INSTITUTO TECNOLÓGICO DE TIJUANA Maestría en Ciencias en Ciencias De La Computación Tema: Operadores genéticos Alumnas: Leticia Mendoza Reyes. Rosalinda.

Slides:



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

ALGORITMOS GENETICOS EVOLUCIÓN DE UNA POBLACIÓN DE
Algoritmo GENETICO.
De la muestra a la población
Fco. Javier Burguillo Universidad de Salamanca
INFERENCIA ESTADÍSTICA
Variables Aleatorias Continuas
Actividad 3 Algoritmos Genéticos
“Impulsando la Sociedad
REALIZADO POR: VICTOR PATRICIO VERDEZOTO PEREIRA
COMPONENTIZACIÓN DE ALGORITMOS GENETICOS Y SU IMPLEMENTACIÓN EN UNA PLATAFORMA ABIERTA PARA APRENDIZAJE COMPUTACIONAL.
Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Clase # 8: Análisis Conformacional (II)
Ramón Garduño Juárez Diseño de Fármacos
Ajustando el Algoritmo al problema Universidad Nacional Oscar Lozano.
1. MUESTREO ALEATORIO Depto. Matemáticas – IES Elaios
Definición Los Algoritmos Genéticos son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. los Algoritmos Genéticos.
Algoritmos genéticos. Idea básica Problema Solución complejo ideal Algoritmo conocido A menudo este esquema no es realista Problemas NP Algoritmo desconocido.
“En lugar de envidiar la naturaleza debemos emularla” Holland
Nombre: Israel Espinosa Jiménez Matricula: Carrera: TIC Cuatrimestre: 4 Página 1 de 5.
Diseño de experimentos
Sistemas Inteligentes Algoritmos Geneticos
Clase 7: Componentes Básicos del Algoritmo Genético (Continuación)
Optimización matemática Algoritmos Genéticos – Parte 2 Por: Antonio H
Algoritmos Genéticos.
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.
Estadística Administrativa I
Licenciatura en Administración Pública
Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica División de Estudios de Posgrado Algoritmos Genéticos.
PILAS, COLAS, RECURSIVIDAD.
BIOMETRIA II TEMA 2 El Modelo de Regresión.
Diseño Estadístico y Herramientas para la Calidad
Distribución Normal.
Estadística Administrativa II
BIOINFORMÁTICA TEMA 1 INTRODUCCIÓN
Computación Evolutiva
ESTADISTICA TEMA 12.
Distribución Normal Distribución Normal
ESTADISTICA TEMA y 223.
Procesamiento estadístico de datos en bioquímica clínica
Objetivo: maximizar J para una cierta combinación de valores de
MUESTREO Enseñar no garantiza el "aprender"....
Se dice que una variable aleatoria es continua si toma valores en el conjunto de los números reales, o en un intervalo de números reales. Por ejemplo,
Inferencia Estadística
Simular: Representar una cosa, fingiendo o imitando lo que no es.
Neodarwinismo.
Algoritmos genéticos Introducción Esquema básico Codificación
VARIABILIDAD, HERENCIA Y MONOHIBRIDISMO
Una introducción a la computación evolutiva
Aplicación educativa sobre Algoritmos Evolutivos en imágenes digitales
Generación de Números Pseudoaleatorios
Límites y Continuidad.
Departamento de Salud Pública Dra. Laura Moreno Altamirano
TEMA II Estimaciones y Distribuciones
Mary C. Jarur M. ww.udec.cl/~mjarur
Estimaciones y Distribuciones. BIOMETRIA I2 Estadística: Es la ciencia, pura y aplicada que crea, desarrolla y aplica técnicas de modo que pueda evaluarse.
Normalidad Preparado por: Dr. Juan José García García.
Teoría de Probabilidad Dr. Salvador García Lumbreras
Sesión 10: Variable Aleatoria
ALGORITMOS GENETICOS.
Fuerzas de la evolución Erick Torrez Osmaira Gonzales Lixxie Murrieta Karla Islas.
Ing. Uziel Quiroz Castañeda Blanca Esthela Carranza Ortega 8º Semestre Junio/2013.
Distribuciones de Probabilidad
INFERENCIA ESTADÍSTICA
Pruebas paramétricas y no paramétricas
7. Distribución normal Sin duda la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones.
CONSTRUCCIONES METÁLICAS EL PROYECTO ESTRUCTURAL OBJETIVOS: OBTENER ESTRUCTURAS SEGURAS ECONÓMICAS FACTIBLES QUE CONTEMPLE REQUISITOS: FUNCIONALES ESTÉTICOS.
POBLACIÓN Y MUESTRA CÁLCULO DEL TAMAÑO MUESTRAL. Descripción e inferencia Población Muestra Muestreo Inferencia Resultado.
Algoritmo Genético para la solución del problema SAT René Clemente Juárez Angel Felipe Lara Valladares Junio 2012.
Transcripción de la presentación:

INSTITUTO TECNOLÓGICO DE TIJUANA Maestría en Ciencias en Ciencias De La Computación Tema: Operadores genéticos Alumnas: Leticia Mendoza Reyes. Rosalinda Reyes Padilla. catedrático: Dr. Leonardo Trujillo. 18 / Marzo / 2010.

Operadores genéticos Para el paso de una generación a la siguiente se aplica una serie de operadores genéticos. los operadores mas empleados son:  selección  Cruce  Mutación  Algoritmo de remplazo

Cruce Cruce (un mecanismo para obtener nuevos individuos a partir de otros). Los diferentes métodos de cruce podrán operar de dos formas diferentes. estrategia destructiva los descendientes se insertarán en la población temporal aunque sus padres tengan mejor ajuste estrategia no destructiva la descendencia pasará a la siguiente generación únicamente si supera la bondad del ajuste de los padres (o de los individuos a reemplazar).

Cruce de 1 punto

Cruce de 2 punto

Cruce de uniforme (DPX) (Double Point Crossover).

Cruces específicos de codificaciones no binarias  Media: el gen de la descendencia toma el valor medio de los genes de los padres. Tiene la desventaja de que únicamente se genera un descendiente en el cruce de dos padres.  Media geométrica: cada gen de la descendencia toma como valor la raíz cuadrada del producto de los genes de los padres. Presenta el problema añadido de qué signo dar al resultado si los padres tienen signos diferentes.  Extensión: se toma la diferencia existente entre los genes situados en las mismas posiciones de los padres y se suma al valor más alto o se resta del valor más bajo.

Mutación. Produce un nuevo hijo a partir de un solo padre con solo cambiar un bit al azar. Operador de Mutación Antes Después

Objetivo:  Simular los cambios adaptativos que sufren las especies. Requisitos:  El efecto sobre el individuo debe ser pequeño.  Existe una probabilidad de mutación p m. Probabilidad menor al 1%.

Mutación real. Mutación uniforme. Es una simple sustitución de un gen por un número aleatorio. Dado un cromosoma p como j-ésimo de un gen seleccionado para mutación, se produce un cromosoma c de la siguiente forma: si j=i; en caso contrario. Donde y representan los límites en el intervalo para gen.

Mutación Gaussiana (Normal). Dado un cromosoma p como j-ésimo de un gen seleccionado para mutación, se produce un cromosoma c de la siguiente forma: si j=i en caso contrario. Donde es una distribución normal con media y desviación estándar σ (parámetro). Alternativamente se puede disminuir el valor de σ a medida que aumenta el número de generaciones.

Swap mutation Insert mutation Mutación para permutación.

Scramble Mutation Inversion mutation