Algoritmos geneticos

UNIVERSIDAD NACIONAL MICAELA BASTIDAS
DE APURIMAC

CURSO: ALGORITMICA III

TEMA Nº5

Anonimo.

DOCENTE: ING. RAUL PEÑA MALLMA

AÑO: 2012

Tambiurco-ABANCAY

ALGORITMICA III

UNIVERSIDAD NACIONAL MICAELA BASTIDAS DE APURIMAC

Índice

ALGORITMOS GENÉTICOS……………………………………………………….4

Métodos de representación…………………………………………………..….5

Métodos de selección……………………………………………………………..7

Métodos de cambio………………………………………………………………..9

Otras técnicas de resolución de problemas………………………………….10

Redes neuronales………………………………………………………………….11

Ascenso a colina (Hill Climbing)……………………………………………….12

Recocido simulado (simulated annealing)……………………………………13

Una breve historia de los AGs…………………………………………………..13

¿Cuáles son las ventajas de los AGs?....................................................16

¿Cuáles son las limitaciones de los AGs? …………………………………..22

Algunos ejemplos específicos de AG……………………………………….…28

Acústica………………………………………………………………………….….28

Ingeniería aeroespacial……………………………………………………………30

Astronomía y astrofísica……………………………………………………….…33

Ingeniería eléctrica……………………………………………………….…….…37

Mercados financieros…………………………………………………………….39

ING.INFORMATICA Y SISTEMAS
ALGORITMOS GENETICOS
2


Juegos ………………………………………………………………………………42

Geofísica………………………………………………………………………….…46

Ingeniería de materiales………………………………………………………….48

Matemáticas y algoritmia……………………………………………………..…50

Ejército y cumplimiento de la ley ………………………………………….….52

Biología molecular…………………………………………………………..……54

Reconocimiento de patrones y explotación de datos ……………….……56

Diseño de rutas y horarios………………………………………………………61

Ingeniería de sistemas …………………………………………………….……65

Los AGs no tienen múltiples sistemas de lectura………………………….79

Los AGs tienen objetivos predeterminados………………………………….80

Los AGs no generan información nueva en realida………………………82

3


ALGORITMO GENÉTICO

Expuesto concisamente, un algoritmo genético (o AG para abreviar) es una
técnica de programación que imita a la evolución biológica como estrategia para
resolver problemas. Dado un problema específico a resolver, la entrada del AG es
un conjunto de soluciones potenciales a ese problema, codificadas de alguna
manera, y una métrica llamada función de aptitud que permite evaluar
cuantitativamente a cada candidata. Estas candidatas pueden ser soluciones que
ya se sabe que funcionan, con el objetivo de que el AG las mejore, pero se suelen
generar aleatoriamente.

Luego el AG evalúa cada candidata de acuerdo con la función de aptitud. En un
acervo de candidatas generadas aleatoriamente, por supuesto, la mayoría no
funcionarán en absoluto, y serán eliminadas. Sin embargo, por puro azar, unas
pocas pueden ser prometedoras -pueden mostrar actividad, aunque sólo sea
actividad débil e imperfecta, hacia la solución del problema.

Estas candidatas prometedoras se conservan y se les permite reproducirse. Se
realizan múltiples copias de ellas, pero las copias no son perfectas; se introducen
cambios aleatorios durante el proceso de copia. Luego, esta descendencia digital
prosigue con la siguiente generación, formando un nuevo acervo de soluciones
candidatas, y son sometidas a una ronda de evaluación de aptitud. Las candidatas
que han empeorado o no han mejorado con los cambios en su código son
eliminadas de nuevo; pero, de nuevo, por puro azar, las variaciones aleatorias
introducidas en la población pueden haber mejorado a algunos individuos,
convirtiéndolos en mejores soluciones del problema, más completas o más
eficientes. De nuevo, se selecionan y copian estos individuos vencedores hacia la
siguiente generación con cambios aleatorios, y el proceso se repite. Las
expectativas son que la aptitud media de la población se incrementará en cada
ronda y, por tanto, repitiendo este proceso cientos o miles de rondas, pueden
descubrirse soluciones muy buenas del problema.
4


Aunque a algunos les puede parecer asombroso y antiintuitivo, los algoritmos
genéticos han demostrado ser una estrategia enormemente poderosa y exitosa
para resolver problemas, demostrando de manera espectacular el poder de los
principios evolutivos. Se han utilizado algoritmos genéticos en una amplia variedad
de campos para desarrollar soluciones a problemas tan difíciles o más difíciles que
los abordados por los diseñadores humanos. Además, las soluciones que
consiguen son a menudo más eficientes, más elegantes o más complejas que
nada que un ingeniero humano produciría. ¡En algunos casos, los algoritmos
genéticos han producido soluciones que dejan perplejos a los programadores que
escribieron los algoritmos en primera instancia!

Métodos de representación

Antes de que un algoritmo genético pueda ponerse a trabajar en un problema, se
necesita un método para codificar las soluciones potenciales del problema de
forma que una computadora pueda procesarlas. Un enfoque común es codificar
las soluciones como cadenas binarias: secuencias de 1s y 0s, donde el dígito de
cada posición representa el valor de algún aspecto de la solución. Otro método
similar consiste en codificar las soluciones como cadenas de enteros o números
decimales, donde cada posición, de nuevo, representa algún aspecto particular de
la solución. Este método permite una mayor precisión y complejidad que el método
comparativamente restringido de utilizar sólo números binarios, y a menudo ``está
intuitivamente más cerca del espacio de problemas'' .

Esta técnica se utilizó, por ejemplo, en el trabajo de Steffen Schulze-Kremer, que
escribió un algoritmo genético para predecir la estructura tridimensional de una
proteína, basándose en la secuencia de aminoácidos que la componen . El AG de
Schulze-Kremer utilizaba números reales para representar los famosos ``ángulos
de torsión'' entre los enlaces peptídicos que conectan a los aminoácidos. (Una
proteína está formada por una secuencia de bloques básicos llamados
aminoácidos, que se conectan como los eslabones de una cadena. Una vez que

5


todos los aminoácidos están enlazados, la proteína se dobla formando una
compleja estructura tridimensional, basada en cuáles aminoácidos se atraen entre
ellos y cuáles se repelen. La forma de una proteína determina su función). Los
algoritmos genéticos para entrenar a las redes neuronales también utilizan a
menudo este método de codificación.

Un tercer método consiste en representar a los individuos de un AG como
cadenas de letras, donde cada letra, de nuevo, representa un aspecto específico
de la solución. Un ejemplo de esta técnica es el método basado en ``codificación
gramática'' de Hiroaki Kitano, en el que a un AG se le encargó la tarea de
evolucionar un sencillo conjunto de reglas llamadas gramática libre de contexto,
que a su vez se utilizaban para generar redes neuronales para una variedad de
problemas .

La virtud de estos tres métodos es que facilitan la definición de operadores que
causen los cambios aleatorios en las candidatas seleccionadas: cambiar un 0 por
un 1 o viceversa, sumar o restar al valor de un número una cantidad elegida al
azar, o cambiar una letra por otra. (Ver la sección sobre los métodos de cambio
para más detalles acerca de los operadores genéticos). Otra estrategia,
desarrollada principalmente por John Koza, de la Universidad de Stanford, y
denominada programación genética, representa a los programas como estructuras
de datos ramificadas llamadas árboles . En este método, los cambios aleatorios
pueden generarse cambiado el operador o alterando el valor de un cierto nodo del
árbol, o sustituyendo un subárbol por otro.

6


Figure: Tres sencillos árboles de programa del tipo utilizado normalmente en la
programación genética. Debajo se proporciona la expresión matemática que
representa cada uno.

Es importante señalar que los algoritmos evolutivos no necesitan representar las
soluciones candidatas como cadenas de datos de una longitud fija. Algunos las
representan de esta manera, pero otros no; por ejemplo, la ``codificación
gramatical'' de Kitano, explicada arriba, puede escalarse eficientemente para crear
redes neuronales grandes y complejas, y los árboles de programación genética de
Koza pueden crecer arbitrariamente tanto como sea necesario para resolver
cualquier problema que se les pida.

Métodos de selección

Un algoritmo genético puede utilizar muchas técnicas diferentes para seleccionar a
los individuos que deben copiarse hacia la siguiente generación, pero abajo se
listan algunos de los más comunes. Algunos de estos métodos son mutuamente
exclusivos, pero otros pueden utilizarse en combinación, algo que se hace a
menudo.

Selección elitista: se garantiza la selección de los miembros más aptos de
cada generación. (La mayoría de los AGs no utilizan elitismo puro, sino que
usan una forma modificada por la que el individuo mejor, o algunos de los

7


mejores, son copiados hacia la siguiente generación en caso de que no
surja nada mejor).
Selección proporcional a la aptitud: los individuos más aptos tienen más
probabilidad de ser seleccionados, pero no la certeza.
Selección por rueda de ruleta: una forma de selección proporcional a la
aptitud en la que la probabilidad de que un individuo sea seleccionado es
proporcional a la diferencia entre su aptitud y la de sus competidores.
(Conceptualmente, esto puede representarse como un juego de ruleta -
cada individuo obtiene una sección de la ruleta, pero los más aptos
obtienen secciones mayores que las de los menos aptos. Luego la ruleta se
hace girar, y en cada vez se elige al individuo que ``posea'' la sección en la
que se pare la ruleta).
Selección escalada: al incrementarse la aptitud media de la población, la
fuerza de la presión selectiva también aumenta y la función de aptitud se
hace más discriminadora. Este método puede ser útil para seleccionar más
tarde, cuando todos los individuos tengan una aptitud relativamente alta y
sólo les distingan pequeñas diferencias en la aptitud.
Selección por torneo: se eligen subgrupos de individuos de la población, y
los miembros de cada subgrupo compiten entre ellos. Sólo se elige a un
individuo de cada subgrupo para la reproducción.
Selección por rango: a cada individuo de la población se le asigna un rango
numérico basado en su aptitud, y la selección se basa en este ranking, en
lugar de las diferencias absolutas en aptitud. La ventaja de este método es
que puede evitar que individuos muy aptos ganen dominancia al principio a
expensas de los menos aptos, lo que reduciría la diversidad genética de la
población y podría obstaculizar la búsqueda de una solución aceptable.
Selección generacional: la descendencia de los individuos seleccionados en
cada generación se convierte en toda la siguiente generación. No se
conservan individuos entre las generaciones.

8


Selección por estado estacionario: la descendencia de los individuos
seleccionados en cada generación vuelven al acervo genético preexistente,
reemplazando a algunos de los miembros menos aptos de la siguiente
generación. Se conservan algunos individuos entre generaciones.
Selección jerárquica: los individuos atraviesan múltiples rondas de
selección en cada generación. Las evaluaciones de los primeros niveles
son más rápidas y menos discriminatorias, mientras que los que sobreviven
hasta niveles más altos son evaluados más rigurosamente. La ventaja de
este método es que reduce el tiempo total de cálculo al utilizar una
evaluación más rápida y menos selectiva para eliminar a la mayoría de los
individuos que se muestran poco o nada prometedores, y sometiendo a una
evaluación de aptitud más rigurosa y computacionalmente más costosa sólo
a los que sobreviven a esta prueba inicial.

Métodos de cambio

Una vez que la selección ha elegido a los individuos aptos, éstos deben ser
alterados aleatoriamente con la esperanza de mejorar su aptitud para la siguiente
generación. Existen dos estrategias básicas para llevar esto a cabo. La primera y
más sencilla se llama mutación. Al igual que una mutación en los seres vivos
cambia un gen por otro, una mutación en un algoritmo genético también causa
pequeñas alteraciones en puntos concretos del código de un idividuo.

El segundo método se llama cruzamiento, e implica elegir a dos individuos para
que intercambien segmentos de su código, produciendo una ``descendencia''
artificial cuyos individuos son combinaciones de sus padres. Este proceso
pretende simular el proceso análogo de la recombinación que se da en los
cromosomas durante la reproducción sexual. Las formas comunes de cruzamiento
incluyen al cruzamiento de un punto, en el que se establece un punto de
intercambio en un lugar aleatorio del genoma de los dos individuos, y uno de los

9


individuos contribuye todo su código anterior a ese punto y el otro individuo
contribuye todo su código a partir de ese punto para producir una descendencia, y
al cruzamiento uniforme, en el que el valor de una posición dada en el genoma de
la descendencia corresponde al valor en esa posición del genoma de uno de los
padres o al valor en esa posición del genoma del otro padre, elegido con un 50%
de probabilidad.

Figure: Cruzamiento y mutación. El diagrama de arriba ilustra el efecto de estos
dos operadores genéticos en los individuos de una población de cadenas de 8
bits. El diagrama superior muestra a dos individuos llevando a cabo un
cruzamiento de un punto; el punto de intercambio se establece entre las
posiciones quinta y sexta del genoma, produciendo un nuevo individuo que es
híbrido de sus progenitores. El segundo diagrama muestra a un individuo
sufriendo una mutación en la posición 4, cambiando el 0 de esa posición de su
genoma por un 1.

Otras técnicas de resolución de problemas

Con el auge de la informática de inteligencia artificial y el desarrollo de los
métodos heurísticos, han emergido otras técnicas de resolución computerizada de
problemas que en algunos aspectos son similares a los algoritmos genéticos. Esta
sección explica algunas de estas técnicas, en qué se parecen a los AGs y en qué
se diferencian.

10


Redes neuronales

Una red neuronal es un método de resolución de problemas basado en un modelo
informático de la manera en que están conectadas las neuronas del cerebro. Una
red neuronal consiste en capas de unidades procesadoras, llamadas nodos,
unidas por conexiones direccionales: una capa de entrada, una capa de salida y
cero o más capas ocultas enmedio. Se le presenta un patrón inicial de entrada a la
capa de entrada, y luego los nodos que se estimulan transmiten una señal a los
nodos de la siguiente capa a la que están conectados. Si la suma de todas las
entradas que entran en una de estas neuronas virtuales es mayor que el famoso
umbral de activación de la neurona, esa neurona se activa, y transmite su propia
señal a las neuronas de la siguiente capa. El patrón de activación, por tanto, se
propaga hacia delante hasta que alcanza a la capa de salida, donde es devuelto
como solución a la entrada presentada. Al igual que en el sistema nervioso de los
organismos biológicos, las redes neuronales aprenden y afinan su rendimiento a lo
largo del tiempo, mediante la repetición de rondas en las que se ajustan sus
umbrales, hasta que la salida real coincide con la salida deseada para cualquier
entrada dada. Este proceso puede ser supervisado por un experimentador
humano, o puede correr automáticamente utilizando un algoritmo de aprendizaje
.Se han utilizado algoritmos genéticos para construir y entrenar a redes
neuronales.

11


Figure: Una sencilla red neuronal anticipativa (feedforward), con una capa
consistente en cuatro neuronas, una capa oculta consistente en tres neuronas y
una capa de salida consistente en cuatro neuronas. El número de cada neurona
representa su umbral de activación: sólo se excitará si recibe al menos esa
cantidad de entradas. El diagrama muestra cómo la red neuronal recibe una
cadena de entrada y cómo la activación se extiende por la red hasta producir una
salida.

Ascenso a colina (Hill Climbing)

Similares a los algoritmos genéticos, aunque más sistemáticos y menos aleatorios.
Un algoritmo de ascenso a colina comienza con una solución al problema a mano,
normalmente elegida al azar. Luego, la cadena se muta, y si la mutación
proporciona una solución con mayor aptitud que la solución anterior, se conserva
la nueva solución; en caso contrario, se conserva la solución actual. Luego el
algoritmo se repite hasta que no se pueda encontrar una mutación que provoque
un incremento en la aptitud de la solución actual, y esta solución se devuelve
como . (Para entender de dónde viene el nombre de esta técnica, imagine que el
espacio de todas las soluciones posibles de un cierto problema se representa
como un paisaje tridimensional. Un conjunto de coordenadas en ese paisaje
representa una solución particular. Las soluciones mejores están a mayor altitud,
formando colinas y picos; las que son peores están a menor altitud, formando
valles. Un ``trepacolinas'' es, por tanto, un algoritmo que comienza en un punto
dado del paisaje y se mueve inexorablemente colina arriba). El algoritmo de
ascenso a colina es lo que se conoce como algoritmo voraz, lo que significa que
siempre hace la mejor elección disponible en cada paso, con la esperanza de que
de esta manera se puede obtener el mejor resultado global. En contraste, los
métodos como los algoritmos genéticos y el recocido simulado, discutido abajo, no
son voraces; a veces, estos métodos hacen elecciones menos óptimas al principio
con la esperanza de que conducirán hacia una solución mejor más adelante.

12


Recocido simulado (simulated annealing)

Otra técnica de optimización similar a los algoritmos evolutivos se conoce como
recocido simulado. La idea toma prestado su nombre del proceso industrial en el
que un material se calienta por encima de su punto de fusión y luego se enfría
gradualmente para eliminar defectos en su estructura cristalina, produciendo un
entramado de átomos más estable y regular .En el recocido simulado, como en los
algoritmos genéticos, existe una función de aptitud que define un paisaje
adaptativo; sin embargo, en lugar de una población de candidatas como en los
AGs, sólo existe una solución candidata. El recocido simulado también añade el
concepto de ``temperatura'', una cantidad numérica global que disminuye
gradualmente en el tiempo. En cada paso del algoritmo, la solución muta (lo que
es equivalente a moverse hacia un punto adyacente en el paisaje adaptativo).
Luego, la aptitud de la nueva solución se compara con la aptitud de la solución
anterior; si es mayor, se conserva la nueva solución. En caso contrario, el
algoritmo toma la decisión de conservarla o descartarla en base a la temperatura.
Si la temperatura es alta, como lo es al principio, pueden conservarse incluso
cambios que causan decrementos significativos en la aptitud, y utilizarse como
base para la siguiente ronda del algoritmo, pero al ir disminuyendo la temperatura,
el algoritmo se va haciendo más y más propenso a aceptar sólo los cambios que
aumentan la aptitud. Finalmente, la temperatura alzanca el cero y el sistema se
``congela''; cualquiera que sea la configuración que exista en ese punto se
convierte en la solución. El recocido simulado tiene a menudo aplicaciones en la
ingeniería del diseño, como determinar la disposición física de los componentes en
un chip .

Una breve historia de los AGs

Los primeros ejemplos de lo que hoy podríamos llamar algoritmos genéticos
aparecieron a finales de los 50 y principios de los 60, programados en
computadoras por biólogos evolutivos que buscaban explícitamente realizar

13


modelos de aspectos de la evolución natural. A ninguno de ellos se le ocurrió que
esta estrategia podría aplicarse de manera más general a los problemas
artificiales, pero ese reconocimiento no tardaría en llegar: ``La computación
evolutiva estaba definitivamente en el aire en los días formativos de la
computadora electrónica'' . En 1962, investigadores como G.E.P. Box, G.J.
Friedman, W.W. Bledsoe y H.J. Bremermann habían desarrollado
independientemente algoritmos inspirados en la evolución para optimización de
funciones y aprendizaje automático, pero sus trabajos generaron poca reacción.
En 1965 surgió un desarrollo más exitoso, cuando Ingo Rechenberg, entonces de
la Universidad Técnica de Berlín, introdujo una técnica que llamó estrategia
evolutiva, aunque se parecía más a los trepacolinas que a los algoritmos
genéticos. En esta técnica no había población ni cruzamiento; un padre mutaba
para producir un descendiente, y se conservaba el mejor de los dos,
convirtiéndose en el padre de la siguiente ronda de mutación .Versiones
posteriores introdujeron la idea de población. Las estrategias evolutivas todavía se
emplean hoy en día por ingenieros y científicos, sobre todo en Alemania.

