Algoritmo genético
[1][2] Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular.
Deben tenerse en cuenta también las siguientes consideraciones: Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo se decide el reemplazo de los individuos para formar la nueva población.
Cada solución candidata tiene un conjunto de propiedades (sus cromosomas o genotipos) que pueden ser mutados y alterados.
Tradicionalmente, las soluciones se representan en binario como cadenas de ceros y unos, pero también son posibles otras codificaciones.
Los individuos más aptos son seleccionados estocásticamente de la población actual, y el genoma de cada individuo es modificado (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.
También se pueden usar representaciones de longitud variable, pero la implementación del entrecruzamiento cromosómico es más compleja en este caso.
Otros métodos califican solo a una muestra aleatoria de la población, ya que el proceso anterior puede llevar mucho tiempo.
En general, la aptitud física promedio se ha incrementado por este procedimiento para la población, ya que solo los mejores organismos de la primera generación son seleccionados para la cría, junto con una pequeña proporción de soluciones menos aptas.
Hay muchas referencias en Fogel (2006) que apoyan la importancia de la búsqueda basada en mutaciones.
Una tasa de recombinación que es demasiado alta puede conducir a la convergencia prematura del algoritmo genético.
La representación en coma flotante es natural para las estrategias de evolución y la programación evolutiva.
De esta manera, pequeños cambios en el número entero pueden ser fácilmente afectados por mutaciones o crossovers.
Esto se ha encontrado para ayudar a prevenir la convergencia prematura en las paredes llamadas Hamming, en el que demasiadas mutaciones simultáneas (o eventos de cruce) debe ocurrir con el fin de cambiar el cromosoma a una mejor solución.
Por ejemplo, en los problemas de ajuste en cascada del controlador, la estructura del controlador de bucle interno puede pertenecer a un regulador convencional de tres parámetros, mientras que el bucle externo podría implementar un controlador lingüístico (tal como un sistema difuso) que tiene una descripción inherentemente diferente.
Otras técnicas (como la simple subida de colinas) son bastante eficientes para encontrar el óptimo absoluto en una región limitada.
Esto significa que las reglas de variación genética pueden tener un significado diferente en el caso natural.
Esto es como añadir vectores que más probablemente pueden seguir una cresta en el paisaje fenotípico.
Por lo tanto, la eficiencia del proceso puede aumentarse en muchos órdenes de magnitud.
Tales algoritmos tienen como objetivo aprender (antes de explotar) estas interacciones fenotípicas beneficiosas.
Los algoritmos genéticos a menudo se aplican como un enfoque para resolver problemas de optimización global.
La simulación por computadora de la evolución comenzó tan pronto como en 1954 con el trabajo de Nils Aall Barricelli, que utilizaba la computadora en el instituto para el estudio avanzado en Princeton (Nueva Jersey).
Otros destacados primeros pioneros son Richard Friedberg, George Friedman y Michael Conrad.
La investigación en GAs permaneció en gran parte teórica hasta mediados de los años 80, cuando la primera conferencia internacional en algoritmos genéticos fue llevada a cabo en Pittsburgh, Pensilvania.
lanzó Evolver, el primer producto AG comercial para computadoras de escritorio.
El escritor de la tecnología del New York Times John Markoff escribió sobre Evolver en 1990, y siguió siendo el único algoritmo comercial interactivo hasta 1995.
Considérese el problema de insertar signos de suma o resta entre los dígitos 9 8 7 6 5 4 3 2 1 para construir una expresión cuyo valor sea 100; no vale añadir, retirar o desordenar a los dígitos.
Existen, por lo tanto, 3 a la 9 = 19683 expresiones distintas (por combinatoria) entre las cuales buscar aquellas con la suma deseada.
Sin embargo, este reto se presta para ilustrar los pasos de un proceso genético.
