SlideShare una empresa de Scribd logo
Algoritmosgenéticos
que son
Un algoritmogenéticoconsisteenunafunciónmatemáticaounarutinade software que toma
como entradasa losejemplaresyretornacomosalidascualesde ellosdebengenerar
descendenciaparala nuevageneración.
Operadoresgenticos
Los algoritmosgenéticosfuncionanentre el conjuntode solucionesde unproblemallamado
fenotipo,yel conjuntode individuosde unapoblaciónnatural,codificandolainformaciónde
cada soluciónenunacadena,generalmentebinaria,llamadacromosoma.Lossímbolosque
formanla cadenason llamadoslosgenes.Cuandolarepresentaciónde loscromosomasse
hace con cadenasde dígitosbinariosse le conoce comogenotipo.Loscromosomas
evolucionanatravésde iteraciones,llamadasgeneraciones.Encada generación,los
cromosomassonevaluadosusandoalgunamedidade aptitud.Lassiguientesgeneraciones
(nuevoscromosomas),songeneradasaplicandolosoperadoresgenéticosrepetidamente,
siendoestoslosoperadoresde selección,cruzamiento,mutacióny reemplazo.
Cuándo usar estos algoritmos
Los algoritmosgenéticossonde probadaeficaciaencasode querercalcularfuncionesno
derivables(ode derivaciónmuycompleja) aunquesuusoesposible concualquierfunción.
Debentenerse encuentatambiénlas siguientesconsideraciones:
Si lafuncióna optimizartiene muchosmáximos/mínimoslocalesse requeriránmás
iteracionesdel algoritmopara"asegurar"el máximo/mínimoglobal.
Si lafuncióna optimizarcontiene variospuntosmuycercanosenvalor al óptimo,solamente
podemos"asegurar"que encontraremosunode ellos(nonecesariamente el óptimo).
Funcionamientode un algoritmo genéticobásico
Un algoritmogenéticopuedepresentardiversasvariaciones,dependiendode cómose aplican
losoperadores genéticos(cruzamiento,mutación),de cómose realizalaselecciónyde cómo
se decide el reemplazode losindividuosparaformarla nuevapoblación.Engeneral,el
pseudocódigoconsiste de lossiguientespasos:
Algoritmogenéticoi:inicialización,f(X): evaluación,?:condiciónde término,Se:selección,Cr:
cruzamiento,Mu:mutación,Re:reemplazo,X*:mejorsolución.
Inicialización:Se generaaleatoriamente lapoblacióninicial,que estáconstituidaporun
conjuntode cromosomasloscualesrepresentanlasposiblessolucionesdel problema.Encaso
de no hacerloaleatoriamente,esimportante garantizarque dentrode lapoblacióninicial,se
tengala diversidadestructural de estassolucionesparatenerunarepresentaciónde lamayor
parte de lapoblaciónposible oal menosevitarlaconvergenciaprematura.
Evaluación:A cada unode los cromosomasde estapoblaciónse aplicarálafunciónde
aptitudpara sabercómo de "buena"esla soluciónque se estácodificando.
Condiciónde términoEl AGse deberádetenercuandose alcance la soluciónóptima,pero
éstageneralmentese desconoce,porloque se debenutilizarotroscriteriosde detención.
Normalmente se usandoscriterios:correrel AGun númeromáximode iteraciones
(generaciones) odetenerlo cuandonohayacambiosen lapoblación.Mientrasnose cumplala
condiciónde términose hace losiguiente:
SelecciónDespuésde saberlaaptitudde cadacromosomase procede aelegirlos
cromosomasque seráncruzadosen lasiguiente generación.Loscromosomasconmejor
aptitudtienenmayorprobabilidadde serseleccionados.
RecombinaciónoCruzamientoLarecombinaciónesel principaloperadorgenético,
representalareproducciónsexual,operasobre doscromosomasala vezpara generardos
descendientesdonde se combinanlascaracterísticasde amboscromosomaspadres.
Mutaciónmodificaal azar parte del cromosomade los individuos,ypermitealcanzar
zonasdel espaciode búsquedaque noestabancubiertasporlosindividuosde lapoblación
actual.
Reemplazounavezaplicadoslosoperadoresgenéticos,se seleccionanlosmejores
individuosparaconformarlapoblaciónde lageneraciónsiguiente
Lógica difusa
La lógicadifusa (tambiénllamadalógicaborrosa) se basa enlorelativode loobservadocomo
posicióndiferencial.Este tipode lógicatomadosvalores aleatorios,perocontextualizadosy
referidosentre sí.Así,porejemplo,unapersonaque midadosmetrosesclaramente una
personaalta,si previamente se hatomadoel valorde personabajay se ha establecidoenun
metro.Ambosvaloresestáncontextualizadosapersonasyreferidosaunamedidamétrica
lineal
Mutacion
Clonación
Robotica
La robóticaesla cienciaque estudiaodiseña, lafabricaciónyutilizaciónde máquinas
automáticasprogramablesconel finde realizartareasrepetitivascomoel ensamblede
automóviles,aparatos,etc.,yotrasactividades.Básicamente,larobóticase ocupade todolo
concerniente alosrobots,locual incluye el control de motores,mecanismosautomáticos
neumáticos,sensores,sistemasde cómputos,
Lenguaje natural
estudialasinteraccionesentre lascomputadorasyel lenguajehumano.El PLN se ocupa de la
formulacióne investigaciónde mecanismoseficacescomputacionalmente parala
comunicaciónentre personasymáquinaspormediode lenguajesnaturales.El PLN notrata de
la comunicaciónpormediode lenguajesnaturalesde unaformaabstracta,sinode diseñar
mecanismosparacomunicarse que seaneficacescomputacionalmente —que se puedan
realizarpormediode programasque ejecutenosimulenlacomunicación—.Losmodelos
aplicados se enfocannosóloa la comprensióndel lenguaje de porsí,sinoa aspectosgenerales
cognitivoshumanosya laorganizaciónde lamemoria.El lenguaje natural sirve sólode medio
para estudiarestosfenómenos.Hastaladécadade 1980, la mayoría de lossistemasde PLN se
basabanen uncomplejoconjuntode reglasdiseñadasamano.A partirde finalesde 1980, sin
embargo,hubounarevoluciónenPLN conla introducciónde algoritmosde aprendizaje
automáticopara el procesamientodellenguaje.
Los fitnes
Crosover
Leyesdel robot
 Un robot no hará daño a un ser humano o, por inacción, permitir que un ser humano
sufra daño.
 Un robot debe obedecer las órdenes dadas por los seres humanos, excepto si estas
órdenes entrasen en conflicto con la 1ª Ley.
 Un robot debe proteger su propia existencia en la medida en que esta protección no
entre en conflicto con la 1ª o la 2ª Ley.1
Morfologíadel robot
Grados de libertaddel robot
Clasificación
Áreasde la robotica