El siguiente desarrollo importante en el campo vino en 1966, cuando L.J. Fogel,
A.J. Owens y M.J. Walsh introdujeron en América una técnica que llamaron
programación evolutiva. En este método, las soluciones candidatas para los
problemas se representaban como máquinas de estado finito sencillas; al igual
que en la estrategia evolutiva de Rechenberg, su algoritmo funcionaba mutando
aleatoriamente una de estas máquinas simuladas y conservando la mejor de las
dos . También al igual que las estrategias evolutivas, hoy en día existe una
formulación más amplia de la técnica de programación evolutiva que todavía es un
área de investigación en curso. Sin embargo, lo que todavía faltaba en estas dos
metodologías era el reconocimiento de la importancia del cruzamiento.

En una fecha tan temprana como 1962, el trabajo de John Holland sobre sistemas
adaptativos estableció las bases para desarrollos posteriores; y lo que es más
importante, Holland fue también el primero en proponer explícitamente el
14


cruzamiento y otros operadores de recombinación. Sin embargo, el trabajo
fundamental en el campo de los algoritmos genéticos apareció en 1975, con la
publicación del libro ``Adaptación en Sistemas Naturales y Artificiales''. Basado en
investigaciones y papers anteriores del propio Holland y de colegas de la
Universidad de Michigan, este libro fue el primero en presentar sistemática y
rigurosamente el concepto de sistemas digitales adaptativos utilizando la
mutación, la selección y el cruzamiento, simulando el proceso de la evolución
biológica como estrategia para resolver problemas. El libro también intentó colocar
los algoritmos genéticos sobre una base teórica firme introduciendo el concepto de
esquema .Ese mismo año, la importante tesis de Kenneth De Jong estableció el
potencial de los AGs demostrando que podían desenvolverse bien en una gran
variedad de funciones de prueba, incluyendo paisajes de búsqueda ruidosos,
discontinuos y multimodales .

Estos trabajos fundacionales establecieron un interés más generalizado en la
computación evolutiva. Entre principios y mediados de los 80, los algoritmos
genéticos se estaban aplicando en una amplia variedad de áreas, desde
problemas matemáticos abstractos como el ``problema de la mochila'' (bin-
packing) y la coloración de grafos hasta asuntos tangibles de ingeniería como el
control de flujo en una línea de ensamble, reconocimiento y clasificación de
patrones y optimización estructural.

Al principio, estas aplicaciones eran principalmente teóricas. Sin embargo, al
seguir proliferando la investigación, los algoritmos genéticos migraron hacia el
sector comercial, al cobrar importancia con el crecimiento exponencial de la
potencia de computación y el desarrollo de Internet. Hoy en día, la computación
evolutiva es un campo floreciente, y los algoritmos genéticos están ``resolviendo
problemas de interés cotidiano''

en áreas de estudio tan diversas como la predicción en la bolsa y la planificación
de la cartera de valores, ingeniería aeroespacial, diseño de microchips, bioquímica

15


y biología molecular, y diseño de horarios en aeropuertos y líneas de montaje. La
potencia de la evolución ha tocado virtualmente cualquier campo que uno pueda
nombrar, modelando invisiblemente el mundo que nos rodea de incontables
maneras, y siguen descubriéndose nuevos usos mientras la investigación sigue su
curso. Y en el corazón de todo esto se halla nada más que la simple y poderosa
idea de Charles Darwin: que el azar en la variación, junto con la ley de la
selección, es una técnica de resolución de problemas de inmenso poder y de
aplicación casi ilimitada.

¿Cuáles son las ventajas de los AGs?

El primer y más importante punto es que los algoritmos genéticos son
intrínsecamente paralelos. La mayoría de los otros algoritmos son en serie
y sólo pueden explorar el espacio de soluciones hacia una solución en una
dirección al mismo tiempo, y si la solución que descubren resulta
subóptima, no se puede hacer otra cosa que abandonar todo el trabajo
hecho y empezar de nuevo. Sin embargo, ya que los AGs tienen
descendencia múltiple, pueden explorar el espacio de soluciones en
múltiples direcciones a la vez. Si un camino resulta ser un callejón sin
salida, pueden eliminarlo fácilmente y continuar el tabajo en avenidas más
prometedoras, dándoles una mayor probabilidad en cada ejecución de
encontrar la solución.

Sin embargo, la ventaja del paralelismo va más allá de esto. Considere lo
siguiente: todas las cadenas binarias (cadenas de ceros y unos) de 8
dígitos forman un espacio de búsqueda, que puede representarse como
******** (donde * significa ``o 0 o 1''). La cadena 01101010 es un miembro
de este espacio. Sin embargo, también es un miembro del espacio 0*******,
del espacio 01******, del espacio 0******0, del espacio 0*1*1*1*, del espacio
10*01**0, etcétera. Evaluando la aptitud de esta cadena particular, un
algoritmo genético estaría sondeando cada uno de los espacios a los que
16


pertenece. Tras muchas evaluaciones, iría obteniendo un valor cada vez
más preciso de la aptitud media de cada uno de estos espacios, cada uno
de los cuales contiene muchos miembros. Por tanto, un AG que evalúe
explícitamente un número pequeño de individuos está evaluando
implícitamente un grupo de individuos mucho más grande -de la misma
manera que un encuestador que le hace preguntas a un cierto miembro de
un grupo étnico, religioso o social espera aprender algo acerca de las
opiniones de todos los miembros de ese grupo, y por tanto puede predecir
con fiabilidad la opinión nacional sondeando sólo un pequeño porcentaje de
la población. De la misma manera, el AG puede dirigirse hacia el espacio
con los individuos más aptos y encontrar el mejor de ese grupo. En el
contexto de los algoritmos evolutivos, esto se conoce como teorema del
esquema, y es la ventaja principal de los AGs sobre otros métodos de
resolución de problemas
Debido al paralelismo que les permite evaluar implícitamente muchos
esquemas a la vez, los algoritmos genéticos funcionan particularmente bien
resolviendo problemas cuyo espacio de soluciones potenciales es
realmente grande -demasiado vasto para hacer una búsqueda exhaustiva
en un tiempo razonable. La mayoría de los problemas que caen en esta
categoría se conocen como ``no lineales''. En un problema lineal, la aptitud
de cada componente es independiente, por lo que cualquier mejora en
alguna parte dará como resultado una mejora en el sistema completo. No
es necesario decir que hay pocos problemas como éste en la vida real. La
no linealidad es la norma, donde cambiar un componente puede tener
efectos en cadena en todo el sistema, y donde cambios múltiples que,
individualmente, son perjudiciales, en combinación pueden conducir hacia
mejoras en la aptitud mucho mayores. La no linealidad produce una
explosión combinatoria: el espacio de cadenas binarias de 1.000 dígitos
puede examinarse exhaustivamente evaluando sólo 2.000 posibilidades si
el problema es lineal, mientras que si no es lineal, una búsqueda exhaustiva

17


requiere evaluar 21.000 posibilidades -un número que, escrito, ocuparía
más de 300 dígitos.

Afortunadamente, el paralelismo implícito de los AGs les permite superar
incluso este enorme número de posibilidades, y encontrar con éxito
resultados óptimos o muy buenos en un corto periodo de tiempo, tras
muestrear directamente sólo regiones pequeñas del vasto paisaje
adaptativo Por ejemplo, un algoritmo genético desarrollado en común por
ingenieros de General Electric y el Rensselaer Polytechnic Institute produjo
el diseño de la turbina de un motor a reacción de altas prestaciones que era
tres veces mejor que la configuración diseñada por humanos, y un 50%
mejor que una configuración diseñada por un sistema experto que recorrió
con éxito un espacio de soluciones que contenía más de 10.387
posibilidades. Los métodos convencionales para diseñar estas turbinas son
una parte fundamental de proyectos de ingeniería que pueden durar hasta
cinco años y costar más de 2.000 millones de dólares; el algoritmo genético
descubrió esta solución en dos días, en una estación de trabajo de
escritorio típica en ingeniería
Otra ventaja notable de los algoritmos genéticos es que se desenvuelven
bien en problemas con un paisaje adaptativo complejo -aquéllos en los que
la función de aptitud es discontinua, ruidosa, cambia con el tiempo, o tiene
muchos óptimos locales. La mayoría de los problemas prácticos tienen un
espacio de soluciones enorme, imposible de explorar exhaustivamente; el
reto se convierte entonces en cómo evitar los óptimos locales -soluciones
que son mejores que todas las que son similares a ella, pero que no son
mejores que otras soluciones distintas situadas en algún otro lugar del
espacio de soluciones. Muchos algoritmos de búsqueda pueden quedar
atrapados en los óptimos locales: si llegan a lo alto de una colina del
paisaje adaptativo, descubrirán que no existen soluciones mejores en las
cercanías y concluirán que han alcanzado la mejor de todas, aunque

18


existan picos más altos en algún otro lugar del mapa.

Los algoritmos evolutivos, por otro lado, han demostrado su efectividad al
escapar de los óptimos locales y descubrir el óptimo global incluso en
paisajes adaptativos muy escabrosos y complejos. (Debe decirse que, en la
realidad, a menudo no hay manera de decir si una cierta solución a un
problema es el óptimo global o sólo un óptimo local muy alto. Sin embargo,
aunque un AG no devuelva siempre una solución perfecta y demostrable a
un problema, casi siempre puede devolver al menos una muy buena
solución). Todos los cuatro componentes principales de los AGs -
paralelismo, selección, mutación y cruzamiento- trabajan juntos para
conseguir esto. Al principio, el AG genera una población inicial diversa,
lanzando una ``red'' sobre el paisaje adaptativo. compara esto con un
ejército de paracaidistas cayendo sobre el paisaje del espacio de búsqueda
de un problema, cada uno de ellos con órdenes de buscar el pico más alto).
Pequeñas mutaciones permiten a cada individuo explorar sus proximidades,
mientras que la selección enfoca el progreso, guiando a la descendencia
del algoritmo cuesta arriba hacia zonas más prometedoras del espacio de
soluciones

Sin embargo, el cruzamiento es el elemento clave que distingue a los
algoritmos genéticos de los otros métodos como los trepacolinas y el
recocido simulado. Sin el cruzamiento, cada solución individual va por su
cuenta, explorando el espacio de búsqueda en sus inmediaciones sin
referencia de lo que el resto de individuos puedan haber descubierto. Sin
embargo, con el cruzamiento en juego, hay una transferencia de
información entre los candidatos prósperos -los individuos pueden
beneficiarse de lo que otros han aprendido, y los esquemas pueden
mezclarse y combinarse, con el potencial de producir una descendencia
que tenga las virtudes de sus dos padres y ninguna de sus debilidades.

19


donde los autores analizan el problema de sintetizar un filtro de paso bajo
utilizando programación genética. En una generación se seleccionaron dos
circuitos progenitores para llevar a cabo el cruzamiento; un padre tenía una
buena topología (componentes como inductores y condensadores
colocados en el sitio correcto) pero malos tamaños (valores demasiado
bajos de inductancia y capacidad para los componentes). El otro padre
tenía mala topología pero buenos tamaños. El resultado de aparearlos
mediante cruzamiento fue una descendencia con la buena topología de un
padre y los buenos tamaños del otro, dando como resultado una mejora
sustancial de la aptitud sobre sus dos padres.

El problema de encontrar el óptimo global en un espacio con muchos
óptimos locales también se conoce como el dilema de la exploración versus
explotación, ``un problema clásico de todos los sistemas que pueden
adaptarse y aprender'' Una vez que un algoritmo (o un diseñador humano)
ha encontrado una estrategia para resolver problemas que parece funcionar
satisfactoriamente, ¿debería centrarse en hacer el mejor uso de esa
estrategia, o buscar otras? Abandonar una estrategia de probada solvencia
para buscar otras nuevas casi garantiza que supondrá una pérdida y
degradación del rendimiento, al menos a corto plazo. Pero si uno se queda
con una estrategia particular excluyendo a todas las demás, corre el riesgo
de no descubrir estrategias mejores que existen pero no se han encontrado.
De nuevo, los algoritmos genéticos han demostrado ser muy buenos en dar
con este equilibrio y descubrir buenas soluciones en un tiempo y esfuerzo
computacional razonables.
Otro área en el que destacan los algoritmos genéticos es su habilidad para
manipular muchos parámetros simultáneamente Muchos problemas de la
vida real no pueden definirse en términos de un único valor que hay que
minimizar o maximizar, sino que deben expresarse en términos de múltiples
objetivos, a menudo involucrando contrapartidas: uno sólo puede mejorar a

20


expensas de otro. Los AGs son muy buenos resolviendo estos problemas:
en particular, su uso del paralelismo les permite producir múltiples
soluciones, igualmente buenas, al mismo problema, donde posiblemente
una solución candidata optimiza un parámetro y otra candidata optimiza uno
distinto y luego un supervisor humano puede seleccionar una de esas
candidatas para su utilización. Si una solución particular a un problema con
múltiples objetivos optimiza un parámetro hasta el punto en el que ese
parámetro no puede mejorarse más sin causar una correspondiente pérdida
de calidad en algún otro parámetro, esa solución se llama óptimo paretiano
o no dominada Finalmente, una de las cualidades de los algoritmos
genéticos que, a primera vista, puede parecer un desastre, resulta ser una
de sus ventajas: a saber, los AGs no saben nada de los problemas que
deben resolver. En lugar de utilizar información específica conocida a priori
para guiar cada paso y realizar cambios con un ojo puesto en el
mejoramiento, como hacen los diseñadores humanos, son ``relojeros
ciegos'' realizan cambios aleatorios en sus soluciones candidatas y luego
utilizan la función de aptitud para determinar si esos cambios producen una
mejora.

La virtud de esta técnica es que permite a los algoritmos genéticos
comenzar con una mente abierta, por así decirlo. Como sus decisiones
están basadas en la aleatoriedad, todos los caminos de búsqueda posibles
están abiertos teóricamente a un AG; en contraste, cualquier estrategia de
resolución de problemas que dependa de un conocimiento previo, debe
inevitablemente comenzar descartando muchos caminos a priori, perdiendo
así cualquier solución novedosa que pueda existir. Los AGs, al carecer de
ideas preconcebidas basadas en creencias establecidas sobre ``cómo
deben hacerse las cosas'' o sobre lo que ``de ninguna manera podría
funcionar'', los AGs no tienen este problema. De manera similar, cualquier
técnica que dependa de conocimiento previo fracasará cuando no esté

21


disponible tal conocimiento, pero, de nuevo, los AGs no se ven afectados
negativamente por la ignoranci. Mediante sus componentes de paralelismo,
cruzamiento y mutación, pueden viajar extensamente por el paisaje
adaptativo, explorando regiones que algoritmos producidos con inteligencia
podrían no haber tenido en cuenta, y revelando potencialmente soluciones
de asombrosa e inesperada creatividad que podrían no habérseles ocurrido
nunca a los diseñadores humanos. Un ejemplo muy gráfico de esto es el
redescubrimiento, mediante la programación genética, del concepto de
retroalimentación negativa -un principio crucial para muchos componentes
electrónicos importantes de hoy en día, pero un concepto que, cuando fue
descubierto en primera instancia, se le denegó una patente de nueve años
porque el concepto era demasiado contrario a las creencias establecidas .
Por supuesto, los algoritmos evolutivos no están enterados ni preocupados
de si una solución va en contra de las creencias establecidas -sólo de si
funciona.

¿Cuáles son las limitaciones de los AGs?

Aunque los algoritmos genéticos han demostrado su eficiencia y potencia como
estrategia de resolución de problemas, no son la panacea. Los AGs tienen ciertas
limitaciones; sin embargo, se demostrará que todas ellas pueden superarse y que
ninguna de ellas afecta a la validez de la evolución biológica.

La primera y más importante consideración al crear un algoritmo genético
es definir una representación del problema. El lenguaje utilizado para
especificar soluciones candidatas debe ser robusto; es decir, debe ser
capaz de tolerar cambios aleatorios que no produzcan constantemente
errores fatales o resultados sin sentido.

Hay dos maneras principales para conseguir esto. La primera, utilizada por
la mayoría de los algoritmos genéticos, es definir a los individuos como

22


listas de números -binarios, enteros o reales- donde cada número
representa algún aspecto de la solución candidata. Si los individuos son
cadenas binarias, un 0 o 1 podría significar la ausencia o presencia de una
cierta característica. Si son listas de números, estos números podrían
representar muchas cosas distintas: los pesos de las conexiones en una
red neuronal, el orden de las ciudades visitadas en un recorrido dado, la
situación espacial de componentes electrónicos, los valores con los que se
alimenta a un controlador, los ángulos de torsión de los enlaces péptidos de
una proteína, etcétera. Así, la mutación implica cambiar estos números,
cambiar bits o sumar o restar valores aleatorios. En este caso, el propio
código del programa no cambia; el código es lo que dirige la simulación y
hace un seguimiento de los individuos, evaluando sus aptitudes y quizá
asegurando que sólo se producen valores realistas y posibles para el
problema dado.

En otro método, la programación genética, el propio código del programa sí
cambia. Como ya se dijo en la sección ``Métodos de representación'', la PG
representa a los individuos como árboles de código ejecutables que pueden
mutar cambiando o intercambiando subárboles. Ambos méetodos producen
representaciones robustas ante la mutación, y pueden representar muchos
tipos diferentes de problemas y, como se dice en la sección ``Algunos
ejemplos específicos'', ambas han tenido un éxito considerable.

El problema de representar a las soluciones candidatas de manera robusta
no surge en la naturaleza, porque el método de representación utilizado por
la evolución, a saber, el código genético, es inherentemente robusto: con
muy pocas excepciones, como una cadena de codones de parada, no
existe una secuencia de bases de ADN que no pueda traducirse en una
proteína. Por lo tanto, virtualmente, cualquier cambio en los genes de un
individuo siempre producirá un resultado inteligible, y por tanto las

23


mutaciones en la evolución tienen mayor probabilidad de producir una
mejora. Esto entra en contraste con los lenguajes creados por el hombre
como el inglés, donde el número de palabras con significado es pequeño
comparado con el número total de formas en las que se pueden combinar
las letras del alfabeto, y por tanto, es probable que un cambio aleatorio en
una frase en inglés produzca un sinsentido.
El problema de cómo escribir la función de aptitud debe considerarse
cuidadosamente para que se pueda alcanzar una mayor aptitud y
verdaderamente signifique una solución mejor para el problema dado. Si se
elige mal una función de aptitud o se define de manera inexacta, puede que
el algoritmo genético sea incapaz de encontrar una solución al problema, o
puede acabar resolviendo el problema equivocado. (Esta última situación se
describe a veces como la tendencia del AG a ``engañar'', aunque en
realidad lo que está pasando es que el AG está haciendo lo que se le pidió
hacer, no lo que sus creadores pretendían que hiciera). Se puede encontrar
un ejemplo de esto en Graham-Rowe 2002 donde unos investigadores
utilizaron un algoritmo evolutivo en conjunción con una serie de chips
reprogramables, haciendo que la función de aptitud recompensara al
circuito en evolución por dar como salida una señal oscilatoria. Al final del
experimento, se producía efectivamente una señal oscilatoria -pero en lugar
de actuar como un osculador, como pretendían los investigadores,
¡descubrieron que el circuito se había convertido en un receptor de radio
que estaba recibiendo y retransmitiendo una señal oscilatoria de un
componente electrónico cercano!

Sin embargo, esto no es un problema en la naturaleza. En el laboratorio de
la evolución biológica, sólo hay una función de aptitud que es igual para
todos los seres vivos -la carrera por sobrevivir y reproducirse, sin importar
qué adaptaciones hagan esto posible. Los organismos que se reproducen

24


con más abundancia que sus competidores están más adaptados; los que
fracasan en reproducirse no están adaptados.
Además de elegir bien la función de aptitud, también deben elegirse
cuidadosamente los otros parámetros de un AG -el tamaño de la población,
el ritmo de mutación y cruzamiento, el tipo y fuerza de la selección. Si el
tamaño de la población es demasiado pequeño, puede que el algoritmo
genético no explore suficientemente el espacio de soluciones para
encontrar buenas soluciones consistentemente. Si el ritmo de cambio
genético es demasiado alto o el sistema de selección se escoge
inadecuadamente, puede alterarse el desarrollo de esquemas beneficiosos
y la población puede entrar en catástrofe de errores, al cambiar demasiado
rápido para que la selección llegue a producir convergencia.

