![Computación evolutiva
Si algo funciona bien, ¿Por qué no imitarlo?. Pare responder a esta pregunta
tenemos que ir directamente al origen de lo que es la computación evolutiva.
Durante millones de años las especies se han adaptado para poder sobrevivir en
un medio cambiante. De la misma manera se podría tener una población de
potenciales soluciones a un problema de las que se irán seleccionando las
mejores hasta que se adapten al medio en este caso el problema a resolver.
En términos generales se podría definir la computación evolutiva, como una familia
de modelos computacionales inspirados en la evolución.
Más formalmente el término de computación evolutiva se refiere al estudio de los
fundamentos y aplicaciones de ciertas técnicas heurísticas basadas en los
principios de la selección natural. Estas técnicas heurísticas pueden clasificarse en
3 categorías principales dando lugar a la ecuación evolutiva.
El desarrollo de los Algoritmos Genéticos se debe en gran medida a John Holland,
investigador de la Universidad de Michigan. A finales de la década de los 60
desarrollo una técnica que imitaba en su funcionamiento a la selección natural.
Aunque originalmente esta técnica recibió el nombre de planes reproductivos, a
raız de la publicacion en 1975 de su libro “Adaptation in Natural and artificial
Systems” [Holland, 1975] se conoce principalmente con el nombre algoritmos
genéticos.
A grandes rasgos un Algoritmo Genético consiste en una población de soluciones
codificadas de forma similar a cromosomas. Cada uno de estos cromosomas
tendrá asociado un ajuste, valor de bondad, ajuste o fitness, que cuantifica su
validez como solución al problema. En función de este valor se le darán más o
menos oportunidades de reproducción. Además, con cierta probabilidad se
realizaran mutaciones de estos cromosomas.](https://image.slidesharecdn.com/resumen2unidad-100322162538-phpapp02/85/computacion-Evolutiva-2-320.jpg)
![La Programación Evolutiva surge principalmente a raız del trabajo “Artificial
Intelligence Through Simulated Evolution” de Fogel, Owens y Walsh,publicado en
1966 [Fogel et al., 1966]. En este caso los individuos, conocidos aquí como
organismos, son maquinas de estado finito. Los organismos que mejor resuelven
alguna de las funciones objetivo obtienen la oportunidad de reproducirse. Antes de
producirse los cruces para generar la descendencia se realiza una mutación sobre
los padres.
Codificación de problemas
Cualquier solución potencial a un problema puede ser presentada dando valores a
una serie de parámetros. El conjunto de todos los parámetros (genes) se codifica
en una cadena de valores denominada cromosoma.
El conjunto de los parámetros representado por un cromosoma particular recibe el
nombre de genotipo. El genotipo contiene la información necesaria para la
construcción del organismo, es decir, la solución real al problema, denominada
fenotipo. Por ejemplo, en términos biológicos, la información genética contenida en
el ADN de un individuo sería el genotipo, mientras que la expresión de ese ADN
(el propio individuo) sería el fenotipo. Desde los primeros trabajos de John Holland
la codificación suele hacerse mediante valores binarios. Se asigna un determinado
número de bits a cada parámetro y se realiza una discretizacion de la variable
representada por cada gen. El número de bits asignados dependerá del grado de
ajuste que se desee alcanzar. Evidentemente no todos los parámetros tienen
porque estar codificados con el mismo número de bits. Cada uno de los bits
pertenecientes a un gen suele recibir el nombre de alelo.
Individuo Genético Binario](https://image.slidesharecdn.com/resumen2unidad-100322162538-phpapp02/85/computacion-Evolutiva-3-320.jpg)
![Selección por Ruleta
Propuesto por DeJong, es posiblemente el método más utilizado desde los
orígenes de los Algoritmos Genéticos [Blickle and Thiele, 1995].
A cada uno de los individuos de la población se le asigna una parte proporcional a
su ajuste de una ruleta, de tal forma que la suma de todos los porcentajes sea la
unidad. Los mejores individuos recibirán una porción de la ruleta mayor que la
recibida por los peores. Generalmente la población está ordenada en base al
ajuste por lo que las porciones más grandes se encuentran al inicio de la ruleta.
Para seleccionar un individuo basta con generar un número aleatorio del intervalo
[0..1] y devolver el individuo situado en esa posición de la ruleta. Esta posición se
suele obtener recorriendo los individuos de la población y acumulando sus
proporciones de ruleta hasta que la suma exceda el valor obtenido.
Selección por Torneo
La idea principal de este método consiste en realizar la selección en base a
comparaciones directas entre individuos. Existen dos versiones de selección
Mediante torneo:
Determinıstica
Probabilıstica
En la versión determinıstica se selecciona al azar un número p de individuos
(generalmente se escoge p = 2). De entre los individuos seleccionados se
selecciona el más apto para pasarlo a la siguiente generación.
La versión probabilıstica únicamente se diferencia en el paso de selección del
ganador del torneo. En vez de escoger siempre el mejor se genera un número
aleatorio del intervalo [0..1], si es mayor que un parámetro p (fijado para todo el
Proceso evolutivo) se escoge el individuo más alto y en caso contrario el menos
apto. Generalmente p toma valores en el rango 0, 5 < p · 1.
