Mary C. Jarur M. ww.udec.cl/~mjarur

Presentación del tema: "Mary C. Jarur M. ww.udec.cl/~mjarur"— Transcripción de la presentación:

1 Mary C. Jarur M. ww.udec.cl/~mjarur
Algoritmos Genéticos Mary C. Jarur M. ww.udec.cl/~mjarur Presentacion disponible en mi pagina

2 Introducción Inventado por John Holland (70’) Inspirado en la biología
Principio de selección natural Principales usos Problemas tecnológicos Modelos científicos simplificados . inventado a mitades de los setenta . se inpiraron en el modelo de evolucion biologica el principio de seleccion natural para resolver problemas de optimizacion complicados

3 Definiciones Genoma Genotipo Fenotipo Locus Alelo Epistasia
Cromosoma (varios genes) Genoma: Conjunto de todos los cromosomas diferentes que se encuentran en cada núcleo de una especie determinada. Genotipo: Conjunto de caracteres genéticos de un individuo que se expresan o no, formado por todos los alelos de los distintos locus. Fenotipo: Conjunto de caracteres hereditarios de un individuo que se manifiestan externamente y pueden modificarse por la influencia del ambiente. Locus: Sitio de un cromosoma en un gen. Alelo: Cada uno de los dos genes que ocupan un lugar idéntico en los cromosomas homólogos y dan origen en los descendientes a características opuestas, que se pueden presentar alternativamente, pero nunca juntas. Epístasia F. Interacción entre genes por la que se suprime o altera, en el fenotipo, la expresión de uno de ellos por acción del otro.

4 Idea Principal del AG 1. Población inicial 2. Selección de individuos
3. Recombinación (Reproducción) 4. Mutaciones 5. Nueva Generación 1. se parte de una población inicial que son soluciones factibles 2. Se seleccionana individuos, favoreciendo a los de mayor calidad 3. Se recombinana 4. Se introducen mutaciones en sus decendientes 5. se incertan en una nueva generación

5 Principales Características
Utiliza multiples puntos de busqueda Utiliza operadores estocásticos Se requiere solo la función objetivo . Al usar multiples puntos de busqueda se reduce la probabilidad de llegar a un optimo local . La informacion requerida es la funcion objetivo Se requiere la funcion objetivo a optimizar y no sus derivadas o otra informacion como en los metodos clasicos.

6 Condiciones en el uso de AG
Soluciones potenciales pueden representarse Existen operadores para mutar y recombinar INCONVENIENTES La representación no recoge las características de las soluciones Los operadores no generan candidatos “interesantes” Las soluciones potenciales pueden representarse de forma que quede explícita la composición Existen operadores para mutar y recombinar estas representaciones INCONVENIENTES La representación no recoge las características de las soluciones Los operadores no generan candidatos “interesantes ¿Como modelar el problema?

7 Componentes de un AG Población de individuos
Codificación Función de Fitness / Función Objetivo Operadores Genéticos Reproducción (Selección) Mutación Crossover Otros Poblacion de ind. representados como cadenas de bits, problema de codificacion Funció de fitness, absoluta o comparativa Crossover, en 1, 2 puntos o uniforme

8 Operadores Ejemplo Crossover Mutación (sobre un hijo)
Padres Hijos Mutación (sobre un hijo) Hijo Mutación

9 Otras consideraciones de los AG
Tamaño de la Población r a 2r, donde r es la cantidad de genes Población Inicial Generar individuos al azar, u optimizar población inicial Función Objetivo Debe reflejar el valor de un individuo en forma real

10 Otras consideraciones de los AG
Selección Proporcional al Fitness, por Torneo, Elitista, por rango, etc. Cruce 1 punto, 2 puntos, más puntos no es óptimo Reducción Remplazo generacional Mutación Probabilidad constante o variable

11 Esquema Básico de un AG Algoritmo genético
t:=0 ; inicializa P(t) ; evalúa P(t) repetir hasta solución es encontrada t:=t+1 P(t):= selecciona de P(t-1) recombina P(t) muta P(t) evalua P(t) fin repetir fin algoritmo P(t):= selecciona de P(t-1) recombina P(t) muta P(t)P(t):= selecciona de P(t-1) aqui se genera una nueva poblacion a partir de la anterior

12 ¿Porqué funcionan los AG?
Teorema de los Esquemas Teorema de Convergencia Paralelismo Implícito

13 Conclusiones Inspiración biológica, pero se aleja de la realidad
Problemática del uso de AG, planteamiento correcto de los individuos, y la función Fitness Muchas ventajas frente a métodos tradicionales, dado a su flexibilidad Otras aplicaciones Programación Genética