Dentro de la computacion cabe notar el estudio de los Algoritmos Genéticos estos son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización.
Estos están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza con los principios de la selección natural y la supervivencia de los más fuertes, se tiene una definicion de Algoritmo Genetico.
"Un algoritmo genético consiste en una función matemática o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben generar descendencia para la nueva generación."
Los algoritmos geneticos trabajan con una población de individuos,a cada uno de los cuales representa una solución al problema. A cada individuo se le asigna un valor ó puntuación, relacionado con la bondad a dicha solución.
Los algoritmos geneticos produce una nueva población de posibles soluciones, la cual reemplaza a la anterior y verifica lo interesante propiedad de que contiene una mayor proporción de buenas características en comparación con la población anterior. Así a lo largo de las generaciones las buenas características se propagan a través de la población. Favoreciendo el cruce de los individuos mejor adaptados, van siendo exploradas las áreas más prometedoras del espacio de búsqueda del algoritmo.
Los AG. tiene diferentes formas de representacion para ello se mencionan 3 Métodos de representación
El primer metodo es un enfoque común es codificar las soluciones como cadenas binarias: secuencias de 1s y 0s, donde el dígito de cada posición representa el valor de algún aspecto de la solución.
El segundo método es similar consiste en codificar las soluciones como cadenas de enteros o números decimales, donde cada posición, de nuevo, representa algún aspecto particular de la solución. Este método permite una mayor precisión y complejidad que el método comparativamente restringido de utilizar sólo números binarios.
Un tercer método consiste en representar a los individuos de un AG como cadenas de letras, donde cada letra, de nuevo, representa un aspecto específico de la solución.
Lo que facilita estos 3 metodos es la definición de operadores que causen los cambios aleatorios en las candidatas seleccionadas: cambiar un 0 por un 1 o viceversa, sumar o restar al valor de un número una cantidad elegida al azar, o cambiar una letra por otra.
Métodos de selección
Para hacer la seleccion de los individuos mas aptos se utilizan varios metodos los cules se mencionan enseguida.
"Selección elitista: se garantiza la selección de los miembros más aptos de cada generación. (La mayoría de los AGs no utilizan elitismo puro, sino que usan una forma modificada por la que el individuo mejor, o algunos de los mejores, son copiados hacia la siguiente generación en caso de que no surja nada mejor).
Selección proporcional a la aptitud: los individuos más aptos tienen más probabilidad de ser seleccionados, pero no la certeza.
Selección por rueda de ruleta: una forma de selección proporcional a la aptitud en la que la probabilidad de que un individuo sea seleccionado es proporcional a la diferencia entre su aptitud y la de sus competidores.
Selección escalada: al incrementarse la aptitud media de la población, la fuerza de la presión selectiva también aumenta y la función de aptitud se hace más discriminadora.
Selección por torneo: se eligen subgrupos de individuos de la población, y los miembros de cada subgrupo compiten entre ellos. Sólo se elige a un individuo de cada subgrupo para la reproducción.
Selección por rango: a cada individuo de la población se le asigna un rango numérico basado en su aptitud, y la selección se basa en este ranking, en lugar de las diferencias absolutas en aptitud.
Selección generacional: la descendencia de los individuos seleccionados en cada generación se convierte en toda la siguiente generación. No se conservan individuos entre las generaciones.
Selección por estado estacionario: la descendencia de los individuos seleccionados en cada generación vuelven al acervo genético preexistente, reemplazando a algunos de los miembros menos aptos de la siguiente generación. Se conservan algunos individuos entre generaciones.
Selección jerárquica:Las evaluaciones de los primeros niveles son más rápidas y menos discriminatorias, mientras que los que sobreviven hasta niveles más altos son evaluados más rigurosamente."
Algunas ventas y desventajas que nos trae los AG.
1.-Operan de forma simultánea, esto quiere decir que con varios problemas trabjan de forma paralelas y no de forma secuencial como los programas comunes lo realizan.
2.-Cuando se usan para problemas de optimización maximizar una función objetivo.
3.-Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivamente paralelas. ya que si se ejecutan en arquitecturas antiguas, podria ocasionar conflictos o no ejecutarse.
4.-Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de las otras técnicas.
5.-Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta medida de los parámetros que se utilicen tamaño de la población, número de generaciones, etc.-.
6.-Pueden converger prematuramente debido a una serie de problemas de diversa índole."
Algunas de las aplicaciones de los algoritmos geneticos, en las diferentes ramas.
Estos están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza con los principios de la selección natural y la supervivencia de los más fuertes, se tiene una definicion de Algoritmo Genetico.
"Un algoritmo genético consiste en una función matemática o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben generar descendencia para la nueva generación."
