Sistemas Inteligentes Algoritmos Geneticos

Slides:



Advertisements
Presentaciones similares
Crecimiento de las Generaciones Posteriores en los Algoritmos Genéticos Curso: Inteligencia Artificial.
Advertisements

ALGORITMOS GENETICOS EVOLUCIÓN DE UNA POBLACIÓN DE
TEORIA SOBRE LA EVOLUCION
Mecanismos de evolución:
Sistema de Selección de Proyectos de Inversión Inmobiliaria
Algoritmo GENETICO.
Grupo 4 Matías Melgar Pablo Carbonell
Actividad 3 Algoritmos Genéticos
“Impulsando la Sociedad
COMPONENTIZACIÓN DE ALGORITMOS GENETICOS Y SU IMPLEMENTACIÓN EN UNA PLATAFORMA ABIERTA PARA APRENDIZAJE COMPUTACIONAL.
Telekom Solutions.
Clase # 8: Análisis Conformacional (II)
Ramón Garduño Juárez Diseño de Fármacos
Definición Los Algoritmos Genéticos son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. los Algoritmos Genéticos.
Susana Gabriela Morales Vargas
“En lugar de envidiar la naturaleza debemos emularla” Holland
Sistemas Inteligentes Algoritmos Evolutivos
Métodos basados en poblaciones 1 En cada iteración se trabaja con un conjunto o población de soluciones Computación evolutiva: algoritmos que se inspiran.
Grupo 6 Sharón Benasús Michell Vanrell
Clase 7: Componentes Básicos del Algoritmo Genético (Continuación)
Optimización matemática Algoritmos Genéticos – Parte 2 Por: Antonio H
Algoritmos Genéticos.
Resumen Población Grupo de individuos de la misma especie que ocupan un área determinada y que realizan intercambios de genes. Conjunto de organismos de.
Algoritmos Genéticos (AG) Integrantes: Rubén Levineri Miguel Rozas Juan Yañez Faltan autores y bibliografía.
ALGORITMO GENÉTICO John Henry Holland (n. 02 de febrero 1929, Fort Wayne, Indiana, EE.UU.) ostenta los títulos de Profesor de Psicología y Profesor de.
LAMARCKISMO DARWISNISMO TEORÍA SINTÉTICA
Optimización matemática Algoritmos Genéticos – Parte 1 Por: Antonio H
Alumno: Jorge Ahumada A. Profesor Guía : Nelson Baloian T.
Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica División de Estudios de Posgrado Algoritmos Genéticos.
Optimización, Búsqueda Heurística
SESION Nº 03.  En la práctica de la ingeniería y ciencias, es muy frecuente él tener que resolver ecuaciones del tipo f(x)=0. En estas ecuaciones se.
LA SELECCIÓN NATURAL MARIA ELISA ARROYO
COMPUTACION EVOLUTIVA Introducción. Computación Evolutiva: Computación Evolutiva: Enfoque alternativo para abordar problemas complejos de: Enfoque alternativo.
BIOINFORMÁTICA TEMA 1 INTRODUCCIÓN
Universidad de Panamá Escuela de Biología Departamento de genética Genética de Poblaciones Integrantes: Castellanos, Rebeca Robinson, Anine Robles, Jazmin.
Algoritmos Geneticos con Redes Neuronales
Objetivo: maximizar J para una cierta combinación de valores de
Tema 1: Introducción a la biología
Neodarwinismo.
Algoritmos genéticos Introducción Esquema básico Codificación
Sistema De Apoyo A La Asignación De Horarios De Clases Para El Colegio Piamarta UCINFSantiago, 18 de Noviembre 2006 Darío Díaz Videla iii. Teoría Enfoques.
Una introducción a la computación evolutiva
AGENDA INTRODUCCIÓN. TEORIA Y DESARROLLO DE LA APLICACIÓN.
Proceso de Selección Natural
Trabajo de Graduación “SISTEMA DE PLANEACIÓN AVANZADO (APS) PARA DETERMINAR LA UBICACIÓN ÓPTIMA DE CAPACITORES EN UNA RED DE DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA.
Propuesta del algoritmo
Principios de la evolución
Mary C. Jarur M. ww.udec.cl/~mjarur
Asignación de Horarios
Investigación Algorítmica ChasquiSoft. Integrantes Contreras Ames, Roy Carlos Gaspar Calle, Ronald Urlich Ames, Rafael Paredes.
EVOLUCIÓN DE UNA POBLACIÓN DE CURVAS EN EL TIEMPO Y EN EL ESPACIO Francisco Antonio González Salas Luis Valencia Cabrera.
INSTITUTO TECNOLÓGICO DE TIJUANA Maestría en Ciencias en Ciencias De La Computación Tema: Operadores genéticos Alumnas: Leticia Mendoza Reyes. Rosalinda.
Reproducción Humana Una de las características fundamentales de los seres vivos es su capacidad para reproducirse. Así pues, la reproducción es la capacidad.
Clase de nivelación en Biología Dr. Yntze van der Hoek
Investigación Algorítmica ChasquiSoft. Integrantes Contreras Ames, Roy Carlos Gaspar Calle, Ronald Urlich Ames, Rafael Paredes.
ALGORITMOS GENETICOS.
Fuerzas de la evolución Erick Torrez Osmaira Gonzales Lixxie Murrieta Karla Islas.
INTELIGENCIA ARTIFICIAL. Redes Neuronales Artificiales Mecanismos de aprendizaje ◦ Entrada x ◦ Salida y ◦ Peso w ◦ Transferencia ~
3.4 PRINCIPALES FACTORES DE LA EVOLUCION
Taller: Inteligencia Computacional
Ing. Uziel Quiroz Castañeda Blanca Esthela Carranza Ortega 8º Semestre Junio/2013.
Heurística. Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacción dado, como procesos computacionales de algún.
Genética Mendeliana Objetivo: Manejar Conceptos de:
Investigación Algorítmica ChasquiSoft. Integrantes Contreras Ames, Roy Carlos Gaspar Calle, Ronald Urlich Ames, Rafael Paredes.
Evolución en las poblaciones
Valor: AMOR Objetivo: Comprender la sexualidad como resultado de un proceso biológico enmarcada dentro de procesos hereditarios, para desarrollar una actitud.
2. LA REPRODUCCIÓN LA REPRODUCCIÓN CONSISTE EN OBTENER ORGANISMOS PARECIDOS A LOS ORGANISMOS ORIGINALES -Reproducción: si se hacen nuevos organismos -División.
Algoritmo Genético para la solución del problema SAT René Clemente Juárez Angel Felipe Lara Valladares Junio 2012.
Alvaro Alfredo Bravo Dpto. de Matemáticas y Estadística Universidad de Nariño - Colombia METODOS ALEATORIOS.
Genética Mendeliana Objetivo: Manejar Conceptos de:
Transcripción de la presentación:

