Inteligencia artificial aplicada a las finanzas

INTELIGENCIA ARTIFICIAL – Aplicada a las FinanzasINTELIGENCIA ARTIFICIAL – Aplicada a las Finanzas
(en colocaciones y captaciones)
Samir Homsi AragónSamir Homsi Aragón
Inteligencia Artificial
aplicada a las finanzas

CONTENIDOCONTENIDOCONTENIDOCONTENIDO

Índice de avanceÍndice de avance
CONTENIDOCONTENIDO
Parte I. Redes Neuronales
Parte II. Algoritmos Genéticos

PARTE IPARTE I
Redes NeuronalesRedes Neuronales
PARTE IPARTE I
Redes NeuronalesRedes Neuronales

IntroducciónIntroducción
PARTE I. Redes NeuronalesPARTE I. Redes Neuronales
Las Redes Neuronales (NN: Neural Networks) fueron creadas con
el propósito de intentar replicar el funcionamiento del cerebro. El
componente principal se centra en el uso de neuronas y el
funcionamiento que éstas tienen en un organismo biológico.
El primer modelo de red neuronal fue propuesto en 1943 por
McCulloch y Pitts. Este modelo era binario, donde cada neurona
tenía una escala o umbral preﬁjado. Este modelo sirvió de base
para el desarrollo de toda esta nueva área del conocimiento
humano.

IntroducciónIntroducción
Una primera clasiﬁcación de los modelos de NN es:
1. Modelos inspirados en la Biología: Estos comprenden las redes
que tratan de simular los sistemas neuronales biológicos, así como
ciertas funciones como las auditivas o de visión.
2. Modelos artiﬁciales aplicados: Estos modelos no tienen por qué
guardar similitud estricta con los sistemas biológicos. Sus
arquitecturas están bastante ligadas a las necesidades de las
aplicaciones para las que son diseñados.

Modelos BiológicosModelos Biológicos
Se estima que el cerebro humano contiene más de cien mil millones (10E11) de
neuronas y 10E14 sinapsis en el sistema nervioso. Los estudios realizados
sobre la anatomía del cerebro humano concluyen que hay, en general, más de
1000 sinapsis por término medio a la entrada y a la salida de cada neurona.
Aunque el tiempo de conmutación de las neuronas biológicas (unos pocos
milisegundos) es casi un millón de veces mayor que en las actuales
componentes de las computadoras, las neuronas naturales tienen una
conectividad miles de veces superior a la de las artiﬁciales.
El objetivo principal de las redes neuronales de tipo biológico es desarrollar
operaciones de síntesis y procesamiento de información, relacionadas con los
sistemas biológicos.|

• Existe algún generador de impulsos. Por ejemplo
la mano cuando toca algo, el ojo cuando ve algo
o el mismo cerebro cuando piensa en algo.
• Los impulsos son conducidos por el sistema
nervioso hasta el cerebro.
• Ahí es cuando las neuronas hacen su labor. Las
primeras son las que reciben el impulso
(eléctrico) mediante sus dendritas.
• Estas primeras neuronas ante la señal recibida se
activan, en su cuerpo se produce un proceso de
orden químico y a través del axon envía una
nueva señal eléctrica a las siguientes neuronas.

• Ese proceso sigue a una velocidad inferior a las que
alcanzan las actuales computadoras, pero es como si lo
hicieran millones de computadoras al mismo tiempo.
• Cuando termina el proceso, el mismo cerebro, a través de
su «red» instalada en el cuerpo humano (sistema nervioso),
envía las señales respectivas.
• Por ejemplo, si la mano le envió la señal que está tocando
algo en extremo caliente, será el cerebro el que procese esa
información y luego de hacerlo, enviará una señal de que
ciertos músculos deben mover rápidamente el brazo para
que no se queme.

Estímulos
La mano tiene n
células receptoras
Las neuronas tienen
en promedio 1000
conexiones c/u
La neurona recibe y
reúne el estímulo de
todas sus conexiones
La neurona procesa
químicamente el impulso
eléctrico de lo recibido
Emite una nueva
señal a las
siguientes
neuronas

Redes Neuronales ArtificialesRedes Neuronales Artificiales
Las ANN aplicadas están, en general, inspiradas en las redes
neuronales biológicas, aunque poseen otras funcionalidades y
estructuras de conexión distintas a las vistas desde la perspectiva
biológica. Las características principales de las ANN son las
siguientes:
1. Auto-Organización y Adaptabilidad: utilizan algoritmos de
aprendizaje adaptativo y auto-organización, por lo que ofrecen
mejores posibilidades de procesado robusto y adaptativo.
2. Procesado no Lineal : aumenta la capacidad de la red para
aproximar funciones, clasiﬁcar patrones y aumenta su inmunidad
frente al ruido.
3. Procesado Paralelo: normalmente se usa un gran número de
nodos de procesado, con alto nivel de interconectividad.

