Que son los algoritmos geneticos

Que son los algoritmos geneticos

Algoritmo genético c++

Una metaheurística iterativa basada en la evolución de las especies, que maneja una población de soluciones del problema de optimización que tienen una probabilidad de supervivencia proporcional a la calidad de la solución respectiva, y realiza combinaciones de soluciones basadas en operadores de cruce y mutación.

Un método sistemático utilizado para resolver problemas de búsqueda y optimización y aplicar a dichos problemas los principios de la evolución biológica, a saber, la selección del “más apto”, la reproducción sexual (cruce) y la mutación.

Un método heurístico para encontrar soluciones a un problema de optimización que aprovecha los principios evolutivos; las diferentes soluciones posibles del problema se someten iterativamente a procesos de “replicación”, “mutación” y “selección”. Para ilustrar sus principios generales, a continuación se describe un ejemplo sencillo del método. En el contexto del plegado del ARN, el algoritmo genético podría comenzar con un conjunto de conformaciones generadas al azar que son compatibles con la secuencia de ARN que se está plegando. Luego, en cada iteración del algoritmo, se hacen múltiples copias de cada conformación (el paso de replicación); se hacen más copias para las conformaciones con energías libres más bajas. El proceso de copia no es perfecto, pero introduce “mutaciones”, que pueden implicar la creación/destrucción de pares de bases o de hélices enteras. Tras la replicación y la mutación, se selecciona un subconjunto de las conformaciones resultantes en función de sus energías libres y se somete posteriormente a la siguiente ronda de replicación, mutación y selección. Finalmente, las conformaciones obtenidas se enriquecerán con aquellas que tengan energías libres que se acerquen a la energía libre más baja posible para la secuencia de ARN que se está plegando.

  Configuracion render exterior vray sketchup

Mutación del algoritmo genético

Las técnicas de optimización son las que se utilizan para descubrir la mejor solución de entre todas las posibles soluciones disponibles bajo las restricciones presentes. El algoritmo genético es uno de esos algoritmos de optimización construidos sobre la base del proceso evolutivo natural de nuestra naturaleza. Aquí se utiliza la idea de la selección natural y la herencia genética. A diferencia de otros algoritmos, utiliza la búsqueda aleatoria guiada, es decir, la búsqueda de la solución óptima partiendo de una función de coste inicial aleatoria y buscando después sólo en el espacio de menor coste (en la dirección guiada). Es adecuado cuando se trabaja con conjuntos de datos enormes y complejos.

En algunos de los nuevos descendientes formados, algunos de sus genes pueden ser sometidos a una mutación de baja probabilidad aleatoria. Esto indica que algunos de los bits del cromosoma de bits pueden ser volteados. La mutación se produce para cuidar la diversidad entre la población y detener la convergencia prematura.

El problema del viajante de comercio es una de las principales aplicaciones del algoritmo genético. Por ejemplo, cuando se le pide a un planificador de viajes que planifique un viaje, éste tomará la ayuda de un algoritmo genético que reduzca el coste total del viaje y reduzca el tiempo.GE también se utiliza para planificar la entrega de productos de un lugar a otro de la manera más eficiente.

Ventajas y desventajas del algoritmo genético

En informática e investigación operativa, un algoritmo genético (AG) es una metaheurística inspirada en el proceso de selección natural que pertenece a la clase más amplia de los algoritmos evolutivos (AE). Los algoritmos genéticos se utilizan habitualmente para generar soluciones de alta calidad a problemas de optimización y búsqueda, basándose en operadores de inspiración biológica como la mutación, el cruce y la selección[1]. Algunos ejemplos de aplicaciones de los AG incluyen la optimización de árboles de decisión para mejorar su rendimiento, la resolución automática de rompecabezas sudoku,[2] la optimización de hiperparámetros, etc.

  Vibraciones libres sin amortiguamiento

En un algoritmo genético, una población de soluciones candidatas (llamadas individuos, criaturas, organismos o fenotipos) a un problema de optimización evoluciona hacia mejores soluciones. Cada solución candidata tiene un conjunto de propiedades (sus cromosomas o genotipo) que pueden mutar y alterarse; tradicionalmente, las soluciones se representan en binario como cadenas de 0s y 1s, pero también son posibles otras codificaciones[3].

La evolución suele partir de una población de individuos generados al azar, y es un proceso iterativo, en el que la población de cada iteración se denomina generación. En cada generación, se evalúa la aptitud de cada individuo de la población; la aptitud suele ser el valor de la función objetivo en el problema de optimización que se está resolviendo. Los individuos más aptos se seleccionan estocásticamente de la población actual, y el genoma de cada individuo se modifica (recombinado y posiblemente mutado al azar) para formar una nueva generación. La nueva generación de soluciones candidatas se utiliza entonces en la siguiente iteración del algoritmo. Por lo general, el algoritmo termina cuando se ha producido un número máximo de generaciones o se ha alcanzado un nivel de aptitud satisfactorio para la población.

Selección por algoritmo genético

En “A Random Walk Down Wall Street” (1973), Burton Malkiel sugirió: “Un mono con los ojos vendados lanzando dardos a las páginas financieras de un periódico podría seleccionar una cartera que lo hiciera tan bien como una seleccionada cuidadosamente por expertos”. Aunque la evolución puede haber hecho que el hombre no sea más inteligente a la hora de elegir acciones, la teoría de Charles Darwin ha demostrado ser eficaz cuando se aplica de forma más directa.

  Dibujos de arte para dibujar

Los algoritmos genéticos son formas únicas de resolver problemas complejos aprovechando el poder de la naturaleza. Aplicando estos métodos a la predicción de los precios de los valores, los operadores pueden optimizar las reglas de negociación identificando los mejores valores a utilizar para cada parámetro de un determinado valor.

Los algoritmos genéticos (AG) son métodos de resolución de problemas (o heurísticos) que imitan el proceso de la evolución natural. A diferencia de las redes neuronales artificiales (RNA), diseñadas para funcionar como las neuronas del cerebro, estos algoritmos utilizan los conceptos de selección natural para determinar la mejor solución para un problema.

Por ello, los AG se suelen utilizar como optimizadores que ajustan los parámetros para minimizar o maximizar alguna medida de retroalimentación, que luego puede utilizarse de forma independiente o en la construcción de una RNA.  (Para saber más sobre las RNA, véase: Redes neuronales: previsión de beneficios).

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad