciales es realmente grande, demasiado vasto para hacer unabúsqueda exhaustiva en un tiempo razonable• Multiparamétrico : manipula muchos parámetros simultáneamente.Muchos problemas de la vida real no pueden definirse en términos de unúnico valor que hay que minimizar o maximizar, sino que deben expresarseen términos de múltiples objetivos
  13. 13. Aéreas de aplicación de los algoritmos genéticosExisten numerosas aéreas en las cuales se pueden aplicar los algoritmosgenéticos, entre ellas se encuentran : • Programación automática: Los AG se han empleado para desarrollar programas para tareas específicas , y para diseñar otras estructuras computacionales tales como el autómata celular, y las redes de clasificación. • Economía: En este caso, se ha hecho uso de estos Algoritmos para modelar procesos de innovación, el desarrollo de estrategias de puja, y la aparición de mercados económicos. • Aprendizaje máquina: Han servido asimismo para desarrollar determinados aspectos de sistemas particulares de aprendizaje, como pueda ser el de los pesos en una red neuronal, las reglas para sistemas de clasificación de aprendizaje o sistemas de producción simbólica, y los sensores para robots. • Optimización: Los AG se han utilizado en numerosas tareas de optimización, incluyendo la optimización numérica, y los problemas de optimización combinatoria.
  14. 14. Estrategias de Seleccion El análisis de estrategias y selección de alternativas sirve para identificar la alternativa más viable para organizar la intervención. Las estrategias son los medios que resultan más adecuados para alcanzar los objetivos
  15. 15. Selección DirectaSe encarga tomar elementos de acuerdoa un criterio objetivo, como son los xmejores, los x peores.
  16. 16. Selección AleatoriaPuede ser realizada por selecciónequiprobable o selección estocástica.
  17. 17. Selección EquiprobableEs cuando todos tienen la mismaprobabilidad de ser escogidos. Porejemplo, en nuestro algoritmo la madre enel cruce es escogida con probabilidadequiprobable.
  18. 18. Selección Estocastica Es cuando probabilidad de que unindividuo sea escogido depende de unaheurística. Los distintos procedimientosestocásticos son: Selección por sorteos Por ruleta Por torneo o elitesco
  19. 19. Selección por SorteosCada individuo de la población tieneasignado un rango proporcional oinversamente proporcional a suadaptación. Se escoge un númeroaleatorio dentro del rango global, y elescogido es aquel que tenga dicho númerodentro de su rango. La probabilidad de serescogido es proporcional/inversamenteproporcional al grado de adaptación delindividuo.
  20. 20. Por Ruleta. El comportamiento es similar al de una ruleta,donde se define un avance cada tirada a partirde la posición actual. Tiene la ventaja de que noes posible escoger dos veces consecutivas elmismo elemento, y que puede ser forzado a quesea alta la probabilidad de que no seanelementos próximos en la población esto últimono es una ventaja de por sí; salvo que algunosde los otros operadores genéticos emplee unmétodo de selección directa basado en laposición relativa de los individuos de lapoblación.
  21. 21. Por Torneo o ElitescoEscoge un subconjunto de individuos de acuerdo conuna de las técnicas anteriores -habitualmente, aleatoriao estocástica- y de entre ellos selecciona el másadecuado por otra técnica habitualmente, determinísticade tipo el mejor o el peor. Esta técnica tiene la ventajade que permite un cierto grado de elitismo -el mejornunca va a morir, y los mejores tienen más probabilidadde reproducirse y de emigrar que los peores- pero sinproducir una convergencia genética prematura, si lapoblación es, al menos, un orden de magnitud superioral del número de elementos involucrados en el torneo.En caso de que la diferencia sea menor no hemosobservado mucha diferencia entre emplear el torneo ono.
  22. 22. Técnicas de Cruces Cruce básico: se selecciona un punto al azar de la cadena. La parte anterior del punto es copiada del genoma del padre y la posterior del de la madre. Cruce multipunto: igual que el básico, solo que estableciendo más de un punto de cruce. Cruce uniforme: para cada gen de la cadena del descendiente existe una probabilidad de que el gen pertenezca al padre, y otra de que pertenezca al padre.
  23. 23. ¿QUE SON LAS MUTACIONES? Se define mutación como una variación de las informaciones contenidas en el código genético - habitualmente, un cambio de un gen a otro producido por algún factor exterior al algoritmo genético El objetivo del operador de mutación es producir nuevas soluciones a partir de la modificación de un cierto número de genes de una solución existente, con la intención de fomentar la variabilidad dentro de la población. Existen muy diversas formas de realizar la mutación, desde la más sencilla (Puntual ), donde cada gen muta aleatoriamente con independencia del resto de genes, hasta configuraciones más complejas donde se tienen en cuanta la estructura del problema y la relación entre los distintos genes.
  24. 24. TECNICAS DE MUTACION• Mutación de bit: existe una única probabilidad de que se produzca una mutación de algún bit. De producirse, el algoritmo toma aleatoriamente un bit, y BIT lo invierte.• Mutación multibit: cada bit tiene una probabilidad de mutarse o no, que es calculada en cada pasada del operador de mutación multibit.• Mutación de gen: igual que la mutación de bit, BARAJADA MULTIBIT solamente que, en vez de cambiar un bit, cambia un gen completo. Puede sumar un valor aleatorio, un valor constante, o introducir un gen aleatorio nuevo.• Mutación multigen: igual que la mutación de multibit, solamente que, en vez de cambiar un TECNICAS conjunto de bits, cambia un conjunto de genes. DE Puede sumar un valor aleatorio, un valor constante, o introducir un gen aleatorio nuevo. MUTACION• Mutación de intercambio: existe una probabilidad de que se produzca una mutación. De producirse, toma dos bits/genes aleatoriamente y los intercambia. INTERCAMBI O GE• Mutación de barajado: existe una probabilidad de que se produzca una mutación. De producirse, toma N dos bits o dos genes aleatoriamente y baraja de forma aleatoria los bits -o genes, según hubiéramos MULTIGEN escogido- comprendidos entre los dos.
  25. 25. DATOS CURIOSOS• Schaffer y col. encuentran que el efecto del cruce en la búsqueda es inferior al que previamente se esperaba. Utilizan la denominada evolución primitiva, en la cual, el proceso evolutivo consta tan sólo de selección y mutación.• Se considera como un operador secundario en los algoritmos genéticos canonicos.• Se suelen recomendar porcentajes de mutacion entre 0.001 y 0.01 para la representacion binaria.• Algunos investigadores han sugerido que el usar porcentajes altos de mutacion al inicio de la busqueda, y luego de crementarlos exponencialmente, favorece el desempeño de un AG (Fogarty, 1989).• Algunos autores sugieren que pm =1/L (donde L es la longitud de la cadena cromosomica) es un limite inferior para el porcentaje optimo de mutacion (Black, 1993).• El papel que juega la mutacion en el proceso evolutivo, asi como su comparacion con la cruza, sigue siendo tema frecuente de investigacion y debate en la comunidad de computacion evolutiva.
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×