Los algoritmos evolutivos son métodos de optimización inspirados en la evolución biológica que usan mecanismos de selección y variación para dirigir una población de soluciones candidatas hacia regiones prometedoras del espacio de búsqueda. Representan soluciones como cromosomas y las someten a operadores como mutación y cruce para generar nuevas soluciones, seleccionando las más aptas a lo largo de generaciones sucesivas.

1. Integrantes: Santiago Suárez Diego Guamán Santiago Ludeña

2. Inspirados en la Teoría de Darwin. Origen en el 1960 por Jonh Holland. Incorporo métodos de selección natural y supervivencia a la solución de problemas. Surgieron por la simulación de procesos de la evolución natural. Optimización estocástica.

3. Son métodos de búsqueda inspirados en principios de selección natural y genética. Resolver problemas de optimización en campos: Ingeniería Arte Diseño Biología Economía y Física

4. Se basan en alternar mecanismos de selección y variación. Mecanismo de Selección.- Concentrar la búsqueda en las áreas que parecen prometedoras. Mecanismos de variación.- Producir nuevas soluciones a partir de aquellas que fueron seleccionadas. Las diferencias de los AE tienen orígenes históricos. Se explican a partir de la forma en que las soluciones son representadas.

5. Son lo más populares. AG: Cadenas binarias. AE: números reales.

6. f(x) = x 2 Intervalo [0, 31]. Representar soluciones enteras utilizando 6 bits. AE operan sobre un conjunto de soluciones posibles “ población ”. “ cromosoma ” , codifica una posible solución al problema.

7. Ejemplo de Población aleatoria Índice Cromosoma Entero x Aptitud f(x) 1 10101 21 441 2 00100 8 64 3 10010 18 324 4 10011 19 361 5 11110 30 900 6 01001 9 81 Promedio 361 Máximo 900

8. Población intermedia Índice Torneos Cromosoma Entero x Aptitud f(x) 1 2,5 11110 30 900 2 1,6 10101 21 441 3 3,4 10011 19 361 4 1,5 11110 30 900 5 2,3 10010 18 324 6 4,6 10011 19 361 Promedio 547 Máximo 900

10. Asigna a cada individuo de la población un valor de aptitud que será utilizado posteriormente en la selección. Depende de cada problema y debe ser proporcionada por el usuario. Los algoritmos evolutivos funcionan bien cuando la función objetivo es estocástica

11. Direcciona el algoritmo del espacio de búsqueda a regiones que parecen prometedoras. Hay diferentes tipos de selección pero todos se basa en escoger los mejores individuos. La mayoría de mecanismos de selección son estocásticos, pero también los hay deterministas.

12. Selección por truncamiento: selecciona todos los individuos que exceden cierto valor de aptitud (generalmente dado por un promedio, media, etc.) Selección por torneos: eligen al azar S individuos de la población y selecciona al que tenga mayor aptitud (S determina la intensidad de la selección) Pueden ser torneos con o sin reemplazamiento.

13. Asigna a cada individuo i una probabilidad pi de ser seleccionado, de acuerdo a la razón de su valor de aptitud entre la suma de todos los valores de aptitud. Pi= fi / ∑j fj Los individuos con mayores aptitudes serán seleccionados mas probablemente que los menos aptos. Desventaja se comporta de manera diferente ante una función objetivo transpuesta F(x) + c

14. Ante individuos con aptitudes similares las probabilidades de selección tienden a ser uniformes. Estos trae como consecuencia que los mejores individuos tengan un poco mayor las probabilidades que los peores candidatos El mecanismo no progresa rápidamente Solución: utilizar valores de aptitud escalados para determinar las probabilidades de selección.

15. La forma en que las soluciones se representan en los individuos determinan en gran manera el éxito de los algoritmos evolutivos. Los códigos de Gray tienen grandes ventajas sobre al codificación binaria tradicional En problemas en que el objetivo es encontrar permutaciones es recomendable utilizar otras codificaciones (números enteros, árboles, autómatas).

16. Son componentes del algoritmos evolutivos que generan nuevas soluciones a partir de otras seleccionadas previamente. La forma específica de estos operadores depende en gran medida de la representación elegida para la solución. Existen varios tipos algoritmos de variación típicos.

17. El método más sencillo para producir nuevos algoritmos de mutación. En representaciones binarias este operador identifica aleatoriamente los bits que se van a mutar y cambia los valores de 0 a 1 y viceversa. En representaciones discretas con alfabetos, la mutación identifica aleatoriamente cuales posiciones se van a mutar.

18. Consiste en elegir al azar un punto de cruce en el interior de dos cromosomas y formar 2 nuevos individuos copiando el segmento izquierdo del cromosoma de un padre con el segmentos derecho del otro. Esto se puede generalizar a cruce de n puntos, donde los donadores se parten en n+1 segmentos al azar y los descendientes so obtienen tomado segmentos alternos de cada donador.

19. Cruce Uniforme: trata cada posición de los descendientes independientemente y decide aleatoriamente el donador para cada posición de los hijos. El cruce en n puntos mantiene juntos los genes que están cercanos entre sí en la representación, en cambio el cruce uniforme ignora completamente la posición delas variables en la representación

20. Los AE considerados son relativamente sencillos. De acuerdo a soluciones candidatos se eligen soluciones mas prometedoras. Estos funcionaran bien si el usuario elige una representación adecuada. AE conocidos como algoritmos de estimación y distribución. Omiten los operadores de variación inspirados en la genética, y utilizan métodos estadísticos. La distribución y estimación puede ser muy compleja. Los AED mas sencillos suponen la independencia de variables.

21. Los AE han sido utilizados por algunas décadas para resolver problemas complejos en diferentes áreas. La evolución es un proceso de resolución de problemas cuyo poder sólo comenzamos a comprender y explotar;

23. Gracias!!!!