Los seres vivos también se enfrentan a dificultades similares, y la evolución
se ha encargado de ellas. Es cierto que si el tamaño de una población cae
hacia un valor muy bajo, los ritmos de mutación son muy altos o la presión
selectiva es demasiado fuerte (una situación así podría ser resultado de un
cambio ambiental drástico), entonces la especie puede extinguirse. La
solución ha sido ``la evolución de la evolutividad'' -las adaptaciones que
alteran la habilidad de una especie para adaptarse. Un ejemplo. La mayoría
de los seres vivos han evolucionado una elaborada maquinaria celular que
comprueba y corrigue errores durante el proceso de replicación del ADN,
manteniendo su ritmo de mutación a unos niveles aceptablemente bajos; a
la inversa, en tiempos de fuerte presión ambiental, algunas especies de
bacterias entran en un estado de hipermutación en el que el ritmo de
errores en la replicación del ADN aumenta bruscamente, aumentando la
probabilidad de que se descubrirá una mutación compensatoria. Por
supuesto, no pueden eludirse todas las catástrofes, pero la enorme
diversidad y las adaptaciones altamente complejas de los seres vivos
actuales muestran que, en general, la evolución es una estrategia exitosa.

25


Igualmente, las aplicaciones diversas y los impresionantes resultados de los
algoritmos genéticos demuestran que son un campo de estudio poderoso y
que merece la pena.
Un problema con el que los algoritmos genéticos tienen dificultades son los
problemas con las funciones de aptitud ``engañosas'' en las que la
situación de los puntos mejorados ofrecen información engañosa sobre
dónde se encuentra probablemente el óptimo global. Por ejemplo: imagine
un problema en el que el espacio de búsqueda esté compuesto por todas
las cadenas binarias de ocho caracteres, y en el que la aptitud de cada
individuo sea directamente proporcional al número de unos en él -es decir,
00000001 sería menos apto que 00000011, que sería menos apto que
00000111, etcétera -, con dos excepciones: la cadena 11111111 resulta
tener una aptitud muy baja, y la cadena 00000000 resulta tener una aptitud
muy alta. En este problema, un AG (al igual que la mayoría de los
algoritmos) no tendría más probabilidad de encontrar un óptimo global que
una búsqueda aleatoria.

La solución a este problema es la misma para los algoritmos genéticos y la
evolución biológica: la evolución no es un proceso que deba encontrar
siempre el óptimo global. Puede funcionar casi igual de bien alcanzando la
cima de un óptimo local alto y, para la mayoría de las situaciones, eso será
suficiente, incluso aunque el óptimo global no pueda alcanzarse fácilmente
desde ese punto. La evolución es como un ``satisfactor'' -un algoritmo que
entrega una solución ``suficientemente buena'', aunque no necesariamente
la mejor solución posible, dada una cantidad razonable de tiempo y
esfuerzo invertidos en la búsqueda. La ``FAQ de la evidencia de diseño
improvisado en la naturaleza'' proporciona ejemplos de la naturaleza con
estos resultados. (También hay que tener en cuenta que pocos o ningún
problema real es tan engañoso como el ejemplo algo forzado dado arriba.

26


Normalmente, la situación de las mejoras locales proporciona alguna
información sobre la situación del óptimo global).
Un problema muy conocido que puede surgir con un AG se conoce como
convergencia prematura. Si un individuo que es más apto que la mayoría de
sus competidores emerge muy pronto en el curso de la ejecución, se puede
reproducir tan abundantemente que merme la diversidad de la población
demasiado pronto, provocando que el algoritmo converja hacia el óptimo
local que representa ese individuo, en lugar de rastrear el paisaje
adaptativo lo bastante a fondo para encontrar el óptimo global .Esto es un
problema especialmente común en las poblaciones pequeñas, donde
incluso una variación aleatoria en el ritmo de reproducción puede provocar
que un genotipo se haga dominante sobre los otros.

Los métodos más comunes implementados por los investigadores en AGs
para solucionar este problema implican controlar la fuerza selectiva, para no
proporcionar tanta ventaja a los individuos excesivamente aptos. La
selección escalada, por rango y por torneo, discutidas anteriormente, son
tres de los métodos principales para conseguir esto; algunos métodos de
selección escalada son el escalado sigma, en el que la reproducción se
basa en una comparación estadística de la aptitud media de la población, y
la selección de Boltzmann, en la que la fuerza selectiva aumenta durante la
ejecución de manera similar a la variable ``temperatura'' en el recocido
simulado
La convergencia prematura ocurre en la naturaleza (los biólogos la llaman
deriva genética). Esto no debe sorprender; como ya se dijo arriba, la
evolución, como estrategia de resolución de problemas, no está obligada a
encontrar la mejor solución, sólo una que sea lo bastante buena. Sin
embargo, en la naturaleza, la convergencia prematura es menos común, ya
que la mayoría de las mutaciones beneficiosas en los seres vivos sólo
producen mejoras en la aptitud pequeñas e incrementales; son raras las

27


mutaciones que producen una ganancia de aptitud tan grande que otorgue
a sus poseedores una drástica ventaja reproductiva.
Finalmente, varios investigadores aconsejan no utilizar algoritmos
genéticos en problemas resolubles de manera analítica. No es que los
algoritmos genéticos no puedan encontrar soluciones buenas para estos
problemas; simplemente es que los métodos analíticos tradicionales
consumen mucho menos tiempo y potencia computacional que los AGs y, a
diferencia de los AGs, a menudo está demostrado matemáticamente que
ofrecen la única solución exacta. Por supuesto, como no existe una
solución matemática perfecta para ningún problema de adaptación
biológica, este problema no aparece en la naturaleza.

Algunos ejemplos específicos de AG

Mientras el poder de la evolución gana reconocimiento cada vez más
generalizado, los algoritmos genéticos se utilizan para abordar una amplia
variedad de problemas en un conjunto de campos sumamente diverso,
demostrando claramente su capacidad y su potencial. Esta sección analizará
algunos de los usos más notables en los que han tomado parte.

Acústica

Sato et al. 2002 utilizaron algoritmos genéticos para diseñar una sala de
conciertos con propiedades acústicas óptimas, maximizando la calidad del sonido
para la audiencia, para el director y para los músicos del escenario. Esta tarea
implica la optimización simultánea de múltiples variables. Comenzando con una
sala con forma de caja de zapatos, el AG de los autores produjo dos soluciones no
dominadas, ambas descritas como ``con forma de hoja'' (p. 526). Los autores
afirman que estas soluciones tienen proporciones similares al Grosser
Musikvereinsaal de Viena, el cual está considerado generalmente como una de las

28


mejores -si no la mejor- salas de conciertos del mundo, en términos de
propiedades acústicas.

Porto, Fogel y Fogel 1995 utilizaron programación evolutiva para adiestrar a redes
neuronales para distinguir entre reflexiones sonoras desde distintos tipos de
objetos: esferas metálicas hechas por el hombre, montañas submarinas, peces y
plantas, y ruido aleatorio de fondo. Tras 500 generaciones, la mejor red neuronal
que evolucionó tenía una probabilidad de clasificación correcta que iba desde el
94% al 98%, y una probabilidad de clasificación errónea entre un 7,4% y un 1,5%,
que son ``probabilidades razonables de detección y falsa alarma'' (p. 21). Esta red
evolucionada igualó las prestaciones de otra red desarrollada mediante recocido
simulado, y superó consistentemente a redes entrenadas mediante propagación
hacia atrás, las cuales ``se atascaban repetidamente en conjuntos de pesos
subóptimos que no producían resultados satisfactorios'' (p. 21). En contraste,
ambos métodos estocásticos demostraron su capacidad para superar estos
óptimos locales y producir redes más pequeñas, efectivas y robustas; pero los
autores sugieren que el algoritmo evolutivo, a diferencia del recocido simulado,
opera sobre una población, y por tanto se beneficia de la información global sobre
el espacio de búsqueda, conduciendo potencialmente hacia un rendimiento mayor
a la larga.

Tang et al. 1996 analizan los usos de los algoritmos genéticos en el campo de la
acústica y el procesamiento de señales. Un área de interés particular incluye el
uso de AGs para diseñar sistemas de Control Activo de Ruido (CAR), que eliminan
el sonido no deseado produciendo ondas sonoras que interfieren destructivamente
con el ruido. Esto es un problema de múltiples objetivos que requiere el control y la
colocación precisa de múltiples altavoces; los AGs se han utilizado en estos
sistemas tanto para diseñar los controladores como para encontrar la colocación
óptima de los altavoces, dando como resultado una ``atenuación efectiva del
ruido'' (p. 33) en pruebas experimentales.

29


Ingeniería aeroespacial

Obayashi et al. 2000 utilizaron un algoritmo genético de múltiples objetivos para
diseñar la forma del ala de un avión supersónico. Hay tres consideraciones
principales que determinan la configuración del ala -minimizar la resistencia
aerodinámica a velocidades de vuelo supersónicas, minimizar la resistencia a
velocidades subsónicas y minimizar la carga aerodinámica (la fuerza que tiende a
doblar el ala). Estos objetivos son mutuamente exclusivos, y optimizarlos todos
simultáneamente requiere realizar contrapartidas.

El cromosoma de este problema es una cadena de 66 números reales, cada uno
de los cuales corresponde a un aspecto específico del ala: su forma, su grosor, su
torsión, etcétera. Se simuló una evolución con selección elitista durante 70
generaciones, con un tamaño de población de 64 individuos. Al final de este
proceso había varios individuos paretianos, cada uno representando una solución
no dominada del problema. El artículo comenta que estos individuos ganadores
tenían características ``físicamente razonables'', señalando la validez de la técnica
de optimización (p. 186). Para evaluar mejor la calidad de las soluciones, las seis
mejores fueron comparadas con un diseño de ala supersónica producido por el
Equipo de Diseño SST del Laboratorio Aeroespacial Nacional de Japón. Las seis
fueron competitivas, con valores de resistencia y carga aproximadamente iguales
o menores a los del ala diseñada por humanos; en particular, una de las
soluciones evolucionadas superó al diseño del LAN en los tres objetivos. Los
autores señalan que las soluciones del AG son similares a un diseño llamado ``ala
flecha'', sugerido por primera vez a finales de los años 50, pero que finalmente fue
abandonado en favor del diseño más convencional con forma de delta.

En un artículo posterior (Sasaki et al. 2001), los autores repitieron el experimento
añadiendo un cuarto objetivo, a saber, minimizar el momento de torsión (un
conocido problema en los diseños de alas flecha en el vuelo supersónico).
También se añadieron puntos de control adicionales para el grosor al conjunto de

30


variables de diseño. Tras 75 generaciones de evolución, se compararon dos de las
mejores soluciones paretianas con el diseño de ala que el Laboratorio
Aeroespacial Nacional japonés realizó para el avión supersónico experimental
NEXST-1. Se descubrió que ambos diseños (además de un diseño óptimo de la
simulación anterior, explicada arriba) eran físicamente razonables y superiores al
diseño del LAN en los cuatro objetivos.

Williams, Crossley y Lang 2001 aplicaron algoritmos genéticos a la tarea de situar
órbitas de satélites para minimizar los apagones de cobertura. Mientras la
tecnología de telecomunicaciones sigue progresando, los humanos somos cada
vez más dependientes de las funciones vitales que realizan los satélites en órbita
alrededor de la Tierra, y uno de los problemas con los que se enfrentan los
ingenieros es el diseño de las trayectorias orbitales. Los satélites que se
encuentran en una órbita terrestre alta, a unos 35.000 kilómetros de altitud,
pueden ver amplias secciones del planeta al mismo tiempo y estar en contacto con
las estaciones terrestres, pero son mucho más caros de lanzar y más vulnerables
a las radiaciones cósmicas. Es más económico colocar satélites en órbitas bajas,
en algunos casos a sólo unos pocos cientos de kilómetros; pero, a causa de la
curvatura de la Tierra, es inevitable que estos satélites pierdan durante un tiempo
la línea de visión con los receptores terrestres, y por lo tanto se vuelven inútiles.
Incluso las constelaciones de varios satélites tienen apagones ineludibles y
pérdidas de cobertura por esta razón. El reto consiste en colocar las órbitas de los
satélites para minimizar este tiempo muerto. Esto es un problema multi-objetivo
que implica la minimización de el tiempo medio de apagón para todas las
localizaciones y el tiempo máximo de apagón para cada una de las localizaciones;
en la práctica, estos objetivos resultan ser mutuamente exclusivos.

Cuando se utilizó el AG en este problema, los resultados que evolucionaron para
constelaciones de tres, cuatro y cinco satélites eran extraños, configuraciones
orbitales muy asimétricas, con los satélites colocados alternando huecos grandes
y pequeños, en lugar de huecos de igual tamaño como habrían hecho las técnicas
31


convencionales. Sin embargo, esta solución redujo significativamente los tiempos
medio y máximo de apagón, en algunos casos hasta en 90 minutos. En un artículo
periodístico, el Dr. William Crossley señaló que ``ingenieros con años de
experiencia aeroespacial quedaorn sorprendidos con el rendimiento ofrecido por el
diseño no convencional''.

Keane y Brown 1996 utilizadon un AG para producir un nuevo diseño para un
brazo o jirafa para transportar carga que pudiese montarse en órbita y utilizarse
con satélites, estaciones espaciales y otros proyectos de construcción
aeroespacial. El resultado, una estructura retorcida con aspecto orgánico que se
ha comparado con un fémur humano, no utiliza más material que el diseño de
brazo estándar, pero es ligera, fuerte y muy superior a la hora de amortiguar las
vibraciones perjudiciales, como confirmaron las pruebas reales del producto final.
Y sin embargo ``Ninguna inteligencia produjo los diseños. Simplemente
evolucionaron'' (Petit 1998). Los autores del artículo comentan además que su AG
sólo se ejecutó durante 10 generaciones, debido a la naturaleza
computacionalmente costosa de la simulación, y la población no se había
estancado todavía. Haber proseguido la ejecución durante más generaciones
habría producido indudablemente mayores mejoras de rendimiento.

Figure: Un brazo tridimensional optimizado genéticamente, con una respuesta

32


mejorada a la frecuencia (adaptado de
http://www.soton.ac.uk/~ajk/truss/welcome.html).

Finalmente, como informa Gibbs 1996, Lockheed Martin ha utilizado un algoritmo
genético para producir mediante evolución una serie de maniobras para mover
una nave espacial de una orientación a otra, dentro del 2% del tiempo mínimo
teórico para tales maniobras. La solución evolucionada era un 10% más rápida
que una solución producida manualmente por un experto para el mismo problema.

Astronomía y astrofísica

Charbonneau 1995 sugiere la utilidad de los AGs para problemas de astrofísica,
aplicándolos a tres problemas de ejemplo: obtener la curva de rotación de una
galaxia basándose en las velocidades rotacionales observadas de sus
componentes, determinar el periodo de pulsación de una estrella variable
basándose en series de datos temporales, y sacar los valores de los parámetros
críticos de un modelo magnetohidrodinámico del viento solar. Son tres difíciles
problemas no lineales y multidimensionales.

El algoritmo genético de Charbonneau, PIKAIA, utiliza selección generacional y
proporcional a la aptitud, junto con elitismo, para asegurar que el mejor individuo
se copia una vez hacia la siguiente generación sin ninguna modificación. PIKAIA
tiene un ritmo de cruzamiento de 0,65 y un ritmo de mutación variable que se pone
a 0,003 inicialmente y luego aumenta gradualmente, mientras la población se
aproxima a la convergencia, para mantener la variabilidad en el acervo genético.

En el problema de la curva de rotación galáctica, el AG produjo dos curvas, y
ambas estaban bien ajustadas a los datos (un resultado común en este tipo de
problema, en el que hay poco contraste entre cimas cercanas); observaciones
posteriores pueden distinguir cuál es la preferible. En el problema de la serie
temporal, el AG fue impresionantemente exitoso, generando un ajuste de los datos

33


de gran calidad, aunque otros problemas más difíciles no se ajustaron tan bien
(aunque, como señala Charbonneau, estos problemas son igualmente difíciles de
resolver con técnicas convencionales). El artículo sugiere que un AG híbrido que
emplee tanto evolución artificial como técnicas analíticas estándar, podría
funcionar mejor. Finalmente, en el problema de obtener los seis parámetros
críticos del viento solar, el AG determinó con éxito el valor de tres con una
precisión de menos del 0,1% y los otros tres con precisiones entre el 1 y el 10%.
(Aunque siempre serían preferibles unos errores experimentales menores para
estos tres parámetros, Charbonneau señala que no existe ningún otro método
eficiente y robusto para resolver experimentalmente un problema no lineal 6-
dimensional de este tipo; un método de gradiente conjugado funciona ``siempre
que se pueda proporcionar un valor inicial muy acertado'' (p. 323). En contraste,
los AGs no requieren un conocimiento del dominio tan bien afinado).

Basándose en los resultados obtenidos hasta ahora, Charbonneau sugiere que los
AGs pueden y deben encontrar uso en otros problemas difíciles de astrofísica, en
particular, problemas inversos como las imágenes por Doppler y las inversiones
heliosísmicas. Para terminar, Charbonneau sostiene que los AGs son un
``contendiente poderoso y prometedor'' (p. 324) en este campo, del que se puede
esperar que complemente (no sustituya) a las técnicas tradicionales de
optimización, y concluye que ``el punto decisivo, si es que tiene que haber alguno,
es que los algoritmos genéticos funcionan, y a menudo colosalmente bien'' (p.
325).

Química

Un pulso láser ultracorto de alta energía puede romper moléculas complejas en
moléculas más sencillas, un proceso con aplicaciones importantes en la química
orgánica y la microelectrónica. Los productos específicos de una reacción así
pueden controlarse modulando la fase del pulso láser. Sin embargo, para
moléculas grandes, obtener la forma del pulso deseado de manera analítica es

34


demasiado difícil: los cálculos son demasiado complejos y las características
relevantes (las superficies de energía potencial de las moléculas) no se conocen
con suficiente precisión.

Assion et al. 1998 resolvieron este problema utilizando un algoritmo evolutivo para
diseñar la forma del pulso. En lugar de introducir información compleja, específica
del problema, sobre las características cuánticas de las moléculas iniciales, para
diseñar el pulso conforme a las especificaciones, el AE dispara un pulso, mide las
proporciones de las moléculas producto resultantes, muta aleatoriamente las
características del rayo con la esperanza de conseguir que estas proporciones se
acerquen a la salida deseada, y el proceso se repite. (En lugar de afinar
directamente las características del rayo láser, el AG de los autores representa a
los individuos como un conjunto de 128 números, en el que cada número es un
valor de voltaje que controla el índice de refracción de uno de los pixeles del
modulador láser. De nuevo, no se necesita un conocimiento específico del
problema sobre las propiedades del láser o de los productos de la reacción). Los
autores afirman que su algoritmo, cuando se aplica a dos sustancias de muestra,
``encuentra automáticamente la mejor configuración... no importa lo complicada
que sea la respuesta molecular'' (p. 921), demostrando un ``control coherente
automatizado de los productos que son químicamente diferentes uno del otro y de
la molécula padre'' (p. 921).

