Your SlideShare is downloading. ×
Algoritmos evolutivos
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Algoritmos evolutivos

150
views

Published on

Breve presentación de los fundamentos de algoritmos evolutivos, la lógica y el comportamiento asociado a estos algoritmos.

Breve presentación de los fundamentos de algoritmos evolutivos, la lógica y el comportamiento asociado a estos algoritmos.

Published in: Technology

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
150
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
6
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Fundamentos AlgoritmosEvolutivosMsc.Ing. José Fabián Díaz Silva
  • 2. Algoritmos evolutivos• Son métodos de optimización y búsqueda desoluciones, fundamentados en los principiosde la evolución biológica.• Hacen parte de una rama de la inteligenciaartificial junto con la computación evolutiva.• Programación evolutiva / Estrategiasevolutivas / Algoritmos genéticos.
  • 3. Algoritmos evolutivos• Elementos iniciales.– Se inicia con una población base, normalmentereducida y heterogénea.– La población se encuentra en un ambiente conrecursos limitados.– Esta población se va modificando a través degeneraciones y empleando el cruzamiento y lasmutaciones para diversificarla.– Se evalúan los individuos y sobreviven los masactos para volver a generar una nueva población.
  • 4. Algoritmos evolutivos• Elementos iniciales.– Por medio de los cruces y las mutaciones sealcanza la exploración de un amplio rango deposibles soluciones.– El aplicar la selección(fitness) permite reducir laheterogeneidad y aproximarse a una solución deoptimización.
  • 5. Algoritmos evolutivos• Población.– Se representan individuos con posibles soluciones.– Normalmente estos individuos se representan porarreglos(arrays) codificados con las posiblessoluciones.– Estos arrays pueden contener representacionesbinarias para referir las posibles soluciones.
  • 6. Algoritmos evolutivos• Fitness.– Para seleccionar la población que pasara a lapróxima generación es necesario evaluar elindividuo, si es adecuado, mejorara suprobabilidad de tener descendencia.– El Fitness es la función que evalúa el grado decumplimiento del individuo con lo esperado.– En la practica, la función recibiría o evaluaría elarray que conforma el individuo.
  • 7. Algoritmos evolutivos• Variación.– Para lograr variar la población y no perderposibilidades de solución se empleannormalmente dos funciones de variación.– Crossover: combinación de los individuos .– Mutación: Toma un descendiente y aplica unavarianza aleatoria.– Normalmente se aplican estas dos funciones, perola forma de su empleo depende de cadaalgoritmo.
  • 8. Algoritmos evolutivos• Variación.– Crossover:• Se combinan los padres que han sido seleccionadoscomo los mejores de la anterior generación y se generauna nueva población.• La combinación puede ser a partir de posiciones fijas,por ejemplo tomando la mitad de los elementos delpadre y la otra mitad de la madre.• Igualmente puede ser aleatorias posiciones aleatoriastomadas del padre y la madre.
  • 9. Algoritmos evolutivos• Variación.– Mutación :• La mutación se presenta en los algoritmos evolutivospara explorar nuevas opciones de solución y no caer ensoluciones locales.• La mutación al igual que sus referentes biológicos noocurre con gran frecuencia y su ocurrencia puedealterar de forma suficiente la población para mejorarlas posibilidades de un individuo.
  • 10. Algoritmos evolutivos• Finalización.– Para finalizar el algoritmo se debe alcanzaralgunas de las siguientes alternativas.• Se alcanzo el optimo esperado.• Se alcanzo el limite de generaciones estimado.• No se mejoro el fitness de la población después de untiempo determinado.• Se alcanzo el mínimo de diversidad.
  • 11. Algoritmos evolutivosPOBLACIONHIJOSPADRESMutación /CrossoverGeneración,nuevapoblación.
  • 12. Algoritmos evolutivos• Caso: Se tiene un área definida con algunas secciones marcadas conalimento. Una población establecida desea alcanzar el mayor numero depuntos de alimento posible, pero no conocen donde se encuentra.• Cada individuopuede seleccionar8 espacios del áreapara buscar.• Se simularan 200generaciones.• Al localizar elalimento el individuotendrá mejorpuntaje en la funciónfitness.X X XXX XX X
  • 13. MSC.ING. JOSE FABIAN DIAZ SILVA@josefabiandiaz