FASES DE MODELIZACIÓN
Fase de entrenamiento: se usa un conjunto de datos o patrones de
entrenamiento para determinar los pesos (parámetros) que deﬁnen el modelo de
red neuronal. Se calculan de manera iterativa, de acuerdo con los valores de los
valores de entrenamiento, con el objeto de minimizar el error cometido entre la
salida obtenida por la red neuronal y la salida deseada.
Fase de Prueba: en la fase anterior, el modelo puede que se ajuste demasiado a
las particularidades presentes en los patrones de entrenamiento, perdiendo su
habilidad de generalizar su aprendizaje a casos nuevos (sobreajuste). Para evitar
el problema del sobreajuste, es aconsejable utilizar un segundo grupo de datos
diferentes a los de entrenamiento, el grupo de validación, que permita controlar
el proceso de aprendizaje.

TIPO DE REDES
Supervisadas. Son aquellas que cuentan con la posibilidad de comparar el
resultado obtenido por la red, con el dato real que debiese haberse obtenido. Esto
permite calcular el nivel de error y reacomodar los pesos de cada neurona de las
capas ocultas, de tal forma que vuelva a intentarse un nuevo calculo que se
aproxime más al dato correcto. Para que funcione este tipo de redes debe
contarse con las parejas de datos, es decir, para cada juego de entrada de datos,
su juego de salida. Esto servirá únicamente para la fase de entrenamiento y la
fase de prueba.
No Supervisadas. Para los modelos de entrenamiento no supervisado, el
conjunto de datos de entrenamiento consiste sólo en los patrones de entrada. Por
lo tanto, la red es entrenada sin el beneficio de un maestro. La red aprende a
adaptarse basada en las experiencias recogidas de los patrones de entrenamiento
anteriores.

Función BaseFunción Base
Función
Base
Función lineal tipo hiperplano
Función radial tipo hiperesfera

Función Base – Uso de biasFunción Base – Uso de bias
Función Base
a
y
Bias o polarización: entrada
constate de magnitud 1, y peso
b que se introduce en el
sumador

Función de ActivaciónFunción de Activación
Función de
Activación
Función sigmoidal
Función gausiana

Estructura de una red neuronalEstructura de una red neuronal
Puede resumirse que una red neuronal
se determina por las neuronas, matriz de
pesos y funciones elegidas.
Hay tres tipos de
capas de neuronas:
• la capa de entrada,
• la capa oculta y
• la capa de salida.

Estructuras de conexiónEstructuras de conexión
1. Conexiones hacia delante: los valores de las
neuronas de una capa inferior son propagados hacia
las neuronas de la capa superior por medio de las
redes de conexiones hacia adelante.
2. Conexiones hacia atrás: estas conexiones llevan
los valores de las neuronas de una capa superior a
otras de la capa inferior.
3. Conexiones laterales: Un ejemplo típico de este
tipo es el circuito “el ganador toma todo” (winner-
takes-all ), que cumple un papel importante en la
elección del ganador: a la neurona de salida que da el
valor más alto se le asigna el valor total (por ejemplo,
1), mientras que a todas las demás se le da un valor
de 0.
4. Conexiones con retardo: los elementos de retardo
se incorporan en las conexiones para implementar
modelos dinámicos y temporales, es decir,
modelos que precisan de memoria.

Tamaño de una redTamaño de una red
En una red multicapa, puede haber una o más capas ocultas entre las capas de
entrada y salida. El tamaño de las redes depende del número de capas y del
número de neuronas ocultas por capa.
El número de unidades ocultas está directamente relacionado con las
capacidades de la red. Para que el comportamiento de la red sea correcto, se
tiene que determinar apropiadamente el número de neuronas de la capa oculta.