Sistemas Inteligentes Algoritmos Geneticos [Unmsm - Fisi] domingo, 09 de abril de 2017domingo, 09 de abril de 2017

Temario Introducción a los algoritmos geneticos. Representación cromosómica Evaluación y selección de los individuos. Operadores genéticos.

Introducción a los algoritmos geneticos. L0s Algoritmos Geneticos son metodos de Busqueda dirigida basada en Probabilidades. Bajo la condicion de que (que el algoritmo mantenga su elite, es decir, guarde siempre al mejor elemento de la población sin hacerle ningún cambio) se demuestra que el algoritmo converge en probabilidad al mas optimo. En otras palabras, al aumentar el número de repeticiones, la probabilidad de tener el mejor de la población tiende a 1 (uno).

Representación cromosómica Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo se aplican los operadores genéticos (cruzamiento, mutación), cómo se realiza la selección y cómo se decide si debe haber reemplazo en los individuos para formar una mejor población.

Representación cromosómica Inicialización: Es aleatoria la población inicial, que está conformada por un conjunto de cromosomas los cuales representan las posibles soluciones del problema. En caso de no ser elegida aleatoriamente, es importante garantizar que en la población inicial, se tenga la diversidad estructural de estas soluciones para tener una representación de la mayor parte de la población posible para no tener convergencias prematuras. Evaluación: se les evaluara con la ecuacion de aptitud para ver si cada uno de los cromosomas es apto. Condición de término El algoritmo genetico se deberá detener cuando se alcance la mejor solucion, pero ésta generalmente se desconoce, por lo que no es el unico criterio de detencion.

Evaluación y selección de los individuos. Normalmente se usan dos criterios: correr el AG un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la población. Mientras no se cumpla la condición de término se hace lo siguiente: Selección se procede a elegir los cromosomas los cuales seran cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados. Recombinación La recombinación es el principal operador genético, representa la reproducción como en los seres humanos el sexo, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las características de ambos cromosomas padres. Mutación modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de búsqueda que no estaban cubiertas por los individuos de la población actual. Reemplazo una vez aplicados los operadores genéticos, se seleccionan los mejores individuos para conformar la población de la generación siguiente

Operadores genéticos. Son funciones empleadas en los algoritmos geneticos para mantener la diversidad genética de la población.

Operadores genéticos. La variación genética es necesaria para el proceso de evolución. Los operadores genéticos que se utilizan en los algoritmos genéticos son análogos a los que ocurren en el mundo natural: la selección equivalente a la supervivencia del más apto en el mundo natural; el sobre cruzamiento, también al cual se le denomina «recombinación», equivale a la reproducción sexual y la mutación equivale a la mutación biológica.

GRACIAS