Integrantes: Santiago Suárez Diego Guamán Santiago Ludeña
<ul><li>Inspirados en la Teoría de Darwin. </li></ul><ul><li>Origen en el 1960 por Jonh Holland. </li></ul><ul><li>Incorpo...
<ul><li>Son métodos de búsqueda inspirados en principios de selección natural y genética. </li></ul><ul><li>Resolver probl...
<ul><li>Se basan en alternar mecanismos de selección y variación. </li></ul><ul><li>Mecanismo de Selección.-  Concentrar l...
<ul><li>Son lo más populares. </li></ul><ul><li>AG: Cadenas binarias. </li></ul><ul><li>AE: números reales. </li></ul>
<ul><li>f(x) = x 2 </li></ul><ul><li>Intervalo [0, 31]. </li></ul><ul><li>Representar soluciones enteras utilizando 6 bits...
Ejemplo de Población aleatoria Índice Cromosoma Entero x Aptitud f(x) 1 10101 21 441 2 00100 8 64 3 10010 18 324 4 10011 1...
Población intermedia Índice Torneos Cromosoma Entero x Aptitud f(x) 1 2,5 11110 30 900 2 1,6 10101 21 441 3 3,4 10011 19 3...
 
<ul><li>Asigna a cada individuo de la población un valor de aptitud que será utilizado posteriormente en la selección. </l...
<ul><li>Direcciona el algoritmo del espacio de búsqueda a regiones  que parecen prometedoras. </li></ul><ul><li>Hay difere...
<ul><ul><li>Selección por truncamiento: selecciona todos los individuos  que exceden cierto valor de aptitud (generalmente...
<ul><li>Asigna a cada individuo  i  una probabilidad  pi  de ser seleccionado, de acuerdo a la razón de su valor de aptitu...
<ul><li>Ante individuos con aptitudes similares las probabilidades de selección tienden a ser uniformes. </li></ul><ul><li...
<ul><li>La forma en que las soluciones se representan en los individuos determinan en gran manera el éxito de los algoritm...
<ul><li>Son componentes del algoritmos evolutivos que generan nuevas soluciones a partir de otras seleccionadas previament...
<ul><li>El método más sencillo  para producir nuevos algoritmos de mutación. </li></ul><ul><li>En representaciones binaria...
<ul><li>Consiste en elegir al azar un punto de cruce en el interior de dos cromosomas y formar 2 nuevos individuos copiand...
<ul><li>Cruce Uniforme: trata cada posición de los descendientes independientemente y decide aleatoriamente el donador par...
<ul><li>Los AE considerados son relativamente sencillos. </li></ul><ul><ul><li>De acuerdo a soluciones candidatos se elige...
<ul><li>Los AE han sido utilizados por algunas décadas para resolver problemas complejos en diferentes áreas. </li></ul><u...
 
<ul><li>Gracias!!!! </li></ul>
Upcoming SlideShare
Loading in …5
×

Algoritmos evolutivos ii

529 views

Published on

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
529
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
10
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Algoritmos evolutivos ii