Los algoritmos geneticos trabajan con una población de individuos,a cada uno de los cuales representa una solución al problema. A cada individuo se le asigna un valor ó puntuación, relacionado con la bondad a dicha solución.
Los algoritmos geneticos produce una nueva población de posibles soluciones, la cual reemplaza a la anterior y verifica lo interesante propiedad de que contiene una mayor proporción de buenas características en comparación con la población anterior. Así a lo largo de las generaciones las buenas características se propagan a través de la población. Favoreciendo el cruce de los individuos mejor adaptados, van siendo exploradas las áreas más prometedoras del espacio de búsqueda del algoritmo.
Los AG. tiene diferentes formas de representacion para ello se mencionan 3 Métodos de representación
El primer metodo es un enfoque común es codificar las soluciones como cadenas binarias: secuencias de 1s y 0s, donde el dígito de cada posición representa el valor de algún aspecto de la solución.
El segundo método es similar consiste en codificar las soluciones como cadenas de enteros o números decimales, donde cada posición, de nuevo, representa algún aspecto particular de la solución. Este método permite una mayor precisión y complejidad que el método comparativamente restringido de utilizar sólo números binarios.
Un tercer método consiste en representar a los individuos de un AG como cadenas de letras, donde cada letra, de nuevo, representa un aspecto específico de la solución.
Lo que facilita estos 3 metodos es la definición de operadores que causen los cambios aleatorios en las candidatas seleccionadas: cambiar un 0 por un 1 o viceversa, sumar o restar al valor de un número una cantidad elegida al azar, o cambiar una letra por otra.
Métodos de selección
Para hacer la seleccion de los individuos mas aptos se utilizan varios metodos los cules se mencionan enseguida.
"Selección elitista: se garantiza la selección de los miembros más aptos de cada generación. (La mayoría de los AGs no utilizan elitismo puro, sino que usan una forma modificada por la que el individuo mejor, o algunos de los mejores, son copiados hacia la siguiente generación en caso de que no surja nada mejor).
Selección proporcional a la aptitud: los individuos más aptos tienen más probabilidad de ser seleccionados, pero no la certeza.
Selección por rueda de ruleta: una forma de selección proporcional a la aptitud en la que la probabilidad de que un individuo sea seleccionado es proporcional a la diferencia entre su aptitud y la de sus competidores.
Selección escalada: al incrementarse la aptitud media de la población, la fuerza de la presión selectiva también aumenta y la función de aptitud se hace más discriminadora.
Selección por torneo: se eligen subgrupos de individuos de la población, y los miembros de cada subgrupo compiten entre ellos. Sólo se elige a un individuo de cada subgrupo para la reproducción.
Selección por rango: a cada individuo de la población se le asigna un rango numérico basado en su aptitud, y la selección se basa en este ranking, en lugar de las diferencias absolutas en aptitud.
Selección generacional: la descendencia de los individuos seleccionados en cada generación se convierte en toda la siguiente generación. No se conservan individuos entre las generaciones.
Selección por estado estacionario: la descendencia de los individuos seleccionados en cada generación vuelven al acervo genético preexistente, reemplazando a algunos de los miembros menos aptos de la siguiente generación. Se conservan algunos individuos entre generaciones.
Selección jerárquica:Las evaluaciones de los primeros niveles son más rápidas y menos discriminatorias, mientras que los que sobreviven hasta niveles más altos son evaluados más rigurosamente."
Algunas ventas y desventajas que nos trae los AG.
1.-Operan de forma simultánea, esto quiere decir que con varios problemas trabjan de forma paralelas y no de forma secuencial como los programas comunes lo realizan.
2.-Cuando se usan para problemas de optimización maximizar una función objetivo.
3.-Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivamente paralelas. ya que si se ejecutan en arquitecturas antiguas, podria ocasionar conflictos o no ejecutarse.
4.-Usan operadores probabilísticos, en vez de los típicos operadores determinísticos de las otras técnicas.
5.-Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta medida de los parámetros que se utilicen tamaño de la población, número de generaciones, etc.-.
6.-Pueden converger prematuramente debido a una serie de problemas de diversa índole."
Algunas de las aplicaciones de los algoritmos geneticos, en las diferentes ramas.
Optimización.
Programación automática.
Aprendizaje máquina.
Economía.
Sistemas inmunes,.
Ecología.
Genética de poblaciones.
Evolución y aprendizaje.
CONCLUSIONES: Los algoritmos geneticos es un metodo de seleccion utilizado para encontrar la mejor solucon para ello es necesario hacer la implementacion de metodos de seleccion como metodos de representacion para que los resultados puedan ser entendibles.
los AG. son utilizados en la toma de deciciones y son metodos que trabajan a la par no como los metodos tradicionales que los realizan de forma secuencial.
