Algoritmos evolutivos

1,553 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
1,553
On SlideShare
0
From Embeds
0
Number of Embeds
6
Actions
Shares
0
Downloads
55
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Algoritmos evolutivos

  1. 1. ALGORITMOS EVOLUTIVOS<br />Integrantes:<br />Santiago Suárez<br />Diego Guamán<br />Santiago Ludeña<br />
  2. 2. ALGORITMOS EVOLUTIVOS<br />Inspirados en la Teoría de Darwin.<br />Origen en el 1960 por JonhHolland.<br />Incorporo métodos de selección natural y supervivencia a la solución de problemas.<br />Surgieron por la simulación de procesos de la evolución natural.<br />Optimización estocástica.<br />
  3. 3. ALGORITMOS EVOLUTIVOS<br />Son métodos de búsqueda inspirados en principios de selección natural y genética.<br />Resolver problemas de optimización en campos:<br />Ingeniería<br />Arte<br />Diseño <br />Biología<br />Economía y<br />Física <br />
  4. 4. ALGORITMOS EVOLUTIVOS (Cont..)<br />Se basan en alternar mecanismos de selección y variación.<br />Mecanismo de Selección.- Concentrar la búsqueda en las áreas que parecen prometedoras.<br />Mecanismos de variación.- Producir nuevas soluciones a partir de aquellas que fueron seleccionadas.<br />Las diferencias de los AE tienen orígenes históricos.<br />Se explican a partir de la forma en que las soluciones son representadas. <br />
  5. 5. ALGORITMOS GENÉTICOS<br />Son lo más populares.<br />AG: Cadenas binarias.<br />AE: números reales.<br />
  6. 6. Ejemplo<br />f(x) = x2<br />Intervalo [0, 31].<br />Representar soluciones enteras utilizando 6 bits.<br />AE operan sobre un conjunto de soluciones posibles “población”.<br />“cromosoma” , codifica una posible solución al problema.<br />
  7. 7. Ejemplo(Cont….)<br />Ejemplo de Población aleatoria<br />
  8. 8. Ejemplo(Cont….)<br />Población intermedia<br />
  9. 9. Componentes de Algoritmos Evolutivos<br />
  10. 10. Función Objetivo<br />Asigna a cada individuo de la población un valor de aptitud que será utilizado posteriormente en la selección.<br />Depende de cada problema y debe ser proporcionada por el usuario.<br />Los algoritmos evolutivos funcionan bien cuando la función objetivo es estocástica<br />
  11. 11. Selección<br />Direcciona el algoritmo del espacio de búsqueda a regiones que parecen prometedoras.<br />Hay diferentes tipos de selección pero todos se basa en escoger los mejores individuos.<br />La mayoría de mecanismos de selección son estocásticos, pero también los hay deterministas.<br />
  12. 12. Selección: Deterministas<br /><ul><li>Selección por truncamiento: selecciona todos los individuos que exceden cierto valor de aptitud (generalmente dado por un promedio, media, etc.)</li></ul>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)<br />Pueden ser torneos con o sin reemplazamiento.<br />
  13. 13. Selección proporcional<br />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.<br />Pi= fi / ∑j fj<br />Los individuos con mayores aptitudes serán seleccionados mas probablemente que los menos aptos.<br />Desventaja se comporta de manera diferente ante una función objetivo transpuesta<br />F(x) + c<br />
  14. 14. Selección proporcional<br />Ante individuos con aptitudes similares las probabilidades de selección tienden a ser uniformes.<br />Estos trae como consecuencia que los mejores individuos tengan un poco mayor las probabilidades que los peores candidatos<br />El mecanismo no progresa rápidamente<br />Solución: utilizar valores de aptitud escalados para determinar las probabilidades de selección.<br />
  15. 15. Representaciones<br />La forma en que las soluciones se representan en los individuos determinan en gran manera el éxito de los algoritmos evolutivos.<br />Los códigos de Gray tienen grandes ventajas sobre al codificación binaria tradicional<br />En problemas en que el objetivo es encontrar permutaciones es recomendable utilizar otras codificaciones (números enteros, árboles, autómatas).<br />
  16. 16. Operadores de Variación<br />Son componentes del algoritmos evolutivos que generan nuevas soluciones a partir de otras seleccionadas previamente.<br />La forma específica de estos operadores depende en gran medida de la representación elegida para la solución.<br />Existen varios tipos algoritmos de variación típicos. <br />
  17. 17. Operadores de Variación: Mutación<br />El método más sencillo para producir nuevos algoritmos de mutación.<br />En representaciones binarias este operador identifica aleatoriamente los bits que se van a mutar y cambia los valores de 0 a 1 y viceversa. <br />En representaciones discretas con alfabetos, la mutación identifica aleatoriamente cuales posiciones se van a mutar.<br />
  18. 18. Operadores de Variación Cruzamiento<br />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.<br />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.<br />
  19. 19. Operadores de Variación Cruzamiento<br />Cruce Uniforme: trata cada posición de los descendientes independientemente y decide aleatoriamente el donador para cada posición de los hijos.<br />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<br />
  20. 20. Otros algoritmos <br />Los AE considerados son relativamente sencillos.<br />De acuerdo a soluciones candidatos se eligen soluciones mas prometedoras.<br />Estos funcionaran bien si el usuario elige una representación adecuada.<br />AE conocidos como algoritmos de estimación y distribución.<br />Omiten los operadores de variación inspirados en la genética, y utilizan métodos estadísticos.<br />La distribución y estimación puede ser muy compleja.<br />Los AED mas sencillos suponen la independencia de variables.<br />
  21. 21. Conclusiones<br />Los AE han sido utilizados por algunas décadas para resolver problemas complejos en diferentes áreas.<br />La evolución es un proceso de resolución de problemas cuyo poder sólo comenzamos a comprender y explotar; <br />
  22. 22.
  23. 23. Gracias!!!!<br />

×