  1. 1. Integrantes: Santiago Suárez Diego Guamán Santiago Ludeña
  2. 2. <ul><li>Inspirados en la Teoría de Darwin. </li></ul><ul><li>Origen en el 1960 por Jonh Holland. </li></ul><ul><li>Incorporo métodos de selección natural y supervivencia a la solución de problemas. </li></ul><ul><li>Surgieron por la simulación de procesos de la evolución natural. </li></ul><ul><li>Optimización estocástica. </li></ul>
  3. 3. <ul><li>Son métodos de búsqueda inspirados en principios de selección natural y genética. </li></ul><ul><li>Resolver problemas de optimización en campos: </li></ul><ul><ul><li>Ingeniería </li></ul></ul><ul><ul><li>Arte </li></ul></ul><ul><ul><li>Diseño </li></ul></ul><ul><ul><li>Biología </li></ul></ul><ul><ul><li>Economía y </li></ul></ul><ul><ul><li>Física </li></ul></ul>
  4. 4. <ul><li>Se basan en alternar mecanismos de selección y variación. </li></ul><ul><li>Mecanismo de Selección.- Concentrar la búsqueda en las áreas que parecen prometedoras. </li></ul><ul><li>Mecanismos de variación.- Producir nuevas soluciones a partir de aquellas que fueron seleccionadas. </li></ul><ul><li>Las diferencias de los AE tienen orígenes históricos. </li></ul><ul><li>Se explican a partir de la forma en que las soluciones son representadas. </li></ul>
  5. 5. <ul><li>Son lo más populares. </li></ul><ul><li>AG: Cadenas binarias. </li></ul><ul><li>AE: números reales. </li></ul>
  6. 6. <ul><li>f(x) = x 2 </li></ul><ul><li>Intervalo [0, 31]. </li></ul><ul><li>Representar soluciones enteras utilizando 6 bits. </li></ul><ul><li>AE operan sobre un conjunto de soluciones posibles “ población ”. </li></ul><ul><li>“ cromosoma ” , codifica una posible solución al problema. </li></ul>
  7. 7. Ejemplo de Población aleatoria Índice Cromosoma Entero x Aptitud f(x) 1 10101 21 441 2 00100 8 64 3 10010 18 324 4 10011 19 361 5 11110 30 900 6 01001 9 81 Promedio 361 Máximo 900
  8. 8. Población intermedia Índice Torneos Cromosoma Entero x Aptitud f(x) 1 2,5 11110 30 900 2 1,6 10101 21 441 3 3,4 10011 19 361 4 1,5 11110 30 900 5 2,3 10010 18 324 6 4,6 10011 19 361 Promedio 547 Máximo 900
  9. 10. <ul><li>Asigna a cada individuo de la población un valor de aptitud que será utilizado posteriormente en la selección. </li></ul><ul><li>Depende de cada problema y debe ser proporcionada por el usuario. </li></ul><ul><li>Los algoritmos evolutivos funcionan bien cuando la función objetivo es estocástica </li></ul>
  10. 11. <ul><li>Direcciona el algoritmo del espacio de búsqueda a regiones que parecen prometedoras. </li></ul><ul><li>Hay diferentes tipos de selección pero todos se basa en escoger los mejores individuos. </li></ul><ul><li>La mayoría de mecanismos de selección son estocásticos, pero también los hay deterministas. </li></ul>
  11. 12. <ul><ul><li>Selección por truncamiento: selecciona todos los individuos que exceden cierto valor de aptitud (generalmente dado por un promedio, media, etc.) </li></ul></ul><ul><li>Selección por torneos: eligen al azar S individuos de la población y selecciona al que tenga mayor aptitud (S determina la intensidad de la selección) </li></ul><ul><li>Pueden ser torneos con o sin reemplazamiento. </li></ul>
  12. 13. <ul><li>Asigna a cada individuo i una probabilidad pi de ser seleccionado, de acuerdo a la razón de su valor de aptitud entre la suma de todos los valores de aptitud. </li></ul><ul><li>Pi= fi / ∑j fj </li></ul><ul><li>Los individuos con mayores aptitudes serán seleccionados mas probablemente que los menos aptos. </li></ul><ul><li>Desventaja se comporta de manera diferente ante una función objetivo transpuesta </li></ul><ul><li>F(x) + c </li></ul>
  13. 14. <ul><li>Ante individuos con aptitudes similares las probabilidades de selección tienden a ser uniformes. </li></ul><ul><li>Estos trae como consecuencia que los mejores individuos tengan un poco mayor las probabilidades que los peores candidatos </li></ul><ul><li>El mecanismo no progresa rápidamente </li></ul><ul><li>Solución: utilizar valores de aptitud escalados para determinar las probabilidades de selección. </li></ul>
  14. 15. <ul><li>La forma en que las soluciones se representan en los individuos determinan en gran manera el éxito de los algoritmos evolutivos. </li></ul><ul><li>Los códigos de Gray tienen grandes ventajas sobre al codificación binaria tradicional </li></ul><ul><li>En problemas en que el objetivo es encontrar permutaciones es recomendable utilizar otras codificaciones (números enteros, árboles, autómatas). </li></ul>
  15. 16. <ul><li>Son componentes del algoritmos evolutivos que generan nuevas soluciones a partir de otras seleccionadas previamente. </li></ul><ul><li>La forma específica de estos operadores depende en gran medida de la representación elegida para la solución. </li></ul><ul><li>Existen varios tipos algoritmos de variación típicos. </li></ul>
  16. 17. <ul><li>El método más sencillo para producir nuevos algoritmos de mutación. </li></ul><ul><li>En representaciones binarias este operador identifica aleatoriamente los bits que se van a mutar y cambia los valores de 0 a 1 y viceversa. </li></ul><ul><li>En representaciones discretas con alfabetos, la mutación identifica aleatoriamente cuales posiciones se van a mutar. </li></ul>
  17. 18. <ul><li>Consiste en elegir al azar un punto de cruce en el interior de dos cromosomas y formar 2 nuevos individuos copiando el segmento izquierdo del cromosoma de un padre con el segmentos derecho del otro. </li></ul><ul><li>Esto se puede generalizar a cruce de n puntos, donde los donadores se parten en n+1 segmentos al azar y los descendientes so obtienen tomado segmentos alternos de cada donador. </li></ul>
  18. 19. <ul><li>Cruce Uniforme: trata cada posición de los descendientes independientemente y decide aleatoriamente el donador para cada posición de los hijos. </li></ul><ul><li>El cruce en n puntos mantiene juntos los genes que están cercanos entre sí en la representación, en cambio el cruce uniforme ignora completamente la posición delas variables en la representación </li></ul>
  19. 20. <ul><li>Los AE considerados son relativamente sencillos. </li></ul><ul><ul><li>De acuerdo a soluciones candidatos se eligen soluciones mas prometedoras. </li></ul></ul><ul><ul><li>Estos funcionaran bien si el usuario elige una representación adecuada. </li></ul></ul><ul><li>AE conocidos como algoritmos de estimación y distribución. </li></ul><ul><ul><li>Omiten los operadores de variación inspirados en la genética, y utilizan métodos estadísticos. </li></ul></ul><ul><ul><li>La distribución y estimación puede ser muy compleja. </li></ul></ul><ul><ul><li>Los AED mas sencillos suponen la independencia de variables. </li></ul></ul>
  20. 21. <ul><li>Los AE han sido utilizados por algunas décadas para resolver problemas complejos en diferentes áreas. </li></ul><ul><li>La evolución es un proceso de resolución de problemas cuyo poder sólo comenzamos a comprender y explotar; </li></ul>
  21. 23. <ul><li>Gracias!!!! </li></ul>

×