Resumen analítico y explicativo de algoritmos genéticos

Vista previa del material en texto

Algoritmos Computacionales Grupo C 
M. Cruz Apuntes de prueba de regularización Curso de invierno 2022 
Resumen analítico y explicativo de algoritmos genéticos 
Los algoritmos genéticos (AG) son un tipo de algoritmo 
de optimización que se inspira en la evolución biológica. 
Los AG funcionan generando una población de 
soluciones candidatas, llamadas cromosomas, y luego 
seleccionando las soluciones más adecuadas para la 
reproducción. 
¿Qué es un algoritmo genético? 
Un algoritmo genético es un algoritmo de optimización 
que se basa en la evolución biológica. Los AG 
funcionan generando una población de soluciones 
candidatas, llamadas cromosomas, y luego 
seleccionando las soluciones más adecuadas para la 
reproducción. 
¿Cómo funcionan los algoritmos genéticos? 
Los AG funcionan de la siguiente manera: 
1. Inicialización: Se genera una población inicial de 
cromosomas, que son soluciones candidatas al 
problema de optimización. 
2. Selección: Se seleccionan los cromosomas más 
adecuados para la reproducción. La selección se 
suele realizar mediante un proceso de torneo, en 
el que se comparan dos cromosomas a la vez y 
el que tenga un mejor fitness (grado de 
adecuación a la solución) pasa a la siguiente 
generación. 
3. Cruce: Los cromosomas seleccionados se 
cruzan para generar nuevos cromosomas. El 
cruce es un proceso que combina partes de dos 
cromosomas para crear un nuevo cromosoma. 
4. Mutación: Algunos de los nuevos cromosomas 
se someten a mutación. La mutación es un 
proceso que introduce cambios aleatorios en un 
cromosoma. 
5. Reemplazo: Los nuevos cromosomas 
reemplazan a los cromosomas de la generación 
anterior. 
Ejemplo: 
Un ejemplo de un 
problema que se puede 
resolver con un 
algoritmo genético es la 
optimización de un 
diseño de circuito. En 
este caso, los 
cromosomas serían las 
diferentes 
configuraciones del 
circuito. La selección se 
podría realizar en 
función del rendimiento 
del circuito. El cruce 
podría realizarse 
intercambiando 
componentes entre dos 
circuitos. La mutación 
podría realizarse 
cambiando el valor de 
un componente. 
Ventajas y desventajas 
de los algoritmos 
genéticos 
Los AG tienen una serie 
de ventajas, entre ellas: 
• Pueden resolver 
problemas 
complejos que 
son difíciles de 
resolver con 
métodos 
tradicionales. 
• Son robustos a 
los ruidos y los 
errores. 
• Pueden encontrar 
soluciones que 
Algoritmos Computacionales Grupo C 
M. Cruz Apuntes de prueba de regularización Curso de invierno 2022 
son óptimas o casi óptimas. 
Sin embargo, los AG también tienen algunas 
desventajas, entre ellas: 
• Pueden ser lentos para converger a una solución 
óptima. 
• Pueden ser sensibles a la configuración de los 
parámetros. 
Conclusión 
Los algoritmos genéticos son una herramienta poderosa 
que se puede utilizar para resolver una amplia gama de 
problemas de optimización. Son una buena opción para 
problemas que son complejos o difíciles de resolver con 
métodos tradicionales. 
Ideas principales para estudiantes de universidad 
• Los algoritmos genéticos son un tipo de 
algoritmo de optimización que se basa en la 
evolución biológica. 
• Los AG funcionan generando una población de 
soluciones candidatas, llamadas cromosomas, y 
luego seleccionando las soluciones más 
adecuadas para la reproducción. 
• Los AG tienen una serie de ventajas, pero 
también pueden tener algunas desventajas. 
Recomendaciones para estudiantes de universidad 
• Para aprender más sobre algoritmos genéticos, 
se recomienda que los estudiantes de 
universidad consulten libros y artículos de 
investigación sobre el tema. 
• Los estudiantes de universidad también pueden 
encontrar recursos útiles en línea, como 
tutoriales y cursos. 
• Practicar con ejemplos de algoritmos genéticos 
es una excelente manera de aprender cómo 
funcionan estos algoritmos. 
Adiciones específicas para estudiantes de universidad 
• Los estudiantes 
de universidad 
pueden encontrar 
útil aprender 
sobre los 
diferentes tipos 
de operadores 
genéticos, como 
el cruce, la 
mutación y la 
selección. 
• Los estudiantes 
de universidad 
también pueden 
encontrar útil 
aprender sobre 
las diferentes 
técnicas de 
optimización con 
algoritmos 
genéticos, como 
la búsqueda local 
y la programación 
por restricciones. 
• Los estudiantes 
de universidad 
también pueden 
encontrar útil 
aprender sobre 
las diferentes 
aplicaciones de 
los algoritmos 
genéticos, como 
la optimización 
de diseño, la 
planificación y la 
búsqueda de 
patrones.