A principios y mediados de los 90, la amplia adopción de una novedosa técnica de
diseño de fármacos, llamada química combinatoria, revolucionó la industria
farmacéutica. Con este método, en lugar de la síntesis precisa y meticulosa de un
sólo compuesto de una vez, los bioquímicos mezclan deliberadamente una gran
variedad de reactivos para producir una variedad aún mayor de productos -
cientos, miles o millones de compuestos diferentes en cada remesa- que luego
pueden aislarse rápidamente para su actividad bioquímica. Hay dos formas de
diseñar las bibliotecas de reactivos en esta técnica: diseño basado en los
reactivos, que elige grupos optimizados de reactivos sin considerar qué productos
35


saldrán como resultado, y diseño basado en los productos, que selecciona los
reactivos que producirán con mayor probabilidad los productos con las
propiedades deseadas. El diseño basado en los productos es más difícil y
complejo, pero se ha demostrado que genera bibliotecas combinatorias mejores y
más diversas, y tiene más probabilidades de ofrecer un resultado útil.

En un artículo patrocinado por el departamento de investigación y desarrollo de
GlaxoSmithKline, Gillet 2002 describe el uso de un algoritmo genético multiobjetivo
para el diseño basado en los productos de bibliotecas combinatorias. Al elegir los
componentes que van en una biblioteca particular, deben considerarse
características como la diversidad y peso molecular, el coste de los suministros, la
toxicidad, la absorción, la distribución y el metabolismo. Si el objetivo es encontrar
moléculas similares a una molécula existente con una función conocida (un
método común en el diseño de nuevos fármacos), también se puede tener en
cuenta la similaridad estructural. Este artículo presenta un enfoque multiobjetivo,
donde puede desarrollarse un conjunto de resultados paretianos que maximicen o
minimicen cada uno de estos objetivos. El autor concluye diciendo que el AG fue
capaz de satisfacer simultáneamente los criterios de diversidad molecular y
eficiencia sintética máxima, y también fue capaz de encontrar moléculas parecidas
a un fármaco que eran ``muy similares a las moléculas objetivo dadas, tras
explorar una fracción muy pequeña del espacio de búsqueda total'' (p. 378).

En un artículo relacionado, Glen y Payne 1995 describen el uso de algoritmos
genéticos para diseñar automáticamente moléculas nuevas desde cero que se
ajustan a un conjunto de especificaciones dado. Dada una población inicial, bien
generada aleatoriamente o utilizando la sencilla molécula del etano como semilla,
el AG añade, elimina y altera aleatoriamente átomos y fragmentos moleculares
con el objetivo de generar moléculas que se ajusten a los requisitos dados. El AG
puede optimizar simultáneamente un gran número de objetivos, incluyendo el peso
molecular, el volumen molecular, el número de enlaces, el número de centros
quirales, el número de átomos, el número de enlaces rotables, la polarizabilidad, el
36


momento dipolar, etcétera, para producer moléculas candidatas con las
propiedades deseadas. Basándose en pruebas experimentales, incluyendo un
difícil problema de optimización que implicaba la generación de moléculas con
propiedades similares a la ribosa (un componente del azúcar imitado a menudo en
los fármacos antivirales), los autores concluyen que el AG es un `èxcelente
generador de ideas'' (p. 199) que ofrece ``propiedades de optimización rápidas y
poderosas'' y puede generar `ùn conjunto diverso de estructuras posibles'' (p.
182). Continúan afirmando: `Ès de interés especial la poderosa capacidad de
optimización del algoritmo genético, incluso con tamaños de población
relativamente pequeños'' (p. 200). Como prueba de que estos resultados no son
simplemente teóricos, Lemley 2001[45] informa de que la empresa Unilever ha
utilizado algoritmos genéticos para diseñar nuevos componentes antimicrobianos
para su uso en productos de limpieza, algo que ha patentado.

Ingeniería eléctrica

Una matriz de puertas programable en campo (Field Programmable Gate Array, o
FPGA), es un tipo especial de placa de circuito con una matriz de celdas lógicas,
cada una de las cuales puede actuar como cualquier tipo de puerta lógica,
interconectado con conexiones flexibles que pueden conectar celdas. Estas dos
funciones se controlan por software, así que simplemente cargando un programa
especial en la placa, puede alterarse al vuelo para realizar las funciones de
cualquier dispositivo de hardware de la amplia variedad existente.

El Dr. Adrian Thompson ha explotado este dispositivo, en conjunción con los
principios de la evolución, para producir un prototipo de circuito reconocedor de
voz que puede distinguir y responder a órdenes habladas utilizando sólo 37
puertas lógicas -una tarea que se habría considerado imposible para cualquier
ingeniero humano. Generó cadenas aleatorias de bits de ceros y unos y las utilizó
como configuraciones de la FPGA, seleccionando los individuos más aptos de
cada generación, reproduciéndolos y mutándolos aleatoriamente, intercambiando

37


secciones de su código y pasándolo hacia la siguiente ronda de selección. Su
objetivo era evolucionar un dispositivo que pudiera en principio discriminar entre
tonos de frecuencias distintas (1 y 10 kilohercios), y luego distinguir entre las
palabras habladas ``go'' (adelante) y ``stop'' (para).

Su objetivo se alcanzó en 3.000 generaciones, pero el éxito fue mayor de lo que
había anticipado. El sistema que evolucionó utilizaba muchas menos celdas que
cualquier cosa que pudiera haber diseñado un ingeniero humano, y ni siquiera
necesita del componente más crítico de los sistemas diseñados por humanos -un
reloj. ¿Cómo funcionaba? Thompson no tiene ni idea, aunque ha rastreado la
señal de entrada a través de un complejo sistema de bucles realimentados del
circuito evolucionado. De hecho, de las 37 puertas lógicas que utiliza el producto
final, cinco de ellas ni siquiera están conectadas al resto del circuito de ninguna
manera -pero si se les retira la alimentación eléctrica, el circuito deja de funcionar.
Parece que la evolución ha explotado algún sutil efecto electromagnético de estas
celdas para alcanzar su solución, pero el funcionamiento exacto de la compleja e
intrincada estructura evolucionada sigue siendo un misterio (Davidson 1997).

Altshuler y Linden 1997 utilizaron un algoritmo genético para evolucionar antenas
de alambre con propiedades especificadas a priori. Los autores señalan que el
diseño de tales antenas es un proceso impreciso, comenzando con las
propiedades deseadas y luego determinando la forma de la antena mediante
``conjeturas... intuición, experiencia, ecuaciones aproximadas o estudios
empíricos'' (p. 50). Esta técnica requiere mucho tiempo, a menudo no produce
resultados óptimos y tiende a funcionar bien sólo con diseños simétricos y
relativamente simples. En contraste, con el método del algoritmo genético, el
ingeniero especifica las propiedades electromagnéticas de la antena, y el AG
sintetiza automáticamente una configuración que sirva.

38


Figure: Una antena genética de alambre doblado (de Altshuler y Linden 1997,
figura 1).

Altshuler y Linden utilizaron su AG para diseñar una antena de siete segmentos
polarizada circularmente con una cobertura hemisférica; el resultado se muestra a
la izquierda. Cada individuo del AG consistía en un cromosoma binario que
especificaba las coordenadas tridimensionales de cada extremo final de cada
alambre. La aptitud se evaluaba simulando a cada candidato de acuerdo con un
código de cableado electromagnético, y el individuo mejor de cada ronda se
construía y probaba. Los autores describen la forma de esta antena, que no se
parece a las antenas tradicionales y carece de una simetría obvia, como
`ìnusualmente extraña'' y `àntiintuitiva'' (p. 52), aunque tenía un patrón de
radiación casi uniforme y con un gran ancho de banda tanto en la simulación como
en la prueba experimental, adecuándose excelentemente a la especificación
inicial. Los autores concluyen que un método basado en algoritmos genéticos para
diseñar antenas se muestra `èxcepcionalmente prometedor''. ``... este nuevo
procedimiento de diseño es capaz de encontrar antenas genéticas capaces de
resolver de manera efectiva difíciles problemas de antenas, y será especialmente
útil en situaciones en las que los diseños existentes no sean adecuados'' (p. 52).

Mercados financieros

39


Mahfoud y Mani 1996 utilizaron un algoritmo genético para predecir el rendimiento
futuro de 1.600 acciones ofertadas públicamente. Concretamente, al AG se le
asignó la tarea de predecir el beneficio relativo de cada acción, definido como el
beneficio de esa acción menos el beneficio medio de las 1.600 acciones a lo largo
del periodo de tiempo en cuestión, 12 semanas (un cuarto del calendario) en el
futuro. Como entrada, al AG se le proporcionaron datos históricos de cada acción
en forma de una lista de 15 atributos, como la relación precio-beneficio y el ritmo
de crecimiento, medidos en varios puntos del tiempo pasado; se le pidió al AG que
evolucionara un conjunto de reglas si/entonces para clasificar cada acción y
proporcionar, como salida, una recomendación sobre qué hacer con respecto a la
acción (comprar, vender o ninguna predicción) y un pronóstico numérico del
beneficio relativo. Los resultados del AG fueron comparados con los de un sistema
establecido, basado en una red neuronal, que los autores habían estado utilizando
para pronosticar los precios de las acciones y administrar las carteras de valores
durante tres años. Por supuesto, el mercado de valores es un sistema
extremadamente ruidoso y no lineal, y ningún mecanismo predictivo puede ser
correcto el 100% del tiempo; el reto consiste en encontrar un predictor que sea
preciso más de la mitad de las veces.

En el experiemnto, el AG y la red neuronal hicieron pronósticos al final de la
semana para cada una de las 1.600 acciones, durante doce semanas
consecutivas. Doce semanas después de cada predicción, se comparó el
rendimiento verdadero con el beneficio relativo predicho. Globalmente, el AG
superó significativamente a la red neuronal: en una ejecución de prueba, el AG
predijo correctamente la dirección de una acción el 47,6% de las veces, no hizo
predicción el 45,8% de las veces y realizó una predicción incorrecta sólo un 6.6%
de las veces, una precisión predictiva total de un 87,8%. Aunque la red neuronal
realizó predicciones precisas más a menudo, también hizo predicciones erróneas
más a menudo (de hecho, los autores especulan que la mayor capacidad del AG
para no realizar predicciones cuando los datos eran dudosos fue un factor de su

40


éxito; la red neuronal siempre produce una predicción a menos que sea restringida
explícitamente por el programador). En el experimento de las 1.600 acciones, el
AG produjo un beneficio relativo de un +5,47%, contra el +4,40% de la red
neuronal -una diferencia estadísticamente significativa. De hecho, el AG también
superó significativamente a tres índices bursátiles importantes -el S&P 500, el S&P
400 y el Russell 2000- en este periodo; la casualidad fue excluída como causa de
este resultado con un margen de confianza de un 95%. Los autores atribuyen este
convincente éxito a la capacidad del algoritmo genético de percatarse de
relaciones no lineales difícilmente evidentes para los observadores humanos,
además del hecho de que carece del ``prejuicio contra las reglas antiintuitivas y
contradictorias'' (p. 562) de los expertos humanos.

Andreou, Georgopoulos y Likothanassis 2002 lograron un éxito similar utilizando
algoritmos genéticos híbridos para evolucionar redes neuronales que predijeran
los tipos de cambio de monedas extranjeras hasta un mes en el futuro. Al contrario
que en el ejemplo anterior, donde competían AGs y redes neuronales, aquí los dos
trabajaron conjuntamente: el AG evolucionó la arquitectura (número de unidades
de entrada, número de unidades ocultas y la estructura de enlaces entre ellas) de
la red, que luego era entrenada por un algoritmo de filtro.

Se le proporciaron al algoritmo 1.300 valores brutos diarios de cinco divisas como
información histórica -el dólar estadounidense, el marco alemán, el franco francés,
la libra esterlina y el dracma griego- y se le pidió que predijera sus valores futuros
para los 1, 2, 5 y 20 días posteriores. El rendimiento del AG híbrido mostró, en
general, un ``nivel excepcional de precisión'' (p. 200) en todos los casos probados,
superando a otros varios métodos, incluyendo a las redes neuronales en solitario.
Los autores concluyen que ``se ha logrado un excepcional éxito predictivo tanto
con un horizonte predictivo de un paso como de varios pasos'' (p. 208) -de hecho,
afirman que sus resultados son mejores con diferencia que cualquier estrategia
predictiva relacionada que se haya aplicado en esta serie de datos u otras divisas.

41


La utilización de los AGs en los mercados financieros ha empezado a extenderse
en las empresas de corretaje bursátil del mundo real. Naik 1996[informa de que
LBS Capital Management, una empresa estadounidense cons ede en Florida,
utiliza algoritmos genéticos para escoger las acciones de los fondos de pensiones
que administra. Coale 1997 y Begley y Beals 1995 informan de que First
Quadrant, una empresa de inversiones de Californa que mueve más de 2.200
millones de dólares, utiliza AGs para tomar decisiones de inversión en todos sus
servicios financieros. Su modelo evolucionado gana, de media, 225 dólares por
cada 100 dólares invertidos durante seis años, en contraste con los 205 dólares de
otros tipos de sistemas de modelos.

Juegos

Una de las demostraciones más novedosas y persuasivas de la potencia de los
algoritmos genéticos la presentaron Chellapilla y Fogel 2001, que utilizaron un AG
para evolucionar redes neuronales que pudieran jugar a las damas. Los autores
afirman que una de las mayores dificultades en este tipo de problemas
relacionados con estrategias es el problema de la asignación de crédito -en otras
palabras, ¿cómo escribir una función de aptitud? Se ha creído ampliamente que
los criterios simples de ganar, perder o empatar no proporcionan la suficiente
información para que un algoritmo genético averigüe qué constituye el buen juego.

En este artículo, Chellapila y Fogel echan por tierra esa suposición. Dados sólo las
posiciones espaciales de las piezas en el tablero y el número total de piezas que
posee cada jugador, fueron capaces de evolucionar un programa de damas que
jugaba a un nivel competitivo con expertos humanos, sin ninguna información de
entrada inteligente acerca de lo que constituye el buen juego -es más, ni siquiera
se les dijo a los individuos del algoritmo evolutivo cuál era el criterio para ganar, ni
se les dijo el resultado de ningún juego.

42


En la representación de Chellapilla y Fogel, el estado del juego estaba
representado por una lista numérica de 32 elementos, en donde cada posición de
la lista correspondía a una posición disponible en el tablero. El valor de cada
posición era 0 para una casilla desocupada, -1 si esa casilla estaba ocupada por
una pieza enemiga, +1 si la casilla estaba ocupada por una de las piezas del
programa, y -K o +K si la casilla estaba ocupada por una dama enemiga o amiga.
(El valor de K no se especificaba a priori, sino que, de nuevo, era determinado por
la evolución durante el curso del algoritmo). Acompañando a todo esto había una
red neuronal con múltiples capas de procesamiento y una capa de entrada con un
nodo para cada una de las 4x4, 5x5, 6x6, 7x7 y 8x8 posibles casillas del tablero.
La salida de la red neuronal para una colocación de las piezas dada era un valor
entre -1 y +1, que indicaba cómo de buena le parecía esa posición. Para cada
movimiento, se le presentaba a la red neuronal un árbol de juego que contenía
todos los movimientos posibles hasta cuatro turnos en el futuro, y el movimiento se
decidía basándose en qué rama del árbol producía los mejores resultados.

El algoritmo evolutivo comenzó con una población de 15 redes neuronales con
pesos y tendencias, generados aleatoriamente, asignados a cada nodo y
conexión; luego, cada individuo se reprodujo una vez, generando una
descendencia con variaciones en los valores de la red. Luego estos 30 individuos
compitieron por la supervivencia jugando entre ellos; cada individuo compitió en
cada turno con 5 oponentes elegidos aleatoriamente. Se otorgó 1 punto a cada
victoria y se descontaban 2 puntos por cada derrota. Se seleccionaron los 15
mejores jugadores en relación a su puntuación total, y el proceso se repitió. La
evolución continuó durante 840 generaciones más (aproximadamente seis meses
de tiempo de computación).

Clase Puntuación

Gran Maestro +2.400

43


Maestro 2.200-2.399

Experto 2.000-2.199

Clase A 1.800-1.999

Clase B 1.600-1.799

Clase C 1.400-1.599

Clase J <200

El mejor individuo que surgió de esta selección fue inscrito como competidor en la
página web de juegos http://www.zone.com. Durante un periodo de dos meses,
jugó contra 165 oponentes humanos que componían una gama de niveles altos,
desde clase C a maestros, de acuerdo con el sistema de clasificaciones de la
Federación de Ajedrez de Estados Unidos (mostrado a la izquierda, con algunos
rangos omitidos en aras de claridad). De estas partidas, la red neuronal ganó 94,
perdió 39 y empató 32; en base a las clasificaciones de los oponentes en estas
partidas, la red neuronal evolucionada era equivalente a un jugador con una
puntuación media de 2.045,85, colocándola en el nivel experto -una clasificación
superior a la del 99,61% de los 80.000 jugadores registrados en la página web.
Una de las victorias más significativas de la red neuronal fue cuando venció a un
jugador clasificado en la posición 98 de todos los jugadores registrados, cuya
puntuación estaba tan sólo 27 puntos por debajo del nivel de maestro.

Las pruebas realizadas con un sencillo programa diferencial en las piezas (que
basa sus movimientos solamente en la diferencia entre el número de piezas que
quedan en cada lado) con una capacidad de anticipación de 8 movimientos
demostró que la red neuronal era significativamente superior, con una puntuación
de más de 400 puntos por encima. ``Un programa que se basa sólo en el número
de piezas y en una búsqueda de ocho capas vencerá a muchas personas, pero no
es un experto. La mejor red neuronal evolucionada sí lo es'' (p. 425). Aunque

44


podía buscar posiciones dos movimientos más lejos que la red neuronal, el
programa diferencial en las piezas perdió contundentemente 8 de 10 partidas.
Esto demuestra concluyentemente que la red neuronal evolucionada no sólo está
contando piezas, sino que de alguna manera procesa las características
espaciales del tablero para decidir sus movimientos. Los autores señalan que los
oponentes de zone.com que los movimientos de la red neuronal eran ``extraños'',
pero su nivel global de juego fue descrito como ``muy duro'' o con términos
elogiosos similares.

Para probar más a la red neuronal evolucionada (a la que los autores nombraron
``Anaconda'' porque a menudo ganaba restringiendo la movilidad de sus
oponentes), jugó contra un programa de damas comercial, el Hoyle Classic
Games, distribuído por Sierra Online (Chellapilla y Fogel 2000). Este programa
viene con un surtido de personajes incorporados, cada uno con un nivel de juego
distinto. Anaconda se puso a prueba con tres personajes (``Beatrice'', ``Natasha'' y
``Leopold'') designados como jugadores expertos, jugando una partida con las
rojas y otra partida con las blancas contra cada uno de ellos con una capacidad de
anticipación de 6 movimientos. Aunque los autores dudaban de que esta
profundidad de anticipación pudiera darla a Anaconda la capacidad de juego
experto que demostró anteriormente, consiguió seis victorias seguidas de las seis
partidas jugadas. Basándose en este resultado, los autores expresaron
escepticismo sobre si el software Hoyle jugaba al nivel que anunciaba, ¡aunque
debe señalarse que llegaron a esta conclusión basándose solamente en la
facilidad con la que Anaconda le venció!

La prueba definitiva de Anaconda se detalla en Chellapilla y Fogel 2002, cuando la
red neuronal evolucionada jugó contra el mejor jugador de damas del mundo:
Chinook, un programa diseñado principalmente por el Dr. Jonathan Schaeffer, de
la Universidad de Alberta. Con una puntuación de 2.814 en 1996 (mientras que
sus competidores humanos más cercanos andan por los 2.600), Chinook
incorpora un libro de movimientos de apertura proporcionado por grandes
45


maestros humanos, un conjunto sofisticado de algoritmos de juego para la parte
central de la partida, y una base de datos completa de todos los movimientos
posibles cuando quedan en el tablero 10 piezas o menos, de manera que nunca
comete un error durante un final de partida. Se invirtió una cantidad enorme de
inteligencia y experiencia humana en el diseño de este programa.