Algoritmos de Reemplazo
Cuando en vez de trabajar con una población temporal se hace con una única
población, sobre la que se realizan las selecciones e inserciones, deberá tenerse
en cuenta que para insertar un nuevo individuo deberá de eliminarse previamente
otro de la población. Existen diferentes métodos de reemplazo:
Aleatorio: el nuevo individuo se inserta en un lugar cualquiera de la población.
Reemplazo de padres: se obtiene espacio para la nueva descendencia
Liberando el espacio ocupado por los padres.
Reemplazo de similares: una vez obtenido el ajuste de la descendencia se
selecciona un grupo de individuos (entre seis y diez) de la población con un ajuste
similar. Se reemplazan aleatoriamente los que sean necesarios.](https://image.slidesharecdn.com/resumen2unidad-100322162538-phpapp02/85/computacion-Evolutiva-5-320.jpg)
computacion Evolutiva
- 1. Computación evolutiva Resumen 2Da unidad Temas: ¿Que es computación evolutiva? ¿Representación? ¿Métodos de Selección y Reemplazo? ? Alumno: L.I. Duran García Natanael
- 2. Computación evolutiva Si algo funciona bien, ¿Por qué no imitarlo?. Pare responder a esta pregunta tenemos que ir directamente al origen de lo que es la computación evolutiva. Durante millones de años las especies se han adaptado para poder sobrevivir en un medio cambiante. De la misma manera se podría tener una población de potenciales soluciones a un problema de las que se irán seleccionando las mejores hasta que se adapten al medio en este caso el problema a resolver. En términos generales se podría definir la computación evolutiva, como una familia de modelos computacionales inspirados en la evolución. Más formalmente el término de computación evolutiva se refiere al estudio de los fundamentos y aplicaciones de ciertas técnicas heurísticas basadas en los principios de la selección natural. Estas técnicas heurísticas pueden clasificarse en 3 categorías principales dando lugar a la ecuación evolutiva. El desarrollo de los Algoritmos Genéticos se debe en gran medida a John Holland, investigador de la Universidad de Michigan. A finales de la década de los 60 desarrollo una técnica que imitaba en su funcionamiento a la selección natural. Aunque originalmente esta técnica recibió el nombre de planes reproductivos, a raız de la publicacion en 1975 de su libro “Adaptation in Natural and artificial Systems” [Holland, 1975] se conoce principalmente con el nombre algoritmos genéticos. A grandes rasgos un Algoritmo Genético consiste en una población de soluciones codificadas de forma similar a cromosomas. Cada uno de estos cromosomas tendrá asociado un ajuste, valor de bondad, ajuste o fitness, que cuantifica su validez como solución al problema. En función de este valor se le darán más o menos oportunidades de reproducción. Además, con cierta probabilidad se realizaran mutaciones de estos cromosomas.
- 3. La Programación Evolutiva surge principalmente a raız del trabajo “Artificial Intelligence Through Simulated Evolution” de Fogel, Owens y Walsh,publicado en 1966 [Fogel et al., 1966]. En este caso los individuos, conocidos aquí como organismos, son maquinas de estado finito. Los organismos que mejor resuelven alguna de las funciones objetivo obtienen la oportunidad de reproducirse. Antes de producirse los cruces para generar la descendencia se realiza una mutación sobre los padres. Codificación de problemas Cualquier solución potencial a un problema puede ser presentada dando valores a una serie de parámetros. El conjunto de todos los parámetros (genes) se codifica en una cadena de valores denominada cromosoma. El conjunto de los parámetros representado por un cromosoma particular recibe el nombre de genotipo. El genotipo contiene la información necesaria para la construcción del organismo, es decir, la solución real al problema, denominada fenotipo. Por ejemplo, en términos biológicos, la información genética contenida en el ADN de un individuo sería el genotipo, mientras que la expresión de ese ADN (el propio individuo) sería el fenotipo. Desde los primeros trabajos de John Holland la codificación suele hacerse mediante valores binarios. Se asigna un determinado número de bits a cada parámetro y se realiza una discretizacion de la variable representada por cada gen. El número de bits asignados dependerá del grado de ajuste que se desee alcanzar. Evidentemente no todos los parámetros tienen porque estar codificados con el mismo número de bits. Cada uno de los bits pertenecientes a un gen suele recibir el nombre de alelo. Individuo Genético Binario
- 4. Tipos de Representación Durante los primeros años el tipo de representación utilizado era siempre binario, debido a que se adapta perfectamente al tipo de operaciones y el tipo de operadores que se utilizan en un AG. Sin embargo, las representaciones binarias no son siempre efectivas por lo que se empezaron a utilizar otro tipo de representaciones. En general, una representación ha de ser capaz de identificar las características constituyentes de un conjunto de soluciones, de forma que distintas representaciones dan lugar a distintas perspectivas y por tanto distintas soluciones. Podemos considerar tres tipos básicos de representaciones: Representación binaria: Cada gen es un valor 1 ó 0. 101101 Representación entera: Cada gen es un valor entero. 1 0 3 -1 0 4 Representación real: Cada gen es un valor real. 1,78 2,6 7 0 -1,2 6,5 Métodos de Selección y Reemplazo Selección Los algoritmos de selección serán los encargados de escoger que individuos van a disponer de oportunidades de reproducirse y cuáles no. Puesto que se trata de imitar lo que ocurre en la naturaleza, se ha de otorgar un mayor número de oportunidades de reproducción a los individuos más aptos. Por lo tanto la selección de un individuo estar ‘a relacionada con su valor de ajuste. No se debe sin embargo eliminar por completo las opciones de reproducción de los individuos menos aptos, pues en pocas generaciones la población se volvería homogénea.