Más contenido relacionado

Destacado

Cadmium Case Study
Cadmium Case StudyCadmium Case Study
Cadmium Case Study
affinitytrack
 
Adler Dentistry Case Study (part 2)
Adler Dentistry Case Study (part 2)Adler Dentistry Case Study (part 2)
Adler Dentistry Case Study (part 2)
affinitytrack
 
8 !кошкин
8 !кошкин8 !кошкин
8 !кошкин4smpir
 
The three little pigs
The three little pigsThe three little pigs
The three little pigs
cindylou301
 
Adler Dentistry Case Study (part 1)
Adler Dentistry Case Study (part 1)Adler Dentistry Case Study (part 1)
Adler Dentistry Case Study (part 1)affinitytrack
 
PACPlagi: a plagiarism detection tool for both teachers and students
PACPlagi: a plagiarism detection tool for both teachers and studentsPACPlagi: a plagiarism detection tool for both teachers and students
PACPlagi: a plagiarism detection tool for both teachers and studentsJordi Duran Cals
 
Comparison of Bariatric to Metabolic surgery- DR PRAVIN JOHN
Comparison of Bariatric to Metabolic surgery- DR PRAVIN JOHNComparison of Bariatric to Metabolic surgery- DR PRAVIN JOHN
Comparison of Bariatric to Metabolic surgery- DR PRAVIN JOHN
Alisha Prince
 
Work order management guide
Work order management guideWork order management guide
Work order management guidezhouxg
 
Lecture 1 enzyme assays nov02 2007
Lecture 1 enzyme assays nov02 2007Lecture 1 enzyme assays nov02 2007
Lecture 1 enzyme assays nov02 2007
mdroslan09
 
การวัดและประเมินผลทักษะการคิด
การวัดและประเมินผลทักษะการคิดการวัดและประเมินผลทักษะการคิด
การวัดและประเมินผลทักษะการคิด
Ict Krutao
 

Destacado (10)

Cadmium Case Study
Cadmium Case StudyCadmium Case Study
Cadmium Case Study
 
Adler Dentistry Case Study (part 2)
Adler Dentistry Case Study (part 2)Adler Dentistry Case Study (part 2)
Adler Dentistry Case Study (part 2)
 