Chellapilla y Fogel enfrentaron a Anaconda y Chinook en un torneo de 10 partidas,
con Chinook jugando al nivel de 5 capas de anticipación, aproximándolo más o
menos al nivel de maestro. Chinook ganó esta competición, cuatro victorias a dos,
con cuatro empates. (Curiosamente, como señalan los autores, en dos de las
partidas que acabaron con empate, Anaconda lideraba con cuatro damas mientras
que Chinook tenía tres. Además, una de las victorias de Chinook vino tras una
serie de movimientos con búsqueda de 10 capas sacados de su base de datos de
finales de partida; unos movimientos que Anaconda, con una anticipación de 8
capas, no pudo anticipar. Si Anaconda hubiera tenido acceso a una base de datos
de finales de partida de la misma calidad de la de Chinook, el resultado del torneo
bien podría haber sido el de victoria para Anaconda, cuatro a tres). Estos
resultados ``proporcionan un buen sustento a la puntuación de experto que se
ganó Anaconda en www.zone.com'' (p. 76), con una puntuación global de 2.030-
2.055, comparable a la puntuación de 2.045 que ganó jugando contra humanos.
Aunque Anaconda no es un jugador invulnerable, es capaz de jugar
competitivamente en el nivel experto y comportarse ante una variedad de
jugadores de damas humanos extremadamente hábiles. Cuando uno considera
los criterios de aptitud tan sencillos con los que se obtuvieron estos resultados, el
surgimiento de Anaconda proporciona una espectacular corroboración del poder
de la evolución.

Geofísica

Sambridge y Gallaguer 1993 utilizaron un algoritmo genético para los hipocentros
de los terremotos basándose en datos sismológicos. (El hipocentro es el punto

46


bajo la superficie terrestre en el que se origina un terremoto. El epicentro es el
punto de la superficie directamente encima del hipocentro). Esto es una tarea
sumamente compleja, ya que las propiedades de las ondas sísmicas dependen de
las propiedades de las capas de roca a través de las que viajan. El método
tradicional para localizar el hipocentro se basa en lo que se conoce como
algoritmo de inversión sísmico, que empieza con la mejor estimación de la
ubicación, calcula las derivadas del tiempo de viaje de la onda con respecto al
punto de origen, y realiza una operación de matriz para proporcionar una
ubicación actualizada. Este proceso se repite hasta que se alcanza una solución
aceptable. (Este Mensaje del Mes, de noviembre de 2003, proporciona más
información). Sin embargo, este método requiere información diferencial y es
propenso a quedar atrapado en óptimos locales.

Un algoritmo de localización que no dependa de información diferencial o modelos
de velocidad puede evitar esta deficiencia calculando sólo el problema directo -la
diferencia entre los tiempos de llegada de la onda observados y predichos para
distintas localizaciones del hipocentro. Sin embargo, un método de búsqueda
exhaustivo basado en este método sería demasiado costoso computacionalmente.
Éste, por supuesto, es precisamente el tipo de problema de optimización en el que
destacan los algoritmos genéticos. Como todos los AGs, el propuesto por el
artículo citado es paralelo en naturaleza -en lugar de mover un solo hipocentro
más y más cerca hacia la solución, comienza con una nube de hipocentros
potenciales que encoge con el tiempo hasta converger en una sola solución. Los
autores afirman que su método ``puede localizar rápidamente soluciones casi
óptimas sin una búsqueda exhaustiva del espacio de parámetros'' (p. 1.467),
muestra `ùn comportamiento muy organizado que produce una búsqueda
eficiente'' y es `ùn compromiso entre la eficiencia de los métodos basados en
derivadas y la robustez de una búsqueda exhaustiva completamente no lineal'' (p.
1.469). Los autores concluyen que su algoritmo genético es `èficiente para una

47


verdadera optimización global'' (p. 1.488) y ``una herramienta nueva y poderosa
para realizar búsquedas robustas de hipocentros'' (p. 1.489).

Ingeniería de materiales

Giro, Cyrillo y Galvão 2002 utilizaron algoritmos genéticos para diseñar polímeros
conductores de electricidad basados en el carbono, conocicos como polianilinas.
Estos polímeros, un tipo de material sintético inventado recientemente, tienen
``grandes aplicaciones tecnológicas potenciales'' y podrían abrir la puerta a
``nuevos fenómenos físicos fundamentales'' (p. 170). Sin embargo, debido a su
alta reactividad, los átomos de carbono pueden formar un número virtualmente
infinito de estructuras, haciendo que la búsqueda de nuevas moléculas con
propiedades interesantes sea del todo imposible. En este artículo, los autores
aplican un enfoque basado en AGs a la tarea de diseñar moléculas nuevas con
propiedades especificadas a priori, comenzando con una población de candidatos
iniciales generada aleatoriamente. Concluyen que su metodología puede ser una
``herramienta muy efectiva'' (p. 174) para guiar a los investigadores en la
búsqueda de nuevos compuestos y es lo suficientemente general para que pueda
extenderse al diseño de nuevos materiales que pertenezcan virtualmente a
cualquier tipo de molécula.

Weismann, Hammel, y Bäck 1998 aplicaron algoritmos evolutivos a un problema
industrial ``no trivial'' (p. 162): el diseño de revestimientos ópticos multicapa para
filtros que reflejan, transmiten o absorben luz de frecuencias especificadas. Estos
revestimientos se utilizan en la fabricación de gafas de sol, por ejemplo, o discos
compactos. Su fabricación es una tarea precisa: las capas deben colocarse en una
secuencia particular y con un grosor particular para producir el resultado deseado,
y las variaciones incontrolables del entorno de fabricación, como la temperatura, la
polución o la humedad, pueden afectar al rendimiento del producto acabado.
Muchos óptimos locales no son robustos ante estas variaciones, lo que significa
que una mayor calidad del producto se paga con una tasa mayor de desviaciones

48


indeseadas. El problema particular considerado en este artículo también tenía
múltiples criterios: además de la reflectancia, también se consideró la composición
espectral (color) de la luz reflejada.

El AE actuó variando el número de capas de revestimiento y el grosor de cada una
de ellas, y produjo diseños que eran ``sustancialmente más robustos a la variación
de parámetros'' (p. 166) y tenían un rendimiento medio mayor que los métodos
tradicionales. Los autores concluyen que ``los algoritmos evolutivos pueden
competir e incluso superar a los métodos tradicionales'' (p. 167) de diseño de
revestimientos ópticos multicapa, sin tener que incorporar un conocimiento
específico del dominio en la función de búsqueda y sin tener que alimentar a la
población con buenos diseños iniciales.

Es digno de mención otro uso de los AGs en el campo de la ingeniería de
materiales: Robin et al. 2003 utilizaron AGs para diseñar patrones de exposición
para un haz de electrones de litografía, utilizado para grabar estructuras a una
escala menor a la del micrómetro en circuitos integrados. Diseñar estos patrones
es una tarea muy difícil; es pesado y costoso determinarlos experimentalmente,
pero la alta dimensionalidad del espacio de búsqueda frustra a la mayoría de los
algoritmos de búsqueda. Deben optimizarse simultáneamente hasta 100
parámetros para controlar el haz de electrones y evitar la dispersión y efectos de
proximidad que arruinarían las estructuras finas que se estén esculpiendo. El
problema directo -determinar la estructura resultante como función de la cantidad
de electrones- es sencillo y fácil de simular, pero el problema inverso de
determinar la cantidad de electrones para producir una estructura dada, que es lo
que se pretende resolver aquí, es mucho más difícil y no existe una solución
determinista.

Se aplicaron algoritmos genéticos a este problema, ya que ``se sabe que son
capaces de encontrar soluciones buenas a problemas muy complejos de alta
dimensionalidad'' (p. 75) sin necesidad de proporcionarles información específica

49


del dominio acerca de la topología del paisaje de búsqueda. Los autores del
artículo emplearon un AG de estado estacionario con selección por rueda de ruleta
en una simulación por computador, que produjo unos patrones de exposición
``muy bien optimizados'' (p. 77). En contraste, se utilizó un tipo de trepacolinas
conocido como algoritmo bajacolinas-simplex (simplex-downhill) en el mismo
problema, sin éxito; el método BS quedaba rápidamente atrapado en óptimos
locales de los que no podía escapar, produciendo soluciones de poca calidad. Un
híbrido entre los métodos del AG y el BS tampoco pudo mejorar los resultados
ofrecidos por el AG en solitario.

Matemáticas y algoritmia

Aunque algunas de las aplicaciones más prometedoras y las demostraciones más
convincentes de la potencia de los AGs se encuentran en el campo de la
ingeniería de diseño, también son relevantes en problemas ``puramente''
matemáticos. Haupt y Haupt 1998 describen el uso de AGs para resolver
ecuaciones de derivadas parciales no lineales de alto orden, normalmente
encontrando los valores para los que las ecuaciones se hacen cero, y dan como
ejemplo una solución casi perfecta para los coeficientes de la ecuación de quinto
orden conocida como Super Korteweg-de Vries.

Ordenar una lista de elementos es una tarea importante en la informática, y una
red de ordenación es una manera eficiente de conseguirlo. Una red de ordenación
es una lista fija de comparaciones realizadas en un conjunto de un tamaño dado;
en cada comparación se comparan dos elementos y se intercambian si no están
en orden 1999 utilizaron programación genética para evolucionar redes de
ordenación mínimas para conjuntos de 7 elementos (16 comparaciones),
conjuntos de 8 elementos (19 comparaciones) y conjuntos de 9 elementos (25
comparaciones). Mitchell 1996, describe el uso de algoritmos genéticos por W.
Daniel Hillis para encontrar una red de ordenación de 61 comparaciones para un
conjunto de 16 elementos, sólo un paso más allá de la más pequeña conocida.

50


Este último ejemplo es especialmente interesante por las dos innovaciones que
utiliza: cromosomas diploides y, más notablemente, coevolución de
huésped/parásito. Tanto las redes de búsqueda como los casos de prueba
evolucionaron conjuntamente; se les otorgó mayor aptitud a las redes de
ordenación que ordenaran correctamente un mayor número de casos de prueba,
mientras que se les otorgó mayor aptitud a los casos de prueba que pudieran
``engañar'' a un mayor número de redes de búsqueda para que ordenaran
incorrectamente. El AG con coevolución rindió significativamente mejor que el
mismo AG sin ella.

Un ejemplo final de AG digno de mención en el campo de la algoritmia puede
encontrarse en 1999 que utilizó programación genética para descubrir una regla
para el problema de clasificación por mayoría en autómatas celulares de una
dimensión, una regla mejor que todas las reglas conocidas escritas por humanos.
Un autómata celular de una dimensión puede imaginarse como una cinta finita con
un número dado de posiciones (celdas) en ella, cada una de las cuales puede
contener el estado 0 o el estado 1. El autómata se ejecuta durante un número
dado de pasos temporales; en cada paso, cada celda adquiere un nuevo valor
basado en su valor anterior y el valor de sus vecinos más cercanos. (El Juego de
la Vida es un autómata celular bidimensional). El problema de la clasificación por
mayoría implica encontrar una tabla de reglas tal que si más de la mitad de las
celdas de la cinta son 1 inicialmente, todas las celdas se ponen a 1; de lo
contrario, todas las celdas se ponen a 0. El reto consiste en el hecho de que
cualquier celda individual sólo tiene acceso a información acerca de sus vecinos
más cercanos; por lo tanto, los conjuntos de reglas buenos deben encontrar de
algún modo una manera de transmitir información sobre regiones distantes de la
cinta.

Se sabe que no existe una solución perfecta a este problema -ningún conjunto de
reglas puede clasificar con precisión todas las configuraciones iniciales posibles-,
pero durante los últimos veinte años ha habido una larga sucesión de soluciones
51


cada vez mejores. En 1978, tres investigadores desarrollaron la famosa regla
GKL, que clasifica correctamente un 81,6% de los posibles estados iniciales. En
1993, se descubrió una regla mejor con una precisión de un 81,8%; en 1995 se
encontró otra regla con una precisión de un 82,178%. Todas estas reglas
requirieron para su desarrollo de un esfuerzo significativo por parte de humanos
inteligentes y creativos. En contraste, la mejor regla descubierta mediante
programación genética, tiene una precisión total de 82,326% -mejor que
cualquiera de las soluciones humanas desarrolladas durante las dos últimas
décadas. Los autores señalan que sus nuevas reglas son cualitativamente
distintas a las reglas publicadas con anterioridad, al emplear representaciones
internas muy detalladas de la densidad de estados y conjuntos intrincados de
señales para comunicar información a largas distancias.

Ejército y cumplimiento de la ley

Kewley y Embrechts 2002 utilizaron algoritmos genéticos para evolucionar planes
tácticos para las batallas militares. Los autores señalan que ``planear una batalla
militar táctica es una tarea compleja multidimensoinal que a menudo atormenta a
los profesionales experimentados'' (p. 163), no sólo porque este tipo de decisiones
a menudo se toman bajo condiciones de mucho estrés, sino también porque hasta
los planes más sencillos requieren tomar en cuenta un gran número de variables y
consecuencias: minimizar las bajas amigas, maximizar las bajas enemigas,
controlar el terreno deseado, conservar recursos, etcétera. Los planificadores
humanos tienen dificultades al tratar con las complejidades de esta tarea y a
menudo deben recurrir a métodos ``rápidos y sucios'', como hacer lo que
funcionase la última vez.

Para superar estas dificultades, los autores del artículo citado desarrollaron un
algoritmo genético para automatizar la creación de planes de batalla, en
conjunción con un programa gráfico de simulación de batallas. El comandante
introduce el resultado deseado y el AG evoluciona automáticamente un plan de

52


batalla; en la simulación utilizada, se tomaron en cuenta factores como la
topografía del terreno, la cobertura vegetal, la velocidad del movimiento de tropas,
y la precisión en los disparos. En este experimento también se utilizó la
coevolución para mejorar la calidad de las soliciones: los planes de batalla de las
fuerzas enemigas evolucionaron simultáneamente con los planes amigos,
forzando al AG a corregir cualquier debilidad de su plan que pudiese explotar el
enemigo. Para medir la calidad de las soluciones producidas por el AG, se
compararon con planes de batalla para el mismo escenario producidos por un
grupo de ``expertos militares experimentados... considerados muy capaces de
desarrollar planes de acción para el tamaño de las fuerzas utilizadas en este
experimento'' (p. 166). Estos avezados expertos desarrollaron su propio plan y,
cuando la solución del AG estuvo acabada, se les dio la oportunidad de
examinarla y modificarla como vieran conveniente. Finalmente, todos los planes se
ejecutaron varias veces en el simulador para determinar su calidad media.

Los resultados hablan por sí mismos: la solución evolucionada superó tanto al
propio plan de los expertos militares como al plan producido por sus
modificaciones sobre la solución del AG. ``...Los planes producidos por los
algoritmos automáticos tenían un rendimiento medio significativamente mayor al
de los generados por los experimentados expertos militares'' (p. 161). Es más, los
autores señalan que el plan del AG tenía sentido táctico. (Consistía en un ataque a
dos flancos a la posición enemiga por pelotones de infantería mecanizada
apoyados por helicópteros de ataque y exploradores terrestres, en conjunción con
vehículos aéreos no tripulados realizando labores de reconocimiento para el fuego
directo de artillería). Por añadidura, el plan evolucionado incluía unidades amigas
individuales llevando a cabo misiones doctrinales -una propiedad emergente que
apareció durante el curso de la ejecución, en lugar de ser especificada por el
experimentador. En campos de batalla modernos, cada vez más conectados por
red, el atractivo potencial de un algoritmo evolutivo que pueda automatizar la
producción de planes tácticos de alta calidad debería ser obvio.

53


Naik 1996 informa de un uso interesante de los AGs en el cumplimiento de la ley,
describiendo el software ``FacePrints'', un proyecto para ayudar a los testigos a
identificar y describir a los sospechosos criminales. La imagen cliché del artista
policía haciendo un dibujo del rostro del sospechoso en base a la descripción de
los testigos es un método difícil e ineficiente: la mayoría de la gente no es buena
describiendo aspectos individuales del rostro de una persona, como el tamaño de
la nariz o la forma de la mandíbula, pero sin embargo son mejores al reconocer
caras completas. FacePrints aprovecha esto utilizando un algoritmo genético que
evoluciona dibujos de caras basándose en bases de datos de cientos de
características individuales que pueden combinarse de infinitas maneras. El
programa muestra a los testigos imágenes de rostros generadas aleatoriamente, y
éstos escogen las que más se parecen a la persona que vieron; las caras
seleccionadas mutan y se combinan para generar nuevas combinaciones de
características, y el proceso se repite hasta que emerge un retrato preciso del
rostro del sospechoso. En un caso real de atraco, los retratos definitivos que
crearon los tres testigos eran sorprendentemente parecidos, y el dibujo resultante
apareció en el periódico local.

Biología molecular

En los seres vivos, las proteínas transmembrana son proteínas que sobresalen de
una membrana celular. Las proteínas transmembrana realizan a menudo
funciones importantes como detectar la presencia de ciertas sustancias en el
exterior de la célula o transportarlas hacia el interior de la célula. Para comprender
el comportamiento de una proteína transmembrana es necesario identificar el
segmento de la proteína que realmente está insertado en la membrana, lo que se
conoce como dominio transmembrana. Durante las dos últimas décadas, los
biólogos moleculares han publicado una serie de algoritmos cada vez más
precisos para este propósito.

54


Todas las proteínas utilizadas por los seres vivos están formadas por los mismos
20 aminoácidos. Algunos de estos aminoácidos son hidrofóbicos, lo que significa
que repelen el agua, y algunos son hidrofílicos, lo que significa que atraen el agua.
Las secuencias de aminoácidos que son parte de un dominio transmembrana
tienen probabilidad de ser hidrofóbicas. Sin embargo, la hidrofobicidad no es una
característica definida con precisión, y no existe acuerdo sobre una escala para
medirla.

Koza et al. 1999 utilizaron programación genética para diseñar un algoritmo que
identificase el dominio transmembrana de una proteína. Se le suministró al
programa genético un conjunto de operadores matemáticos estándares con los
que trabajar, además de un conjunto de funciones booleanas para la detección de
aminoácidos que devuelven +1 si el aminoácido de una posición dada es el
aminoácido que detectan o -1 en caso contrario. (Por ejemplo, la función A? recibe
como argumento un número que corresponde a una posición dentro de la
proteína, y devuelve +1 si el aminoácido de esa posición es alanina, denotado por
la letra A, y si no devuelve -1). Una variable de memoria compartida contenía una
cuenta de la suma total, y cuando el algoritmo acababa, el segmento proteínico se
identificaba como dominio transmembrana si su valor era positivo. Con tan sólo
estas herramientas, ¿haría falta más información para que un diseñador humano
produjese una solución eficiente a este problema?

Las aptitudes de las soluciones producidas por la programación genética fueron
evaluadas probándolas con 246 segmentos proteínicos de los que se conocía su
condición de transmembrana. Luego se evaluó al mejor individuo de la prueba con
250 casos adicionales inéditos (out-of-sample), y se comparó su efectividad con la
de los cuatro mejores algoritmos humanos para el mismo propósito. El resultado:
la programación genética produjo un algoritmo de identificación de segmentos
transmembrana con una tasa total de error del 1,6%-significativamente menor que
las de los cuatro algoritmos humanos, el mejor de los cuales tenía una tasa de

55


error del 2,5%. El algoritmo diseñado genéticamente, al que los autores llamaron
regla 0-2-4, funciona de la manera siguiente:

Incrementar la suma en 4 unidades por cada instancia de ácido glutámico
(un aminoácido cargado eléctricamente y muy hidrofílico) del segmento
proteínico.
Incrementar la suma en 0 unidades por cada instancia de alanina,
fenilanalina, isoleucina, leucina, meionina o valina (todos aminoácidos muy
hidrofóbicos) del segmento proteínico.
Incrementar la suma en 2 unidades por cada instancia de cualquier otro
aminoácido.
Si [(SUMA - 3,1544)/0,9357] es menor que la longitud del segmento
proteínico, clasificar ese segmento como dominio transmembrana; de lo
contrario, clasificarlo como dominio no transmembrana.