Conceptos relacionados al aprendizajeConceptos relacionados al aprendizaje
Neuronas
de entrada
Neuronas
de salida
Par de entrenamiento
# Edad Sexo Nivel Ingresos Zona Formacion Est. Civil Ve-No
1 87 Hombre 3549 Central Postgrado Viudo No
2 59 Hombre 4876 Sud Postgrado Casado No
3 15 Mujer 7778 Sud Primaria Casado No
4 21 Mujer 7128 Norte Primaria Viudo No
5 55 Hombre 9715 Norte Postgrado Soltero No
7 36 Mujer 8262 Norte Postgrado Viudo No
8 77 Mujer 8143 Norte Profesional Soltero No
9 34 Hombre 1807 Central Profesional Divorciado No
10 58 Mujer 9064 Central Profesional Casado Si
11 87 Hombre 6717 Central Postgrado Divorciado No
12 96 Hombre 1371 Sud Postgrado Viudo No
.
.
.
n
Variables independientes
=
Neuronas de entrada
Variable dependiente
=
Neurona de salida

Conceptos relacionados al aprendizajeConceptos relacionados al aprendizaje
Par de entrenamiento
# Edad Sexo Nivel Ingresos Zona Formacion Est. Civil Ve-No
1 87 Hombre 3549 Central Postgrado Viudo No
2 59 Hombre 4876 Sud Postgrado Casado No
3 15 Mujer 7778 Sud Primaria Casado No
5 55 Hombre 9715 Norte Postgrado Soltero No
7 36 Mujer 8262 Norte Postgrado Viudo No
8 77 Mujer 8143 Norte Profesional Soltero No
9 34 Hombre 1807 Central Profesional Divorciado No
10 58 Mujer 9064 Central Profesional Casado Si
11 87 Hombre 6717 Central Postgrado Divorciado No
12 96 Hombre 1371 Sud Postgrado Viudo No
.
.
.
n
Conjunto
de pares
Como es de esperar, si se corre para el mismo par de entrenamiento este proceso varias veces, el
resultado final sería, inadaptable para el resto de los pares. Ese no es el objetivo, sino lo que se desea es
entrenar a la red con varias entradas (pares de entrenamiento) y luego ver que sucede cuando
ingresamos alguna que no estaba en el set de datos de entrenamiento. Es por esta razón que no se itera
sobre un mismo elemento del conjunto de datos hasta eliminar el error sino que se realiza un
acercamiento con un elemento, luego con otro y así hasta recorrer todo el conjunto de datos. A esta
recorrida sobre el conjunto de datos se la suele denominar epoch. El error no será bajo, pero la red se
habrá acercado hacia una zona donde convergen todos los elementos. Al repetir el proceso varias veces,
es decir iterar varios epoch, la red comenzará a entrenarse.

Tasa de aprendizaje y factor momentoTasa de aprendizaje y factor momento
El valor de la tasa de aprendizaje controla el tamaño del
cambio de los pesos en cada iteración. Se deben evitar
dos extremos: un ritmo de aprendizaje demasiado
pequeño puede ocasionar una disminución importante en
la velocidad de convergencia y la posibilidad de acabar
atrapado en un mínimo local; en cambio, un ritmo de
aprendizaje demasiado grande puede conducir a
inestabilidades en la función de error, lo cual evitará que
se produzca la convergencia debido a que se darán saltos
en torno al mínimo sin alcanzarlo. Por tanto, se
recomienda elegir un ritmo de aprendizaje lo más grande
posible sin que provoque grandes oscilaciones. En
general, el valor de la tasa de aprendizaje suele estar
comprendida entre 0.05 y 0.5.
El factor momento acelera la convergencia de los pesos.
Suele tomar un valor próximo a 1 (por ejemplo, 0.9).

TipsTips
• El número de neuronas ocultas determina la capacidad de
aprendizaje de la red neuronal.
• Considerando el problema del sobreajuste, se debe usar el
mínimo número de neuronas ocultas con las cuales la red rinda
de forma adecuada.
• Esto se consigue evaluando el rendimiento de diferentes
arquitecturas en función de los resultados obtenidos con el
grupo de validación.

• McCulloch y Pitts, en 1943, publicaron el primer estudio sobre el tema.
• El elemento central: perceptrón.
• Sólo permite discriminar entre dos clases linealmente
separables: XOR.
– 0.5= a = w1·x1 + w2·x2
– No hay combinación de x1 y x2 que resuelva este problema.
• Solución: más capas o funciones de transferencia no lineales.
a
y
Evolución ANN: PerceptronesEvolución ANN: Perceptrones

• Generalización del algoritmo del perceptrón para sistemas con entradas y
salidas continuas.
• Se define: δ=T-A= (salidas deseadas - salidas de la red).
• Minimiza una función de coste basada en ese vector de error:
• Si las funciones neuronales son lineales => un único mínimo
Evolución ANN: Regla deltaEvolución ANN: Regla delta