8 !кошкин
8 !кошкин8 !кошкин
8 !кошкин
 
The three little pigs
The three little pigsThe three little pigs
The three little pigs
 
Adler Dentistry Case Study (part 1)
Adler Dentistry Case Study (part 1)Adler Dentistry Case Study (part 1)
Adler Dentistry Case Study (part 1)
 
PACPlagi: a plagiarism detection tool for both teachers and students
PACPlagi: a plagiarism detection tool for both teachers and studentsPACPlagi: a plagiarism detection tool for both teachers and students
PACPlagi: a plagiarism detection tool for both teachers and students
 
Comparison of Bariatric to Metabolic surgery- DR PRAVIN JOHN
Comparison of Bariatric to Metabolic surgery- DR PRAVIN JOHNComparison of Bariatric to Metabolic surgery- DR PRAVIN JOHN
Comparison of Bariatric to Metabolic surgery- DR PRAVIN JOHN
 
Work order management guide
Work order management guideWork order management guide
Work order management guide
 
Lecture 1 enzyme assays nov02 2007
Lecture 1 enzyme assays nov02 2007Lecture 1 enzyme assays nov02 2007
Lecture 1 enzyme assays nov02 2007
 
การวัดและประเมินผลทักษะการคิด
การวัดและประเมินผลทักษะการคิดการวัดและประเมินผลทักษะการคิด
การวัดและประเมินผลทักษะการคิด
 

Similar a Algoritmos genéticos

Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
gianellavn15
 
Algoritmos Genéticos_Inteligencia Artificial
Algoritmos Genéticos_Inteligencia ArtificialAlgoritmos Genéticos_Inteligencia Artificial
Algoritmos Genéticos_Inteligencia Artificial
Gabriela_Rodriguez
 
Agente inteligente
Agente inteligenteAgente inteligente
Agente inteligente
Luis Alberto Sachez Lopez
 
Xpin algoritmos genéticos
Xpin   algoritmos genéticosXpin   algoritmos genéticos
Xpin algoritmos genéticos
profesorgavit0
 
ALGORITMO GENETICO - II.pptx
ALGORITMO GENETICO - II.pptxALGORITMO GENETICO - II.pptx
ALGORITMO GENETICO - II.pptx
Castañeda Samanamu
 
A Geneticos
A GeneticosA Geneticos
A Geneticos
Xochilt Ramirez
 
Inteligencia artificial y las redes neuronales
Inteligencia artificial y las redes neuronalesInteligencia artificial y las redes neuronales
Inteligencia artificial y las redes neuronales
emily reyes lopez
 
5 herramienta aprendizaje algoritmos geneticos entorno matlab
5 herramienta aprendizaje algoritmos geneticos entorno matlab5 herramienta aprendizaje algoritmos geneticos entorno matlab
5 herramienta aprendizaje algoritmos geneticos entorno matlabMaje Gonzalez
 
Algoritmos geneticos
Algoritmos geneticosAlgoritmos geneticos
Algoritmos geneticos
Kevin Medina
 
Jgap algritmos geneticosss
Jgap  algritmos geneticosssJgap  algritmos geneticosss
Jgap algritmos geneticosss
Ciro Michel Quispe Ccahuin
 
Presentación
PresentaciónPresentación
PresentaciónStudent
 
Presentación
PresentaciónPresentación
PresentaciónStudent
 
Inteligencia artificial (1)
Inteligencia artificial (1)Inteligencia artificial (1)
Inteligencia artificial (1)
karlamoralesureta
 
Anatomía de un algoritmo genético en jenes
Anatomía de un algoritmo genético en jenesAnatomía de un algoritmo genético en jenes
Anatomía de un algoritmo genético en jenes
Luis Dimas Azocar
 
Algoritmo genetico
Algoritmo geneticoAlgoritmo genetico
Algoritmo genetico
Vane Erraez
 
Inteligencia artificial sashy muñoz ♥
Inteligencia artificial sashy muñoz ♥Inteligencia artificial sashy muñoz ♥
Inteligencia artificial sashy muñoz ♥
diane soto
 

Similar a Algoritmos genéticos (20)

Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
 
Algoritmos Genéticos_Inteligencia Artificial
Algoritmos Genéticos_Inteligencia ArtificialAlgoritmos Genéticos_Inteligencia Artificial
Algoritmos Genéticos_Inteligencia Artificial
 