Reconocimiento de patrones y explotación de datos

La competición en la industria actual de las telecomunicaciones es feroz, y se ha
acuñado un nuevo término -``fuga''1- para describir la velocidad a la que los
usuarios se cambian de un proveedor de servicios a otro. La fuga le cuesta a las
compañías de telecomunicaciones una gran cantidad de dinero cada año, y
reducir las fugas es un factor importante para aumentar la rentabilidad. Si las
compañías pueden contactar con los clientes que tienen probabilidad de cambiar y
ofrecerles incentivos especiales para que se queden, puede reducirse la tasa de
fugas; pero ninguna compañía tiene los recursos para contactar a más de un
pequeño porcentaje de sus clientes. El problema es, por tanto, cómo identificar a
los clientes que más piensen fugarse con mayor probabilidad. Todas las
compañías tienen grandes bases de datos con información de los clientes que
teóricamente puede utilizarse para este propósito; pero ¿qué método funciona
mejor para examinar esta enorme cantidad de datos e identificar los sutiles
patrones y tendencias que indican la probabilidad de fuga de un cliente?

56


Au, Chan y Yao 2003[7] aplicaron algoritmos genéticos a este problema para
generar un conjunto de reglas de tipo si-entonces para predecir la probabilidad de
fuga de distintos grupos de clientes. En su AG, la primera generación de reglas,
todas las cuales tenían una condición, fue generada utilizando una técnica de
inducción probabilística. Las generaciones posteriores las refinaron, combinando
sencillas reglas de una condición con reglas más complejas con varias
condiciones. Para la medición de la aptitud se utilizó una medida de correlación
objetiva de la ``interesantitud'', que no necesitaba información de entrada
subjetiva. El algoritmo evolutivo de explotación de datos se probó sobre una base
de datos real de 100.000 clientes proporcionada por una compañía malasia, y su
rendimiento se comparó con el de dos métodos alternativos: una red neuronal
multicapa y un algoritmo basado en árbol de decisiones ampliamente utilizado, el
C4.5. Los autores afirman que su AE fue capaz de descubrir regularidades ocultas
en la base de datos y ``fue capaz de hacer predicciones precisas de fuga con
distintas tasas de fuga'' (p. 542), superando al C4.5 bajo todas las circunstancias,
superando a la red neuronal en tasas mensuales de fuga bajas e igualándola en
tasas de fuga mayores y, en ambos casos, alcanzando las conclusiones más
rápidamente. Algunas ventajas más del enfoque evolutivo son que puede
funcionar eficientemente incluso cuando faltan algunos campos de datos, y que
puede expresar sus descubrimientos en conjuntos de reglas fácilmente
comprensibles, al contrario que la red neuronal.

Entre algunas de las reglas más interesantes halladas por el AE se encuentran las
siguientes: los clientes tienen más probabilidad de fugarse si se han suscrito
personalmente al plan de servicios y no han sido admitidos en ningún plan de
bonificación (una solución potencial sería admitir a todos esos clientes en planes
de bonificación); los clientes tienen más probabilidad de fugarse si viven en Kuala
Lumpur, tienen entre 36 y 44 años y pagan sus facturas en efectivo
(supuestamente porque es más fácil cambiarse de proveedor para los clientes que
pagan al contado, a diferencia de los que cargan en cuenta automáticamente); y

57


los clientes que viven en Penang y contrataron a través de un cierto vendedor
tienen más probabilidades de fugarse (este vendedor puede estar proporcionando
un mal servicio al cliente y debería ser investigado).

Rizki, Zmuda y Tamburino 2002 utilizaron algoritmos evolutivos para evolucionar
un complejo sistema de reconocimiento de patrones con una amplia variedad de
usos potenciales. Los autores señalan que el reconocimiento de patrones es una
tarea cada vez más realizada por algoritmos de aprendizaje automático, en
particular, algoritmos evolutivos. La mayoría de ellos comienzan con un acervo de
características predefinidas, del que un AE puede seleccionar combinaciones
apropiadas para la tarea en cuestión; en contraste, este método empezaba desde
cero, primero evolucionando detectores individuales de característica en forma de
árboles de expresiones, y luego evolucionando combinaciones cooperativas de
esos detectores para producir un sistema completo de reconocimiento de
patrones. El proceso evolutivo selecciona automáticamente el número de
detectores de característica, la complejidad de los detectores y los aspectos
específicos de los datos a los que responde cada detector.

Para probar su sistema, los autores le asignaron la tarea de clasificar aviones
basándose en sus reflexiones rádar. Un mismo tipo de avión puede devolver
señales bastante distintas dependiendo del ángulo y elevación desde el que se le
observa, y distintos tipos de avión pueden devolver señales muy parecidas, así
que esto no es una tarea trivial. El sistema de reconocimiento de patrones
evolucionado clasificó correctamente un 97,2% de los objetivos, un porcentaje
neto mayor que el de las otras tres técnicas -una red neuronal perceptrón, un
algoritmo clasificador KNN y un algoritmo de base radial- con las que fue
comparado. (La precisión de la red de base radial era sólo un 0,5% menor que la
del clasificador evolucionado, una diferencia que no es estadísticamente
significativa, pero la red de base radial necesitó 256 detectores de característica
mientras que el sistema reconocedor evolucionado sólo utilizó 17). Como afirman
los autores, ``los sistemas de reconocimiento que evolucionan utilizan menos
58


características que los sistemas producidos utilizando técnicas convencionales,
pero consiguen una precisión de reconocimiento comparable o superior'' (p. 607).
También se han aplicado varios aspectos de su sistema en problemas que
incluyen el reconocimiento óptico de caracteres, la revisión industrial y el análisis
médico de imágenes.

Hughes y Leyland 2000 también aplicaron AGs multiobjetivo a la tarea de clasificar
objetivos basándose en sus reflexiones rádar. Los datos de una sección
transversal rádar de alta resolución necesitan enormes cantidades de espacio de
almacenamiento en disco, y producir un modelo realista de la fuente a partir de los
datos es muy costoso computacionalmente. En contraste, el método basado en el
AG de los autores demostró ser muy exitoso, produciendo un modelo tan bueno
como el del método iterativo tradicional, pero reduciendo el gasto computacional y
las necesidades de almacenamiento hasta el punto de que era factible generar
buenos modelos en un ordenador de escritorio. En contraste, el método iterativo
tradicional requiere diez veces más resolución y 560.000 veces más accesos a los
datos de imagen para producir modelos de calidad similar. Los autores concluyen
que sus resultados ``demuestran claramente'' (p. 160) la capacidad del AG de
procesar datos de rádar bidimensionales y tridimensionales de cualquier nivel de
resolución con muchos menos cálculos que los métodos tradicionales,
manteniendo una precisión aceptablemente alta.

Robótica

El torneo internacional RoboCup es un proyecto para promocionar el avance de la
robótica, la inteligencia artificial y los campos relacionados, proporcionando un
problema estándar con el que probar las nuevas tecnologías -concretamente, es
un campeonato anual de fútbol entre equipos de robots autónomos. (El objetivo
fijado es desarrollar un equipo de robots humanoides que puedan vencer al equipo
humano de fútbol que sea campeón del mundo en 2050; actualmente, la mayoría
de los equipos de robots participantes funcionan con ruedas). Los programas que

59


controlan a los miembros del equipo robótico deben exhibir un comportamiento
complejo, decidiendo cuándo bloquear, cuándo tirar, cómo moverse, cuándo pasar
la pelota a un compañero, cómo coordinar la defensa y el ataque, etcétera. En la
liga simulada de 1997, David Andre y Astro Teller inscribieron a un equipo llamado
Darwin United cuyos programas de control habían sido desarrollados
automáticamente desde cero mediante programación genética, un desafío a la
creencia convencional de que ``este problema es simplemente demasiado difícil
para una técnica como ésa'' (Andre y Teller 1999, p. 346).

Para resolver este difícil problema, Andre y Teller le proporcionaron al programa
genético un conjunto de funciones de control primitivas como girar, moverse, tirar,
etcétera. (Estas funciones estaban también sujetas al cambio y refinamiento
durante el curso de la evolución). Su función de aptitud, escrita para que
recompensara el buen juego en general en lugar de marcar goles expresamente,
proporcionaba una lista de objetivos cada vez más importantes: acercarse a la
pelota, golpear la pelota, conservar la pelota en el campo contrario, moverse en la
dirección correcta, marcar goles y ganar el partido. Debe señalarse que no se
suministró ningún código para enseñar específicamente al equipo cómo conseguir
estos objetivos complejos. Luego los programas evolucionados se evaluaron
utilizando un modelo de selección jerárquico: en primer lugar, los equipos
candidatos se probaron en un campo vacío y, si no marcaban un gol en menos de
30 segundos, se rechazaban. Luego se evaluaron haciéndoles jugar contra un
equipo estacionario de ``postes pateadores'' que golpeaban la pelota hacia el
campo contrario. En tercer lugar, el equipo jugaba un partido contra el equipo
ganador de la competición RoboCup de 1997. Finalmente, los equipos que
marcaron al menos un gol contra este equipo jugaron unos contra otros para
determinar cuál era el mejor.

De los 34 equipos de su división, Darwin United acabó en decimoséptima posición,
situándose justo en el medio de la clasificación y superando a la mitad de los
participantes escritos por humanos. Aunque una victoria en el torneo sin duda
60


habría sido más impresionante, este resultado es competitivo y significante de
pleno derecho, y lo parece aún más a la luz de la historia. Hace unos 25 años, los
programas informáticos que jugaban al ajedrez estaban en su infancia; por primera
vez, una computadora había sido inscrita recientemente en una competición
regional, aunque no ganó (Sagan 1979, p. 286). Pero ``una máquina que juega al
ajedrez a un nivel medio de la capacidad humana es una máquina muy capaz''
(ibid.), y podría decirse que lo mismo es cierto para el fútbol robotizado. Si las
máquinas de ajedrez actuales compiten al nivel de los grandes maestros, ¿qué
tipo de sistemas producirá la programación genética dentro de 20 o 30 años?

Diseño de rutas y horarios

Burke y Newall 1999 utilizaron algoritmos genéticos para diseñar los horarios de
los exámenes universitarios. Se sabe que, en general, el problema del horario es
NP-completo, lo que significa que no se conoce un método para hallar con
garantías una solución óptima en un tiempo razonable. En un problema así, hay
restricciones duras -no puede asignarse el mismo aula a dos exámenes a la vez- y
restricciones suaves -si es posible, no deben asignarse varios exámenes en
sucesión a un mismo estudiante, para minimizar la fatiga. Las restricciones duras
deben satisfacerse, mientras que las restricciones suaves deben satisfacerse lo
máximo posible. Los autores llaman ``algoritmo memético'' a su método híbrido
para resolver este problema: un algoritmo evolutivo con selección por rango
proporcional a la aptitud, combinado con un trepacolinas local para optimizar las
soluciones halladas por el AE. El AE se utilizó en cuatro conjuntos de datos de
universidades reales (la menor de las cuales tenía 25.000 alumnos), y sus
resultados se compararon con los resultados producidos por un método heurístico
de vuelta atrás, un algoritmo muy consolidado que se encuentra entre los mejores
que se conocen para este problema y que se utiliza en varias universidades.
Comparado con este método, el AE produjo un resultado con una reducción de la
penalización bastante uniforme del 40%.

61


He y Mort 2000 aplicaron algoritmos genéticos al problema de hallar rutas óptimas
en las redes de telecomunicaciones (como las redes de telefonía e Internet), que
se usan para transmitir datos desde los remitentes hasta los destinatarios. Esto es
un problema NP-difícil, un tipo de problema para el que los AGs son
``extremadamente aptos... y han encontrado una enorme variedad de aplicaciones
exitosas en esos campos'' (p. 42). Es además un problema multiobjetivo, en el que
hay que equilibrar objetivos en conflicto como maximizar el caudal de datos,
minimizar los retrasos en la transmisión y la pérdida de datos, encontrar caminos
de bajo coste y distribuír la carga uniformemente entre los encaminadores o
conmutadores de la red. Cualquier algoritmo real satisfactorio debe también ser
capaz de redirigir el tráfico de las rutas principales que fallen o estén
congestionadas.

En el AG híbrido de los autores se utilizó un algoritmo de tipo ``primero el camino
más corto'', que minimiza el número de ``saltos'' que debe realizar un paquete de
datos dado, para generar la semilla de la población inicial. Sin embargo, esta
solución no tiene en cuenta la congestión o fallo de los enlaces, condiciones
inevitables en redes reales, y es entonces cuando el AG toma el control,
intercambiando secciones de rutas. Cuando se probó sobre un conjunto de datos
derivado de una base de datos en red real de Oracle, se descubrió que el AG era
capaz de redirigir enlaces rotos o congestionados, equilibrar la carga de tráfico y
maximizar el caudal total de la red. Los autores afirman que estos resultados
demuestran la ``efectividad y escalabilidad'' del AG y que ``se pueden conseguir
soluciones óptimas o casi óptimas'' (p. 49).

Esta técnica ha encontrado aplicaciones reales para propósitos similares, como
informan Begley y Beals 1995. La compañía de telecomunicaciones U.S. West
(ahora fusionada con Qwest) se enfrentó a la tarea de desplegar una red de fibra
óptica. Hasta hace poco, el problema de diseñar la red para minimizar la longitud
total de cable desplegado era resuelto por un ingeniero experimentado; ahora la
compañía utiliza un algoritmo genético para realizar la tarea automáticamente. Los
62


resultados: ``El tiempo de diseño para las redes nuevas ha caído de dos meses a
dos días, y le supone un ahorro a U.S. West de 1 millón a 10 millones de dólares
cada una'' (p. 70).

Jensen 2003 y Chryssolouris y Subramaniam 2001 aplicaron algoritmos genéticos
a la tarea de generar programas para líneas de montaje (job shop scheduling).
Éste es un problema de optimización NP-difícil con múltiples criterios: deben
tomarse en cuenta factores como el coste, los retrasos y el rendimiento, y puede
que se tenga que cambiar al vuelo el programa de la línea de montaje debido a
averías en la maquinaria, ausencia de empleados, retrasos en la entrega de
piezas, y otras complicaciones, lo que hace que la robustez del programa sea una
consideración importante. Ambos artículos concluyen que los AGs son
significativamente superiores a las reglas de despacho de prioridad utilizadas
comúnmente, al producir programas eficientes que pueden tratar con más facilidad
los retrasos y las averías. Estos resultados no son simplemente teóricos, sino que
se han aplicado a situaciones reales:

Como informa Naik 1996, los organizadores de los Juegos Paraolímpicos de 1992
utilizaron un AG para diseñar los horarios de los eventos. Como informa Petzinger
1995, John Deere & Co. ha utilizado AGs para generar los programas de montaje
para una planta de Moline, Illinois, que fabrica plantadoras y otras maquinarias
agrícolas pesadas. Al igual que los coches de lujo, éstas pueden construírse en
una gran variedad de configuraciones con muchas partes y opciones distintas, y la
enorme cantidad de maneras posibles de construirlas implica que el diseño
eficiente de programas de montaje sea un problema aparentemente intratable. La
productividad se veía mermada por cuellos de botella en el montaje, los equipos
de trabajadores discutían, y se estaba perdiendo dinero. Finalmente, en 1993,
Deer acudió a Bill Fulkerson, un analista e ingeniero de personal que concibió la
utilización de un algoritmo genético para producir programas de montaje para la
planta. Tras superar el escepticismo inicial, el AG demostró su valía rápidamente:
la producción mensual aumentó un 50 por ciento, el tiempo extra casi desapareció
63


y otras plantas de Deere están incorporando los AGs en sus propios diseños de
programas de montaje.

Como informa Rao 1998, Volvo ha utilizado un programa evolutivo llamado
OptiFlex para diseñar el programa de montaje de su fábrica de Dublín, Virginia, de
un millón de metros cuadrados, una tarea que requiere controlar cientos de
restricciones y millones de permutaciones posibles para cada vehículo. Como
todos los algoritmos genéticos, OptiFlex funciona combinando aleatoriamente
distintos programas de montaje posibles, determinando su aptitud clasificándolos
en base a sus costos, beneficios y restricciones, y luego haciendo que las mejores
soluciones intercambien genes entre ellas y vuelvan a la población para otra
prueba. Hasta hace poco, esta desalentadora tarea era responsabilidad de un
ingeniero humano, al que le llevaba hasta cuatro días producir el programa para
cada semana; ahora, gracias a los AGs, esta tarea se puede completar en un día
con una mínima intervención humana.

Como informa Lemley 2001, United Distillers and Vintners, una empresa escocesa
que es el mayor y más rentable distribuidor de licores del mundo y es responsable
de más de un tercio de la producción mundial de whisky de grano, utiliza un
algoritmo genético para administrar su inventario y sus suministros. Esto es una
tarea desalentadora que exige almacenar y distribuír eficientemente más de 7
millones de barriles, que contienen 60 recetas distintas, entre un enorme sistema
de almacenes y destilerías, dependiendo de una multitud de factores como la
edad, el número de malta, el tipo de madera y las condiciones del mercado.
Anteriormente, coordinar este complejo flujo de suministro y demanda requería de
cinco empleados a tiempo completo. Hoy, unas cuantas pulsaciones de teclado en
un ordenador solicitan a un algoritmo genético que genere un programa cada
semana, y la eficiencia de almacenamiento casi se ha duplicado.

Beasley, Sonander y Havelock 2001 utilizaron un AG para programar los
aterrizajes del London Heathrow, el aeropuerto más transitado del Reino Unido.

64


Esto es un problema multiobjetivo que implica, entre otras cosas, minimizar los
retrasos y maximizar el número de vuelos mientras se mantiene la suficiente
distancia de separación entre los aviones (los vórtices de aire que se forman en la
estela de un avión pueden ser peligrosos para otro avión que vuele demasiado
cerca). Comparado con los horarios reales de un periodo intensivo del aeropuerto,
el AG fue capaz de reducir el tiempo de espera medio en un 2-5%, implicando dos
o tres vuelos extra despegando y aterrizando por cada hora -una mejora
significativa. Sin embargo, se han logrado mejoras mayores: como se informa en
Wired 2002[1], aeropuertos internacionales y líneas aéreas importantes como
Heatrhow, Toronto, Sydney, Las Vegas, San Francisco, America West Airlines,
AeroMexico y Delta Airlines están utilizando algoritmos genéticos para programar
los despegues, aterrizajes, mantenimiento y otras tareas, mediante el software del
Ascent Technology's SmartAirport Operations Center (Cruzando y mutando las
soluciones en forma de horarios que incorporan miles de variables, ``Ascent vence
con comodidad a los humanos, aumentando la productividad hasta en un 30 por
ciento en todos los aeropuertos en los que se ha implementado''.

Ingeniería de sistemas

Benini y Toffolo 2002 aplicaron un algoritmo genético a la tarea multiobjetivo de
diseñar molinos eólicos para generar energía eléctrica. Este diseño ``es un
procedimiento complejo caracterizado por varias decisiones sobre contrapartidas...
El proceso de toma de decisiones es muy difícil y no hay tendencias de diseño
bien establecidas'' (p. 357); como resultado, hoy existen varios tipos de turbina
distintos y no hay acuerdo sobre cuál es la óptima, si alguna lo es. Deben tomarse
en cuenta objetivos mutuamente exclusivos como la producción máxima de
energía anual y el coste mínimo de la energía. En este artículo se utilizó un
algoritmo evolutivo multiobjetivo para encontrar el mejor conjunto de
contrapartidas entre estos objetivos, construyendo palas de molino con una
configuración óptima de características como la velocidad de la punta de la pala, la
razón buje/punta, y la distribución de cuerda y giro. Al final, al AG consiguió
65


encontrar soluciones competitivas con los diseños comerciales, además de
dilucidar más claramente los márgenes entre los que se puede aumentar la
producción anual de energía sin producir diseños demasiado caros.

