Esta Presentación te muestra un resumen sobre lo que es la computación evolutiva y los algoritmos basado en esta como lo es algoritmos evolutivos y la aplicaciones que presentan
1. República Bolivariana de Venezuela
Ministerio del Poder Popular para la Defensa
Universidad Nacional Experimental de la Fuerza Armada
Núcleo Lara
Computación Evolutiva
Integrantes:
• Alvarado Yosehanny
• Meléndez Joraiben
• Peña Eliannys
• Pineda Andrea
• Rivero Luis
• Segovia Ignacio
• Sección: 7D01IS
2. La Computación Evolutiva
INSPIRADO en los
mecanismos de
evolución biológica
propuestos
Es una de las ramas
de la Inteligencia
Artificial que se
aplica para la
resolución de
problemas
de optimización
combinatoria.
"Selección
natural de los
más adaptados“
"Teoría
corpuscular de la
herencia“
"Herencia de
caracteres
adquiridos".
Se basa en imitar la evolución
biológica tal y como la
entendemos tratando de resolver
problemas con el fin de encontrar
el mejor resultado
3. Cannon (1932)
Alan Turing (1950)
Campbell (1960)
Los primeros intentos de
aplicar de manera formal
la teoría de la evolución,
apareció en las áreas de
control de procesos
estadísticos, aprendizaje
de maquina y
optimización de
funciones. Box y sus
colegas (1957).
Friedberg (1958)
Barricelli (1954): Ofreció
una de las primeras
simulaciones que usaba
principios evolutivos.
Fogel: su programación
evolutiva consistía en
hacer evolucionar
autómatas de estados
finitos por medio de
mutaciones artificial.
Rechenberg y
Schwefel (1965)
Panorama Histórico
4. Algoritmos Evolutivos
Técnica de resolución de problemas
inspirada en la evolución de los seres vivos.
Programas computacionales cuyo fin es imitar el proceso de
"selección natural" que según la teoría de Darwin rige el curso
de la evolución
5. Fases de los Algoritmos
Evolutivos
1. Generar una POBL ACIÓN aleatoria de N individuos.
2. Evaluar los individuos de la POBL ACIÓN de acuerdo a la función
objetivo
3. Repetir durante G E NE RACIONE S iteraciones:
• Aplicar el operador de selección para elegir k individuos de la
POBLACIÓN
• Aplicar los operadores genéticos a esos k individuos para
generar la descendencia
• Evaluar los nuevos individuos de acuerdo a la función objetivo
• Reemplazar los peores individuos en POBLACIÓN por los
individuos recién creados.
6. Estrategias Evolutivas
Métodos computacionales que trabajan con
una población de individuos que pertenecen al
dominio.
• 𝟏 + 𝟏 − 𝑬𝑬
• 𝝁 + 𝟏 − 𝑬𝑬
• 𝝁 + 𝜸 − 𝑬𝑬 𝒚 𝝁, 𝜸 − 𝑬𝑬
• Regla del Éxito 1/5
8. Son llamados así porque se inspiran en la evolución biológica y su base
genético-molecular.
Jonh Hollan
Parten de una población inicial donde
cada individuo se representa con un
código genético en la que se encuentra
codificada su información.
Código Genético
10. Generacionales
Se asemejan a la forma de
reproducción de los insectos,
donde una generación pone
huevos, se aleja
geográficamente o muere y es
substituida por una nueva.
Estados Fijos
Utilizan el esquema
generacional de los
mamíferos y otros
Paralelo
Origina dos modelos
que toman es cuenta
esta variación, y
utilizan no una
población como los
anteriores si no
múltiples
concurrentemente.
Clase de Algoritmos Genéticos
11. • Optimización (estructural, combinatoria, etc.)
• Aprendizaje de maquina
• Bases de datos (optimización de consultas)
• Reconocimiento de patrones.
• Generación de gramáticas (regulares, libres de
contexto, etc.)
• Planeación de movimientos de robots
• Predicción.
Aplicaciones de Algoritmos
Genéticos
13. Los algoritmos genéticos son un proceso de prueba y error.
Una de las partes mas importantes del algoritmo es la
función de "adaptación". Sin ella la mutación se pueden
"contaminar", y no hay evolución.
Solucionar el problema consistirá en encontrar la solución
óptima, y por tanto, los Algoritmos Evolutivos son en
realidad un método de búsqueda.
La Computación Evolutiva, en resumen, es la
ciencia computacional cuyos algoritmos imitan el proceso
evolutivo de la naturaleza.