Agente inteligente
Agente inteligenteAgente inteligente
Agente inteligente
 
Xpin algoritmos genéticos
Xpin   algoritmos genéticosXpin   algoritmos genéticos
Xpin algoritmos genéticos
 
ALGORITMO GENETICO - II.pptx
ALGORITMO GENETICO - II.pptxALGORITMO GENETICO - II.pptx
ALGORITMO GENETICO - II.pptx
 
A Geneticos
A GeneticosA Geneticos
A Geneticos
 
Inteligencia artificial y las redes neuronales
Inteligencia artificial y las redes neuronalesInteligencia artificial y las redes neuronales
Inteligencia artificial y las redes neuronales
 
5 herramienta aprendizaje algoritmos geneticos entorno matlab
5 herramienta aprendizaje algoritmos geneticos entorno matlab5 herramienta aprendizaje algoritmos geneticos entorno matlab
5 herramienta aprendizaje algoritmos geneticos entorno matlab
 
Algoritmos geneticos
Algoritmos geneticosAlgoritmos geneticos
Algoritmos geneticos
 
Jgap algritmos geneticosss
Jgap  algritmos geneticosssJgap  algritmos geneticosss
Jgap algritmos geneticosss
 
Presentación
PresentaciónPresentación
Presentación
 
Presentación
PresentaciónPresentación
Presentación
 
Inteligencia artificial (1)
Inteligencia artificial (1)Inteligencia artificial (1)
Inteligencia artificial (1)
 
Anatomía de un algoritmo genético en jenes
Anatomía de un algoritmo genético en jenesAnatomía de un algoritmo genético en jenes
Anatomía de un algoritmo genético en jenes
 
Algoritmo genetico
Algoritmo geneticoAlgoritmo genetico
Algoritmo genetico
 
La computación
La computaciónLa computación
La computación
 
020 algoritmos2
020 algoritmos2020 algoritmos2
020 algoritmos2
 
Inteligencia artificial sashy muñoz ♥
Inteligencia artificial sashy muñoz ♥Inteligencia artificial sashy muñoz ♥
Inteligencia artificial sashy muñoz ♥
 
Algoritmos genéticos 2 s lun 30 sep-13
Algoritmos genéticos 2 s lun 30 sep-13Algoritmos genéticos 2 s lun 30 sep-13
Algoritmos genéticos 2 s lun 30 sep-13
 