Haas, Burnham y Mills 1997 utilizaron un algoritmo genético multiobjetivo para
optimizar la forma, orientación e intensidad del haz de los emisores de rayos X
utilizados en la radioterapia dirigida, para destruír los tumores cancerosos al
tiempo que se evita el tejido sano. (Los fotones de rayos X dirigidos hacia un
tumor tienden a dispersarse por las estructuras interiores del cuerpo, dañando
inintencionadamente los órganos internos. El reto consiste en minimizar este
efecto mientras se maximiza la dosis de radiación dirigida hacia el tumor).
Utilizando un modelo de aptitud basada en rango, los investigadores comenzaron
con la solución producida por el método convencional, un método de mínimos
cuadrados iterativo, y luego utilizaron el AG para modificarlo y mejorarlo.
Construyendo un modelo del cuerpo humano y exponiéndolo al rayo evolucionado
por el AG, encontraron un buen acuerdo entre las distribuciones de radiación
predichas y reales. Los autores concluyen que sus resultados ``muestran una
protección [de los órganos sanos] que no podía lograrse utilizando las técnicas
convencionales'' (p. 1745).

Lee y Zak 2002 utilizaron un algoritmo genético para evolucionar un conjunto de
reglas para controlar un sistema de frenos antibloqueo automovilístico. Aunque la
capacidad que tienen los sistemas de freno antibloqueo de reducir la distancia de
frenada y mejorar la maniobrabilidad ha salvado muchas vidas, el rendimiento del
ABS depende de las condiciones de la superficie de la carretera: por ejemplo, un
controlador ABS que esté optimizado para el asfalto seco no funcionará igual de
bien en carreteras mojadas o heladas, y viceversa. En este artículo, los autores
proponen un AG para ajustar un controlador ABS que pueda identificar las
propiedades de la superficie de la carretera (monitorizando el patinaje y
aceleración de las ruedas) y pueda actuar en consecuencia, liberando la cantidad
adecuada de fuerza de frenado para maximizar la tracción de las ruedas. En las
66


pruebas, el ABS puesto a punto genéticamente ``exhibe características de rodada
excelentes'' (p. 206) y fue ``muy superior'' (p. 209) a los otros dos métodos de
maniobras de frenado, encontrando con rapidez nuevos valores óptimos para el
patinaje de las ruedas cuando cambia el tipo de terreno bajo un coche en
movimiento, y reduciendo la distancia total de frenada. ``La lección que hemos
aprendido de nuestro experimento... es que un AG puede ayudar a ajustar incluso
un controlador bien diseñado. En nuestro caso, ya teníamos una buena solución
del problema; sin embargo, con la ayuda de un AG, conseguimos mejorar
significativamente la estrategia de control. En resumen, parece que merece la
pena intentar aplicar un AG incluso en un controlador bien diseñado, porque hay
muchas probabilidades de que se pueda hallar una configuración del controlador
mejor utilizando AGs'' .

Como cita Schechter 2000, el Dr. Peter Senecal, de la Universidad de Wisconsin,
utilizó algoritmos genéticos de población pequeña para mejorar la eficiencia de los
motores diésel. Estos motores funcionan inyectando combustible en una cámara
de combustión que está llena de aire extremadamente comprimido, y por tanto
extremadamente caliente, lo bastante caliente para hacer que el combustible
explote y empuje un pistón que produce la fuerza motriz del vehículo. Este diseño
básico ha cambiado poco desde que Rudolf Diesel lo inventó en 1893; aunque se
ha empleado mucho esfuerzo en realizar mejoras, es una tarea muy difícil de
realizar analíticamente, porque requiere un conocimiento preciso del
comportamiento turbulento que exhibe la mezcla de combustible y aire, y de la
variación simultánea de muchos parámetros independientes. Sin embargo, el
método de Senecal prescindía de ese conocimiento específico del problema y, en
cambio, funcionaba evolucionando parámetros como la presión de la cámara de
combustión, los tiempos de inyección de combustible y la cantidad de combustible
de cada inyección. El resultado: la simulación produjo un motor mejorado que
consumía un 15% menos de combustible que un motor diesel normal y producía
dos tercios menos de óxido nítrico de escape y la mitad de hollín. Luego el equipo

67


de Senecal construyó un motor diésel real de acuerdo con las especificaciones de
la solución evolucionada, y obtuvieron los mismos resultados. Ahora Senecal
sigue su trabajo evolucionando la geometría del propio motor, lo que con suerte
producirá todavía más mejoras.

Como citan Begley y Beals 1995, Texas Instruments utilizó un algoritmo genético
para optimizar la disposición de los componentes de un chip informático,
colocando las estructuras de manera que se minimice el área total para crear un
chip lo más pequeño posible. Utilizando una estrategia de conexiones que no se le
había ocurrido a ningún humano, el AG alcanzó un diseño que ocupaba un 18%
menos de espacio.

Finalmente, como cita Ashley 1992, empresas de la industria aeroespacial,
automovilística, fabril, turbomaquinaria y electrónica están utilizando un sistema de
software propietario conocido como Engineous, que utiliza algoritmos genéticos,
para diseñar y mejorar motores, turbinas y otros dispositivos industriales. En
palabras de su creador, el Dr. Siu Shing Tong, Engineous es ``un maestro
`toqueteador', ensayando incansablemente las puntuaciones de escenarios de tipo
``y-si'' hasta que emerge la mejor solución posible'' (p. 49). En un ensayo del
sistema, Engineous consiguió producir un incremento del 0,92 por ciento de la
eficiencia de una turbina experimental en sólo una semana, mientras que diez
semanas de trabajo de un diseñador humano sólo produjeron un 0,5 por ciento de
mejora.

Supuestamente, Engineous no sólo cuenta con algoritmos genéticos; también
emplea técnicas de optimización numérica y sistemas expertos que utilizan reglas
si-entonces para imitar el proceso de toma de decisiones de un ingeniero humano.
Sin embargo, estas técnicas dependen mucho de información específica del
dominio, carecen de aplicabilidad general, y son propensas a quedar atrapadas en
óptimos locales. En contraste, el uso de algoritmos genéticos permite a Engineous
explorar regiones del espacio de búsqueda que pasan por alto los otros métodos.

68


Engineous ha obtenido un amplio uso en una gran variedad de industrias y
problemas. El más famoso fue cuando se utilizó para mejorar la turbina
generadora de energía del avión Boeing 777; como informan Begley y Beals 1995
el diseño optimizado genéticamente era casi un 1% más eficiente en combustible
que los motores anteriores, lo que en un campo como éste es una ganancia caída
del cielo. Engineous también se ha utilizado para optimizar la configuración de
motores eléctricos industriales, generadores hidroeléctricos y turbinas de vapor,
para proyectar redes eléctricas, y para diseñar generadores superconductores y
generadores de energía nuclear para satélites en órbita. Rao 1998 informa
también de que la NASA ha utilizado Engineous para optimizar el diseño de un
avión de gran altitud para analizar la disminución del ozono, que debe ser a la vez
ligero y eficiente.

Argumentos creacionistas

Como era de esperar, la demostración real del poder de la evolución que
representan los AGs ha resultado sorprendente y descorcentante para los
creacionistas, que siempre han afirmado que sólo un diseño inteligente, no la
variación aleatoria y la selección, puede haber producido la cantidad y complejidad
de información que contienen los seres vivos. Por tanto, han argumentado que el
éxito de los algoritmos genéticos no nos permite deducir nada sobre la evolución
biológica. Abordaré las críticas de dos antievolucionistas que representan dos
puntos de vista distintos: un creacionista de tipo tierra-joven, el Dr. Don Batten, de
``Answers in Genesis'', que ha escrito un artículo titulado ``Algoritmos genéticos -
¿demuestran que la evolución funciona?'', y un creacionista de tipo tierra-vieja y
defensor del diseño inteligente, el Dr. William Dembski, cuyo reciente libro ``No
Free Lunch'' (Dembski 2002) trata sobre este tema.

Don Batten

69


Algunos caracteres de los seres vivos son cualitativos, mientras que los
AGs son siempre cuantitativos

Batten afirma que los AGs deben ser cuantitativos, de manera que se pueda
seleccionar cualquier mejora. Esto es cierto. Luego continua diciendo: ``Muchos
caracteres biológicos son cualitativos -o funcionan o no funcionan, así que no
existe una manera de llegar paso a paso de la ausencia de función a la función''.
Sin embargo, esta aseveración no ha sido demostrada, y no está apoyada por la
evidencia. Batten ni siquiera intenta ofrecer un ejemplo de caracter biológico que
``o funciona o no funciona'', y por tanto no pueda construirse paso a paso.

Pero aunque hubiera ofrecido tal ejemplo de caracter, ¿cómo podría demostrar
razonablemente que no hay un camino paso a paso hasta él? Aunque no
conozcamos tal camino, ¿significa eso que no existe ninguno? Por supuesto que
no. Batten afirma efectivamente que si no entendemos cómo han evolucionado
ciertos caracteres, entonces es imposible que esos caracteres hayan evolucionado
-un ejemplo clásico de la falacia lógica elemental del argumento de la ignorancia.
El espacio de búsqueda de todas las posibles variantes de cualquier caracter
biológico dado es enorme, y en la mayoría de los casos nuestro conocimiento
supone tan sólo una fracción infinitesimal de todas las posibilidades.
Perfectamente pueden existir numerosos caminos hacia una estructura de los que
no conozcamos nada todavía; no hay ninguna razón en absoluto para creer que
nuestra ignorancia actual establece límites a nuestro progreso futuro. De hecho, la
historia nos da razones para estar seguros de esto: los científicos han hecho
enormes progresos para explicar la evolución de muchas estructuras y sistemas
biológicos complejos, tanto macroscópicos como microscópicos (por ejemplo, vea
estas páginas sobre la evolución de sistemas moleculares complejos, genes
``reloj'', la lengua del pájaro carpintero o el escarabajo bombardero). Tenemos
justificación para creer probable que los que nos han eludido hasta ahora también
se entenderán con claridad en el futuro.

70


De hecho, los propios AGs nos ofrecen una excelente razón para suponer esto.
Muchos de los problemas en los que se han aplicado son problemas complejos de
ingeniería y diseño de los que no se conocía la solución previamente, y por lo
tanto el problema no podía ``amañarse'' para facilitar el éxito del algoritmo. Si los
creacionistas tuvieran razón, habría sido completamente razonable esperar que
los algoritmos genéticos hubieran fallado estrepitosamente una y otra vez al ser
aplicados a estos problemas, pero, en cambio, ha ocurrido justo lo contrario: los
AGs han descubierto soluciones poderosas y de gran calidad a problemas difíciles
en una gran variedad de campos. Esto pone seriamente en duda incluso si existen
problemas como los que Batten describe, cuyas soluciones sean inaccesibles a un
proceso evolutivo.

Los AGs no permiten la posibilidad de una extinción o una catástrofe de
errores

Batten afirma que, en los AGs, ``siempre sobrevive algo para mantener el
proceso'', mientras que esto no es necesariamente cierto en el mundo real -en
resument, los AGs no permiten la posibilidad de una extinción.

Sin embargo, esto no es cierto; la extinción puede ocurrir. Por ejemplo, algunos
AGs utilizan un modelo de selección con umbral en el que los individuos deben
tener una aptitud superior a un nivel predeterminado para poder sobrevivir y
reproducirse (Haupt y Haupt 1998, p. 37). Si no hay ningún individuo que cumpla
este criterio en este tipo de AG, la población puede extinguirse efectivamente.
Pero incluso en AGs que no establecen umbrales pueden ocurrir estados análogos
a la extinción. Si las tasas de mutación son demasiado altas o las presiones
selectivas demasiado fuertes, un AG nunca encontrará una solución factible. La
población puede acabar en un caos sin remedio al verse afectados los cantidatos
aptos por el hecho de que las mutaciones perjudiciales se desarrollen con más
rapidez de la que la selección puede eliminarlas (catástrofe de errores), o puede
retorcerse inútilmente, incapaz de conseguir ningún aumento de la aptitud lo

71


bastante grande para que pueda ser seleccionado. Al igual que en la naturaleza,
debe haber un equilibrio o nunca se alcanzará una solución. La ventaja que tiene
un programador a este respecto es que, si ocurre esto, él puede introducirle al
programa valores diferentes -para el tamaño de la población, para la tasa de
mutación, para la presión selectiva- y comenzar de nuevo. Obviamente, esto no es
una opción para los seres vivos. Batten dice que ``no existe una regla en la
evolución que diga que algunos organismos de la población que evoluciona
permanecerán viables ocurran las mutaciones que ocurran'', pero tampoco existe
una regla así en los algoritmos genéticos.

Batten también afirma que ``los AGs que he observado preservan artificialmente a
los mejores de la generación anterior y los protegen de las mutaciones o la
recombinación, en caso de que no se produzca algo mejor en la siguiente
generación''. Abordaré esta crítica en el siguiente punto.

Los AGs ignoran el coste de las sustituciones

La siguiente afirmación de Batten es que los AGs ignoran el ``dilema de Haldane'',
que dice que un alelo que contribuya menos a la aptitud de un organismo tardará
correspondientemente más tiempo en fijarse en la población. Obviamente, a lo que
se refiere es a la técnica de selección elitista, que selecciona automáticamente al
mejor candidato de cada generación sin importar lo pequeña que sea su ventaja
sobre sus competidores. Tiene razón al sugerir que, en la naturaleza, las ventajas
competitivas muy pequeñas pueden tardar en propagarse mucho más. Los
algoritmos genéticos no son un modelo exacto de la evolución biológica a este
respecto.

Sin embargo, esto no viene al caso. La selección elitista es una idealización de la
evolución biológica -un modelo de lo que pasaría en la naturaleza si de vez en
cuando no interviniese el azar. Como reconoce Batten, el dilema de Haldane no
afirma que una mutación ligeramente ventajosa nunca quedará fijada en una

72


población; afirma que tardará más en hacerlo. Sin embargo, cuando el tiempo de
computación está muy demandado o cuando un investigador de AGs desea
obtener una solución con mayor rapidez, puede ser deseable saltarse este
proceso implementando el elitismo. Un punto importante es que el elitismo no
afecta a qué mutaciones surgen, sólo asegura la selección de las mejores que
surjan. No importaría lo fuerte que fuera la selección si no ocurrieran mutaciones
que incrementasen la información. En otras palabras, el elitismo acelera la
convergencia una vez que se ha descubierto una solución buena -no provoca un
resultado que no habría ocurrido de otra manera. Por lo tanto, si los algoritmos
genéticos con elitismo pueden producir información nueva, entonces también lo
puede hacer la evolución en la naturaleza.

Además, no todos los AGs utilizan selección elitista. Muchos no lo hacen, y en
cambio dependen sólo de selección por ruleta de rueda y otras técnicas de
muestreo estocásticas, con no menor éxito, proporciona ejemplos de 36 casos en
los que la programación genética ha producido resultados competitivos con los de
los humanos, incluyendo la recreación automática de 21 inventos patentados con
anterioridad (seis de los cuales fueron patentados durante o después de 2000), 10
de los cuales duplican la funcionalidad de la patente de manera diferente, e
incluyendo además dos nuevos inventos patentables y cinco algoritmos nuevos
que superan a cualquier algoritmo humano escrito para el mismo propósito. Como
declara el Dr. Koza en una referencia anterior al mismo trabajo . En todos estos
casos, sin ningún mecanismo para asegurar que se seleccionaban los mejores
individuos de cada generación, sin eximir a estos individuos del potencial cambio
aleatorio perjudicial, los algoritmos genéticos siguen produciendo resultados
poderosos, eficientes y competitivos con los resultados humanos. Este hecho
puede ser sorprendente para creacionistas como Batten, pero es algo
completamente esperado para los defensores de la evolución.

Los AGs ignoran las limitaciones temporales para una generación

73


Esta crítica es confusa. Batten afirma que una generación puede durar
microsegundos en un AG, mientras que en los seres vivos una generación puede
durar desde minutos hasta años. Esto es cierto, pero no explica cómo influye esto
en la validez de los AGs como evidencia para la evolución. Si un AG puede
generar información nueva, tarde el tiempo que tarde, entonces la evolución
natural puede hacer lo mismo sin duda; que los AGs pueden efectivamente
hacerlo es todo lo que trata de demostrar este ensayo. La única cuestión restante
sería entonces si la evolución biológica ha tenido realmente el tiempo necesario
para causar un cambio significativo, y la respuesta a esta cuestión está a cargo de
los biólogos, geólogos y físicos, no de los programadores informáticos.

Sin embargo, la respuesta que han proporcionado estos científicos está en
completo acuerdo con las escalas de tiempo evolutivas. Numerosas líneas
independientes de evidencia, incluyendo la datación isocrónica radiométrica, los
ritmos de enfriamiento de las enanas blancas, la no existencia en la naturaleza de
isótopos con tiempos cortos de semideintegración, los ritmos de alejamiento de las
galaxias lejanas, y el análisis de la radiación cósmica de fondo, convergen hacia la
misma conclusión: una Tierra y un universo con muchos miles de millones de
años, sin duda tiempo suficiente para que la evolución haya producido toda la
diversidad de vida que observamos hoy para todas las estimaciones razonables.

Las altas tasas de mutación y reproducción que emplean los AGs no son
realistas

Batten afirma, sin proporcionar ninguna evidencia o referencia que le apoye, que
los AGs ``producen comúnmente cientos o miles de `descendientes' por
generación'', un ritmo que ni siquiera las bacterias, los organismos biológicos que
se reproducen con mayor velocidad, pueden igualar.

Esta crítica erra el tiro de varias maneras. Primero, si la métrica que se utiliza es
(como debería ser) el número de descendientes por generación, en lugar del

74


número de descendientes por unidad de tiempo absoluto, entonces existen
evidentemente organismos biológicos que pueden reproducirse a ritmos mayores
que los de las bacterias y que casi igualan los ritmos que Batten considera no
realistas. Por ejemplo, una sola rana puede poner miles de huevos de una vez,
cada uno de los cuales tiene el potencial de desarrollarse como adulto. De
acuerdo, la mayoría de éstos normalmente no sobrevivirán debido a las
limitaciones de recursos y a la depredación, pero entonces la mayoría de la
``descendencia'' de cada generación en un AG tampoco sobrevivirá.

Segundo, y más importante: un algoritmo genético trabajando para resolver un
problema no pretende representar a un solo organismo. En cambio, un algoritmo
genético es más análogo a una población completa de organismos -después de
todo, son las poblaciones, y no los individuos, los que evolucionan. Por supuesto,
es completamente plausible que una población tenga colectivamente cientos o
miles de descendientes por generación. (El creacionista Walter ReMine comete
este mismo error con respecto al programa ``weasel'' del Dr. Richard Dawkins.
Vea este Mensaje del Mes para más información).

Además, dice Batten, la tasa de mutación es artificialmente alta en los AGs,
mientras que los seres vivos tienen una maquinaria de comprobación de errores
diseñada para limitar la tasa de mutación en aproximadamente 1 por cada 10.000
millones de par de bases (aunque esto es demasiado poco -la cifra real está más
cerca de 1 por cada 1.000 millones. Ver Dawkins Por supuesto, esto es cierto. Si
los AGs mutasen a este ritmo, tardarían muchísimo en resolver problemas reales.
Evidentemente, lo que debe considerarse relevante es la tasa de mutación relativa
al tamaño del genoma. La tasa de mutación debe ser lo bastante alta para
promover una cantidad suficiente de diversidad en la población sin acabar con los
individuos. Un ser humano corriente posee entre una y cinco mutaciones; esto es
perfectamente realista para la descendencia de un AG.