- 5. Selección por Ruleta Propuesto por DeJong, es posiblemente el método más utilizado desde los orígenes de los Algoritmos Genéticos [Blickle and Thiele, 1995]. A cada uno de los individuos de la población se le asigna una parte proporcional a su ajuste de una ruleta, de tal forma que la suma de todos los porcentajes sea la unidad. Los mejores individuos recibirán una porción de la ruleta mayor que la recibida por los peores. Generalmente la población está ordenada en base al ajuste por lo que las porciones más grandes se encuentran al inicio de la ruleta. Para seleccionar un individuo basta con generar un número aleatorio del intervalo [0..1] y devolver el individuo situado en esa posición de la ruleta. Esta posición se suele obtener recorriendo los individuos de la población y acumulando sus proporciones de ruleta hasta que la suma exceda el valor obtenido. Selección por Torneo La idea principal de este método consiste en realizar la selección en base a comparaciones directas entre individuos. Existen dos versiones de selección Mediante torneo: Determinıstica Probabilıstica En la versión determinıstica se selecciona al azar un número p de individuos (generalmente se escoge p = 2). De entre los individuos seleccionados se selecciona el más apto para pasarlo a la siguiente generación. La versión probabilıstica únicamente se diferencia en el paso de selección del ganador del torneo. En vez de escoger siempre el mejor se genera un número aleatorio del intervalo [0..1], si es mayor que un parámetro p (fijado para todo el Proceso evolutivo) se escoge el individuo más alto y en caso contrario el menos apto. Generalmente p toma valores en el rango 0, 5 < p · 1. Algoritmos de Reemplazo Cuando en vez de trabajar con una población temporal se hace con una única población, sobre la que se realizan las selecciones e inserciones, deberá tenerse en cuenta que para insertar un nuevo individuo deberá de eliminarse previamente otro de la población. Existen diferentes métodos de reemplazo: Aleatorio: el nuevo individuo se inserta en un lugar cualquiera de la población. Reemplazo de padres: se obtiene espacio para la nueva descendencia Liberando el espacio ocupado por los padres. Reemplazo de similares: una vez obtenido el ajuste de la descendencia se selecciona un grupo de individuos (entre seis y diez) de la población con un ajuste similar. Se reemplazan aleatoriamente los que sean necesarios.
- 6. Reemplazo de los peores: de entre un porcentaje de los peores individuos de la población se seleccionan aleatoriamente los necesarios para dejar sitio a la descendencia. Cruce Una vez seleccionados los individuos, estos son recombinados para producir la descendencia que se insertara en la siguiente generación. Su importancia para la transición entre generaciones es elevada puesto que las tasas de cruce con las que se suele trabajar rondan el 90%. Los diferentes métodos de cruce podrían operar de dos formas diferentes. Si se opta por una estrategia destructiva los descendientes se insertaran en la Población temporal aunque sus padres tengan mejor ajuste (trabajando con una única población esta comparación se realizará con los individuos a reemplazar) Por el contrario utilizando una estrategia no destructiva la descendencia pasará a la siguiente generación únicamente si supera la función aptitud del ajuste de los padres. Existen multitud de algoritmos de cruce. Sin embargo los mas empleados son: Cruce de 1 punto Cruce de 2 puntos Cruce uniforme Mutación La mutación de un individuo provoca que alguno de sus genes, generalmente uno solo, varıe su valor de forma aleatoria. Aunque se pueden seleccionar los individuos directamente de la población actual y mutarlos antes de introducirlos en la nueva población, la mutación se suele utilizar de manera conjunta con el operador de cruce. Primeramente se seleccionan dos individuos de la población para realizar el cruce. Si el cruce tiene exito entonces uno de los descendientes, o ambos, se muta con cierta probabilidad Pm. Se imita de esta manera el comportamiento que se da en la naturaleza, pues cuando se genera la descendencia siempre se produce algún tipo de error, por lo general sin mayor trascendencia, en el paso de la carga genética de padres a hijos. La probabilidad de mutación es muy baja, generalmente menor al 1%. Esto se debe sobre todo a que los individuos suelen tener un ajuste menor después de Mutados. Sin embargo se realizan mutaciones para garantizar que ningún punto del espacio de búsqueda tenga una probabilidad nula de ser examinado.