naturales
naturalesnaturales
naturales
 

Algoritmos genéticos

  • 1. Algoritmosgenéticos que son Un algoritmogenéticoconsisteenunafunciónmatemáticaounarutinade software que toma como entradasa losejemplaresyretornacomosalidascualesde ellosdebengenerar descendenciaparala nuevageneración. Operadoresgenticos Los algoritmosgenéticosfuncionanentre el conjuntode solucionesde unproblemallamado fenotipo,yel conjuntode individuosde unapoblaciónnatural,codificandolainformaciónde cada soluciónenunacadena,generalmentebinaria,llamadacromosoma.Lossímbolosque formanla cadenason llamadoslosgenes.Cuandolarepresentaciónde loscromosomasse hace con cadenasde dígitosbinariosse le conoce comogenotipo.Loscromosomas evolucionanatravésde iteraciones,llamadasgeneraciones.Encada generación,los cromosomassonevaluadosusandoalgunamedidade aptitud.Lassiguientesgeneraciones (nuevoscromosomas),songeneradasaplicandolosoperadoresgenéticosrepetidamente, siendoestoslosoperadoresde selección,cruzamiento,mutacióny reemplazo. Cuándo usar estos algoritmos Los algoritmosgenéticossonde probadaeficaciaencasode querercalcularfuncionesno derivables(ode derivaciónmuycompleja) aunquesuusoesposible concualquierfunción. Debentenerse encuentatambiénlas siguientesconsideraciones: Si lafuncióna optimizartiene muchosmáximos/mínimoslocalesse requeriránmás iteracionesdel algoritmopara"asegurar"el máximo/mínimoglobal. Si lafuncióna optimizarcontiene variospuntosmuycercanosenvalor al óptimo,solamente podemos"asegurar"que encontraremosunode ellos(nonecesariamente el óptimo). Funcionamientode un algoritmo genéticobásico Un algoritmogenéticopuedepresentardiversasvariaciones,dependiendode cómose aplican losoperadores genéticos(cruzamiento,mutación),de cómose realizalaselecciónyde cómo se decide el reemplazode losindividuosparaformarla nuevapoblación.Engeneral,el pseudocódigoconsiste de lossiguientespasos: Algoritmogenéticoi:inicialización,f(X): evaluación,?:condiciónde término,Se:selección,Cr: cruzamiento,Mu:mutación,Re:reemplazo,X*:mejorsolución.
  • 2. Inicialización:Se generaaleatoriamente lapoblacióninicial,que estáconstituidaporun conjuntode cromosomasloscualesrepresentanlasposiblessolucionesdel problema.Encaso de no hacerloaleatoriamente,esimportante garantizarque dentrode lapoblacióninicial,se tengala diversidadestructural de estassolucionesparatenerunarepresentaciónde lamayor parte de lapoblaciónposible oal menosevitarlaconvergenciaprematura. Evaluación:A cada unode los cromosomasde estapoblaciónse aplicarálafunciónde aptitudpara sabercómo de "buena"esla soluciónque se estácodificando. Condiciónde términoEl AGse deberádetenercuandose alcance la soluciónóptima,pero éstageneralmentese desconoce,porloque se debenutilizarotroscriteriosde detención. Normalmente se usandoscriterios:correrel AGun númeromáximode iteraciones (generaciones) odetenerlo cuandonohayacambiosen lapoblación.Mientrasnose cumplala condiciónde términose hace losiguiente: SelecciónDespuésde saberlaaptitudde cadacromosomase procede aelegirlos cromosomasque seráncruzadosen lasiguiente generación.Loscromosomasconmejor aptitudtienenmayorprobabilidadde serseleccionados. RecombinaciónoCruzamientoLarecombinaciónesel principaloperadorgenético, representalareproducciónsexual,operasobre doscromosomasala vezpara generardos descendientesdonde se combinanlascaracterísticasde amboscromosomaspadres. Mutaciónmodificaal azar parte del cromosomade los individuos,ypermitealcanzar zonasdel espaciode búsquedaque noestabancubiertasporlosindividuosde lapoblación actual. Reemplazounavezaplicadoslosoperadoresgenéticos,se seleccionanlosmejores individuosparaconformarlapoblaciónde lageneraciónsiguiente Lógica difusa La lógicadifusa (tambiénllamadalógicaborrosa) se basa enlorelativode loobservadocomo posicióndiferencial.Este tipode lógicatomadosvalores aleatorios,perocontextualizadosy referidosentre sí.Así,porejemplo,unapersonaque midadosmetrosesclaramente una personaalta,si previamente se hatomadoel valorde personabajay se ha establecidoenun metro.Ambosvaloresestáncontextualizadosapersonasyreferidosaunamedidamétrica lineal Mutacion Clonación Robotica La robóticaesla cienciaque estudiaodiseña, lafabricaciónyutilizaciónde máquinas automáticasprogramablesconel finde realizartareasrepetitivascomoel ensamblede automóviles,aparatos,etc.,yotrasactividades.Básicamente,larobóticase ocupade todolo concerniente alosrobots,locual incluye el control de motores,mecanismosautomáticos neumáticos,sensores,sistemasde cómputos,
  • 3. Lenguaje natural estudialasinteraccionesentre lascomputadorasyel lenguajehumano.El PLN se ocupa de la formulacióne investigaciónde mecanismoseficacescomputacionalmente parala comunicaciónentre personasymáquinaspormediode lenguajesnaturales.El PLN notrata de la comunicaciónpormediode lenguajesnaturalesde unaformaabstracta,sinode diseñar mecanismosparacomunicarse que seaneficacescomputacionalmente —que se puedan realizarpormediode programasque ejecutenosimulenlacomunicación—.Losmodelos aplicados se enfocannosóloa la comprensióndel lenguaje de porsí,sinoa aspectosgenerales cognitivoshumanosya laorganizaciónde lamemoria.El lenguaje natural sirve sólode medio para estudiarestosfenómenos.Hastaladécadade 1980, la mayoría de lossistemasde PLN se basabanen uncomplejoconjuntode reglasdiseñadasamano.A partirde finalesde 1980, sin embargo,hubounarevoluciónenPLN conla introducciónde algoritmosde aprendizaje automáticopara el procesamientodellenguaje. Los fitnes Crosover Leyesdel robot  Un robot no hará daño a un ser humano o, por inacción, permitir que un ser humano sufra daño.  Un robot debe obedecer las órdenes dadas por los seres humanos, excepto si estas órdenes entrasen en conflicto con la 1ª Ley.  Un robot debe proteger su propia existencia en la medida en que esta protección no entre en conflicto con la 1ª o la 2ª Ley.1 Morfologíadel robot Grados de libertaddel robot Clasificación Áreasde la robotica