Los AGs tienen genomas artificialmente pequeños

75


El argumento de Batten de que el genoma de un algoritmo genético ``es
artificialmente pequeño y sólo realiza una cosa'' está completamente errado. En
primer lugar, como ya hemos visto, no es cierto que un AG sólo realice una cosa;
hay muchos ejemplos de algoritmos genéticos diseñados específicamente para
optimizar muchos parámetros simultáneamente, a menudo muchos más
parámetros de los que podría manejar un diseñador humano.

¿Y exactamente cómo cuantifica Batten lo de ``artificialmente pequeño''? Muchos
algoritmos evolutivos, como el programa genético de John Koza, utilizan
codificaciones de tamaño variable donde el tamaño de las soluciones candidatas
pueden crecer arbitrariamente. Batten afirma que hasta los seres vivos más
sencillos tienen mucha más información en su genoma que la que un AG haya
producido nunca, pero si los organismos vivos actuales tienen genomas
relativamente grandes es porque se ha ganado mucha complejidad en el curso de
los miles de años de evolución. Como señala el artículo Probabilidad de
abiogénesis, hay buenas razones para creer que los primeros organismos vivos
eran mucho más sencillos que cualquier especie actual -las moléculas
autorreplicadoras probablemente no tenían más de 30 o 40 subunidades,
pudiendo quedar especificadas perfectamente con los 1.800 bits de información
que Batten reconoce que ha generado al menos un AG. Asimismo, los algoritmos
genéticos son una técnica muy nueva cuyo potencial completo todavía no ha sido
explotado; las propias computadoras digitales sólo tienen unas pocas décadas, y,
las técnicas de computación evolutiva han generado resultados cada vez más
sustanciales y complejos durante los últimos 15 años, en sincronía con el rápido
aumento de la potencia computacional, a menudo referida como la ``ley de
Moore''. Al igual que la vida primigenia era muy sencilla comparada con la que
vino después, es probable que los algoritmos genéticos actuales, a pesar de los
impresionantes resultados que ya han producido, den origen a resultados mucho
más importantes en el futuro.

76


Los AGs ignoran la posibilidad de que ocurran mutaciones por todo el
genoma

Aparentemente, Batten no comprende cómo funcionan los algoritmos genéticos, y
lo demuestra realizando este argumento. Afirma que, en la vida real, ``las
mutaciones ocurren por todo el genoma, no sólo en un gen o sección que
especifique un caracter dado''. Esto es cierto, pero cuando dice que lo mismo no
es cierto para los AGs, se equivoca. Exactamente igual que en los seres vivos, los
AGs deben escardar los genes perjudiciales al tiempo que seleccionan los
beneficiosos.

Batten continua afirmando que ``el propio programa está protegido contra las
mutaciones, sólo las secuencias objetivo mutan'', y si el programa mutara, fallaría
poco después. Esta crítica, sin embargo, es irrelevante. No existe razón para que
el programa que gobierna a un AG tenga que mutar. El programa no es parte del
algoritmo genético; el programa es el que supervisa al algoritmo genético y
produce las mutaciones en las soluciones candidatas, que son lo que el
programador busca mejorar. El programa que ejecuta al AG no es análogo a la
maquinaria reproductiva de un organismo, una comparación que trata de
establecer Batten. En cambio, es análogo a las leyes naturales invariantes que
gobiernan los entornos en los que viven y se reproducen los seres vivos, y no se
espera que éstas cambien ni necesitan ``protegerse'' de ello.

Los AGs ignoran los problemas de la complejidad irreducible

Utilizando el argumento de la ``'' del creacionista de tipo tierra-vieja Michael Behe,
Batten argumenta: ``Muchos caracteres biológicos requieren la presencia de
muchos componentes distintos, funcionando juntos, para que el caracter pueda
existir'', mientras que esto no ocurre en los AGs.

77


Sin embargo, es trivial demostrar que esta afirmación es falsa, ya que los
algoritmos genéticos han producido sistemas irreduciblemente complejos. Por
ejemplo, el circuito reconocedor de voz que evolucionó el Dr. Adrian Thompson
(Davidson 1997[19]) está compuesto de 37 puertas lógicas. Cinco de ellas ni
siquiera están conectadas al resto del circuito, aunque hacen falta las 37 para que
el circuito funcione; si cualquiera de ellas se desconecta de la fuente de
alimentación, todo el sistema deja de funcionar. Esto se ajusta a la definición de
sistema complejo irreducible de Behe, y demuestra que un proceso evolutivo
puede producir cosas así.

Debe señalarse que este argumento es el mismo que el primero, simplemente
presentado en un lenguaje distinto, y por tanto la refuntación es la misma. La
complejidad irreducible no es un problema para la evolución, esté la evolución
ocurriendo en los seres vivos de la naturaleza o en el silicio del procesador de una
computadora.

Los AGs ignoran la poligenia, la pleiotropía y otras complejidades genéticas

Batten argumenta que los AGs ignoran asuntos como la poligenia (la
determinación de un caracter por múltiples genes), pleiotropía (un gen que afecte
a múltiples caracteres) y los genes dominantes y recesivos.

Sin embargo, ninguna de estas afirmaciones es cierta. Los AGs no ignoran la
poligenia y la pleiotropía: simplemente se permite que estas propiedades surjan de
manera natural en lugar de programarlas deliberadamente. Es obvio que en
cualquier sistema complejo interdependiente (es decir, un sistema no lineal), la
alteración o eliminación de una parte causará una reacción en cadena por todo el
sistema; por tanto, los AGs incorporan de manera natural la poligenia y la
pleiotropía. ``En la literatura sobre algoritmos genéticos, la interacción entre
parámetros se conoce como epistasis (un término biológico para la interacción
entre genes). Cuando hay poca o ninguna epistasis, los algoritmos de búsqueda

78


mínima [es decir, los trepacolinas **-A.M.] rinden mejor. Los algoritmos genéticos
brillan cuando la epistasis es media o alta... Igualmente, hay algunas
implementaciones de algoritmos genéticos que sí tienen cromosomas diploides y
genes dominantes y recesivos Sin embargo, los que no lo son simplemente se
parecen más a los organismos haploides, como las bacterias, que a los
organismos diploides, como los seres humanos. Ya que las bacterias están entre
los organismos más exitosos de este planeta (para ciertas medidas), tales AGs
siguen siendo un buen modelo de la evolución.

Los AGs no tienen múltiples sistemas de lectura

Batten habla de la existencia de múltiples sistemas de lectura en los genomas de
algunos seres vivos, en los que las secuencias de ADN codifican distintas
proteínas funcionales cuando se leen en direcciones distintas o con distintos
desplazamientos de inicio. Afirma que ``crear un AG para generar una codificación
con información densa así parecería imposible''.

Un reto así pide una respuesta, y aquí está: Soule y Ball 2001.En este artículo, los
autores presentan un algoritmo genético con múltiples sistemas de lectura y
codificación densa, permitiéndole almacenar más información que el tamaño total
de su genoma. Al igual que los codones de tres nucleótidos especifican
aminoácidos en los genomas de los seres vivos, en este AG los codones eran
cadenas binarias de cinco dígitos (hay por lo tanto 25 o 64 codones posibles, el
mismo número de codones en los sistemas biológicos). Como los codones tenían
cinco dígitos de longitud, había cinco sistemas de lectura posibles. La secuencia
11111 sirve como codon de ``comienzo'' y la 00000 como codon de ``parada'';
como el codon de comienzo y parada pueden aparecer en cualquier lugar del
genoma, la longitud de cada individuo era variable. Las regiones del cromosoma
que no caían entre pares comienzo-parada eran ignoradas.

79


El AG se probó con cuatro problemas clásicos de maximización de funciones.
`Ìnicialmente, la mayoría de los bits no participan en ningún gen, es decir, la
mayor parte de un cromosoma no codifica nada. De nuevo, esto es porque en los
individuos iniciales aleatorios hay relativamente pocos pares de codones
comienzo-parada. Sin embargo, el número de bits que no participan disminuye
extremadamente rápido''. Durante el curso de la ejecución, el AG puede
incrementar la longitud efectiva de su genoma introduciendo nuevos codones de
comienzo en distintos sistemas de lectura. Al final de la ejecución, ``la cantidad de
superposiciones es bastante alta. Muchos bits participan en varios genes (a
menudo en los cinco)''. En todos los problemas probados, el AG empezó, de
media, con 5 variables especificadas; al final de la ejecución, ese número se había
incrementado hasta una media de 25.

En los problemas de prueba, el AG con múltiples sistemas de lectura produjo
soluciones significativamente mejores que un AG estándar en dos de los cuatro
problemas, y mejores soluciones medias en los otros dos. En uno de los
problemas, el AG comprimió con éxito 625 bits de información en un cromosoma
de sólo 250 bits de longitud, utilizando sistemas de lectura alternativos. Los
autores tildan este comportamiento de `èxtremadamente sofisticado'' y concluyen
que `èstos datos muestran que un AG puede utilizar con éxito sistemas de lectura
a pesar de la complejidad añadida'' y que `ès claro que un AG puede introducir
nuevos`genes' mientras sea necesario para resolver un cierto problema, incluso
con las dificultades impuestas al utilizar codones de comienzo y parada y genes
superpuestos''.

Los AGs tienen objetivos predeterminados

Como muchas otras, esta objeción demuestra que Batten no comprende bien lo
que es un algoritmo genético y cómo funciona. Argumenta que los AGs, al
contrario que la evolución, tienen objetivos predeterminados y especificados desde

80


el principio, y como ejemplo de esto, ofrece el programa ``weasel'' del Dr. Richard
Dawkins.

Sin embargo, el programa weasel no es un verdadero algoritmo genético, y no
representa a los algoritmos genéticos, precisamente por esa razón. No pretendía
demostrar el poder de resolución de problemas de la evolución. En cambio, su
única intención era mostrar la diferencia entre la selección de un solo paso (la
infame frase del ``tornado pasando por una chatarrería y produciendo un 747'') y la
selección acumulativa de múltiples pasos. Tenía un objetivo específico
predeterminado de antemano. Los algoritmos genéticos verdaderos, en cambio,
no lo tienen.

En un sentido más general, los AGs sí tienen un objetivo, a saber, encontrar una
solución aceptable a un problema dado. En este mismo sentido, la evolución
también tiene un objetivo: producir organismos que estén mejor adaptados a su
entorno y por tanto experimenten un mayor éxito reproductivo. Pero al igual que la
evolución es un proceso sin objetivos específicos, los AGs no especifican de
antemano cómo debe resolverse un problema dado. La función de aptitud
solamente se establece para evaluar lo bien que funciona una solución candidata,
sin especificar ninguna forma de funcionar particular y sin juzgar de qué manera
inventa. La solución en sí emerge luego mediante un proceso de mutación y
selección.

La siguiente afirmación de Batten demuestra claramente que no entiende lo que
es un algoritmo genético. Afirma que ``quizás si el programador pudiera dar con un
programa que permitiera que ocurriera cualquier cosa y luego midiera la capacidad
de supervivencia de los `organismos', se estaría acercando a lo que se supone
que hace la evolución'' -pero así es exactamente como funcionan los algoritmos
genéticos. Generan aleagoriamente soluciones candidatas y provocan mutaciones
aleatorias sobre ellas durante muchas generaciones. No se especifica ninguna
configuración de antemano; como dice Batten, se permite que ocurra cualquier

81


cosa repitiendo misteriosamente las palabras de Batten: ``Una característica
importante... es que la selección [en la programación genética] no es codiciosa.
Los individuos que se sabe que son iferiores serán seleccionados hasta un cierto
grado. No se garantiza que se seleccionará el mejor individuo de la población.
Además, el peor individuo de la población no será necesariamente excluído.
Puede ocurrir cualquier cosa y nada está garantizado''. (Una sección anterior trató
este punto concreto como uno de los puntos fuertes de los AGs). Y, sin embargo,
aplicando un filtro selectivo a estas candidatas mutadas aleatoriamente, surgen
soluciones eficientes, complejas y poderosas a problemas difíciles, soluciones que
no fueron diseñadas por ninguna inteligencia y que a menudo pueden igualar o
superar a las soluciones diseñadas por los humanos. La alegre afirmación de
Batten de que ``por supuesto eso es imposible'' está en contradicción directa con
la realidad.

Los AGs no generan información nueva en realidad

La crítica final de Batten dice así: ``Para un AG particular, necesitamos preguntar
qué parte de la `información' generada por el programa está en realidad
especificada en el programa, en lugar de haber sido generada de novo''. Acusa a
los AGs de que a menudo no hacen más que encontrar la mejor manera de que
ciertos módulos interaccionen, cuendo los propios módulos y las maneras que
tienen de interactuar están especificadas de antemano.

Es difícil saber qué hacer con este argumento. Cualquier problema imaginable -los
términos en una ecuación de cálculo, las moléculas en una célula, los
componentes de un motor, el capital en un mercado financiero- pueden
expresarse en términos de módulos que interactúan de cierta manera. Si todo lo
que se tiene son módulos sin especificar que interactúan de maneras sin
especificar, no hay problema que resolver. ¿Significa esto que la solución a ningún
problema requiere la generación de información nueva?

82


Respecto a la crítica de Batten sobre que la información contenida en la solución
esté especificada en el problema, la mejora manera de mitigar sus preocupaciones
es señalar la cantidad de ejemplos en los que los AGs comienzan con poblaciones
iniciales generadas aleatoriamente que no están de ninguna manera diseñadas
para ayudar al AG a resolver el problema. Algunos de tales ejemplos son:
Graham-Rowe 2004; Davidson 1997; Assion et al. 1998; Giro, Cyrillo y Galvão
2002; Glen y Payne 1995; Chryssolouris y Subramaniam 2001; Williams, Crossley
y Lang 2001; Robin et al. 2003; Andreou, Georgopoulos y Lokothanassis 2002;
Kewley y Embrechts 2002; Rizki, Zmuda y Tamburino 2002; y especialmente Koza
et al. 1999 y Koza et al. 2003, que analiza el uso de programación genética para
generar 36 inventos competitivos con los humanos de diseños de circuitos
analógicos, biología molecular, algoritmia, diseño de controladores industriales y
otros campos, todos comenzando con poblaciones de candidatas iniciales
generadas aleatoriamente.

De acuerdo, algunos AGs sí comienzan con soluciones generadas
inteligentemente que luego intentan mejorar, pero esto es irrelevante: en esos
casos el objetivo no es sólo devolver la solución de entrada inicial, sino mejorarla
mediante la producción de información nueva. En cualquier caso, aunque la
situación inicial sea como la describe Batten, encontrar la manera más eficiente
mediante la que un cierto número de módulos puede interactuar bajo un conjunto
dado de limitaciones puede ser una tarea nada trivial, cuya solución implique una
cantidad considerable de información nueva: el diseño de horarios en los
aeropuertos internacionales, por ejemplo, o las líneas de montaje de una fábrica, o
la distribución de barriles entre almacenes y destilerías. De nuevo, los AGs han
demostrado su efectividad a la hora de resolver problemas cuya complejidad
abrumaría a cualquier humano. A la luz de las múltiples innovaciones y soluciones
inesperadamente efectivas que ofrecen los AGs en muchos campos, la afirmación
de Batten de que ``la cantidad de información nueva generada (por un AG) es
normalmente bastante trivial'' suena verdaderamente hueca.

83


Conclusión

Hasta los creacionistas encuentran imposible negar que la combinación de la
mutación y la selección natural puede producir adaptación. No obstante, todavía
siguen intentando justificar su rechazo a la evolución dividiendo el proceso
evolutivo en dos categorías -``microevolución'' y ``macroevolución''- y afirmando
que sólo la segunda es controvertida, y que cualquier cambio evolutivo que
podemos observar es sólo un ejemplo de la primera.

Veamos. La microevolución y la macroevolución son términos que tienen
significado para los biólogos; se definen, respectivamente, como evolución por
debajo del nivel de especies y evolución al nivel de especies o por encima. Pero la
diferencia crucial entre el modo en el que los creacionistas utilizan estos términos
y el modo en el que lo hacen los científicos es que los científicos reconocen que
los dos son fundamentalmente el mismo proceso con los mismos mecanismos, tan
sólo operando a diferentes escalas. Sin embargo, los creacionistas están
obligados a postular algún tipo de brecha infranqueable que los separa, para
poder negar que los procesos de cambio y adaptación que vemos en la actualidad
puedan extrapolarse para producir toda la diversidad que vemos en el mundo de
los seres vivos.

No obstante, los algoritmos genéticos hacen que esta idea sea insostenible, al
demostrar la naturaleza sin junturas del proceso evolutivo. Consideremos, por
ejemplo, un problema que consista en programar un circuito para que discrimine
entre un tono de 1 kilohercio y un tono de 10 kilohercios, y responda
respectivamente con salidas uniformes de 0 y 5 voltios. Digamos que tenemos una
solución candidata que puede discriminar con precisión entre los dos tonos, pero
sus salidas no son lo bastante uniformes como se requiere; producen pequeñas
ondulaciones en lugar del voltaje constante requerido. Supuestamente, de acuerdo
con las ideas creacionistas, cambiar este circuito de su estado presente a la
solución perfecta sería ``microevolución'', un cambio pequeño dentro de las

84


capacidades de la mutación y la selección. Pero, sin duda -argumentaría un
creacionista-, llegar a este mismo estado final desde una ordenación inicial
completamente aleatoria de componentes sería ``macroevolución'', y estaría más
allá del alcance de un proceso evolutivo. Sin embargo, los algoritmos genéticos
han sido capaces de conseguir ambas cosas: evolucionar el sistema a partir de
una ordenación aleatoria hasta la solución casi perfecta y finalmente hasta la
solución perfecta y óptima. No surgió ninguna dificultad o brecha insalvable en
ningún punto del camino. En ningún momento hizo falta intervención humana para
montar un conjunto de componentes irreduciblemente complejo (a pesar del hecho
de que el producto final sí contiene tal cosa) o para ``guiar'' al sistema evolutivo a
través de algún pico dificultoso. El circuito evolucionó, sin la ayuda de ninguna
orientación inteligente, desde un estado completamente aleatorio y no funcional
hasta un estado rigurosamente complejo, eficiente y óptimo. ¿Cómo puede no ser
esto una demostración experimental convincente del poder de la evolución?

Se dice que la evolución cultural humana ha reemplazado a la biológica -que
nosotros, como especie, hemos llegado a un punto en el que somos capaces de
controlar conscientemente nuestra sociedad, nuestro entorno y hasta nuestros
genes al nivel suficiente para hacer que el proceso evolutivo sea irrelevante. Se
dice que los caprichos culturales de nuestra cambiante sociedad son los que
determinan la aptitud hoy en día, en lugar de la marcha enormemente lenta, en
comparación, de la mutación genética y la selección natural. En cierto sentido,
esto puede ser perfectamente cierto.

Pero en otro sentido, nada podría estar más lejos de la verdad. La evolución es un
proceso de resolución de problemas cuyo poder sólo comenzamos a comprender
y explotar; a pesar de esto, ya está funcionando por todas partes, moldeando
nuestra tecnología y mejorando nuestras vidas, y, en el futuro, estos usos no
harán sino multiplicarse. Sin un conocimiento detallado del proceso evolutivo no
habrían sido posibles ninguno de los incontables avances que le debemos a los
algoritmos genéticos. Aquí hay una lección que deben aprender los que niegan el
85


poder de la evolución y los que niegan que el conocimiento de ella tenga
beneficios prácticos. Por increíble que pueda parecer, la evolución funciona. Como
lo expresa el poeta Lord Byron: ``Es extraño pero cierto; porque la verdad siempre
es extraña, más extraña que la ficción.''

86

Algoritmos geneticos

Más contenido relacionado

La actualidad más candente (6)

Destacado (20)

Similar a Algoritmos geneticos (20)

Último (20)

Algoritmos geneticos