• Función de transferencia lineal.
• Algoritmo de entrenamiento de Widrow-Hoff o Delta, tiene en cuenta la
magnitud del error.
• Entrenamiento:
– Suma de los cuadrados de los errores sea mínima.
– Superficie de error con mínimo único.
– Algoritmo tipo gradiente.
• Aproximan funciones lineales.
Evolución ANN: Redes Neuronales LinealesEvolución ANN: Redes Neuronales Lineales

• Clave en el resurgimiento de las redes neuronales.
• Primera descripción del algoritmo fue dada por Werbos en 1974
• Generalización del algoritmo de Widrow-Hoff para redes multicapa con
funciones de transferencia no-lineales y diferenciables.
• 1989 Hornik, Stinchcombe y White
– Una red neuronal con una capa de sigmoides es capaz de aproximar
cualquier función con un número finito de discontinuidades
• Propiedad de la generalización.
• En la función de transferencia no-lineal, la superficie de error tiene varios
mínimos locales.
Evolución ANN: BackpropagationEvolución ANN: Backpropagation

• Función acotada, monótona creciente y diferenciable.
• Red de tipo feedforward.
• Suficiente con dos capas.
a
y
Evolución ANN: Red Perceptron Multicapa (MLP)Evolución ANN: Red Perceptron Multicapa (MLP)

• Descripción:
– Tras inicializar los pesos de forma aleatoria y con valores pequeños, se
selecciona el primer par de entrenamiento.
– Se calcula la salida de la red
– Se calcula la diferencia entre la salida real de la red y la salida
deseada, con lo que se obtiene el vector de error
– Se ajustan los pesos de la red de forma que se minimice el error
– Se repiten los tres pasos anteriores para cada par de entrenamiento
hasta que el error para todos los conjuntos de entrenamiento sea
aceptable.
• Descenso por la superficie del error
• Cálculo de derivadas del error respecto de los pesos y de las bias.
AdelanteAtrás
Evolución ANN: Algoritmo backpropagation IEvolución ANN: Algoritmo backpropagation I

• Underfitting.
• Memorización o Sobreaprendizaje.
• Caracterización de la red. ¿Cuantas
capas, cuantas neuronas en cada capa,
…?
Evolución ANN: Problemas con Algoritmo BackpropagationEvolución ANN: Problemas con Algoritmo Backpropagation

I
• Autoorganizativas: durante el proceso de aprendizaje la red
debe descubrir por si misma regularidades o categorías => la
red debe autoorganizarse en función de las señales
procedentes del entorno.
• Mapa de Rasgos Autoorganizados, SOM (Kohonen, 80)
• Características:
– Red competitiva
– Arquitectura unidireccional de dos capas:
• Capa de entrada: m neuronas una por cada vector de entrada.
• Capa segunda se realiza el procesamiento, formando el mapa de rasgos.
Tiene nx X ny neuronas operando en paralelo.
• Todas las neuronas de entrada están conectadas a las neuronas de la
segunda capa, a través de los pesos wij
Evolución ANN: Redes Neuronales no supervisadasEvolución ANN: Redes Neuronales no supervisadas

• Cada neurona (i,j) calcula la similitud entre el vector de
entradas y su vector de pesos
• Vence la neurona cuyo vector de pesos es más similar al
vector de entrada.
• Cada neurona sirva para detectar alguna característica del
vector de entrada.
• Función de vecindad:
relación entre neuronas
próximas en el mapa.
Evolución ANN: Redes Neuronales No-SupervisadasEvolución ANN: Redes Neuronales No-Supervisadas

• Ventajas de las redes neuronales artificiales:
– Aprendizaje adaptativo: lo necesario es aplicar un buen
algoritmo y disponer de patrones (pares) de entrenamiento.
– Auto-organización => conduce a la generalización
– Tolerancia a fallos: las redes pueden aprender patrones
que contienen ruido, distorsión o que están incompletos.
– Operación en tiempo real: procesan gran cantidad de
datos en poco tiempo.
– Facilidad de inserción en tecnología ya existente.
Evolución ANN: Ventajas actualesEvolución ANN: Ventajas actuales

• Detección de patrones.
• Filtrado de señales.
• Segmentación de datos.
• Control.
• Identificación.
En clase deberán hacerse ejercicios relativos a la aplicación de
redes neuronales. Específicamente se harán ejercicios sobre:
• Predicción de series de tiempo
• Asociación
• Predicción con más de una variable dependiente
APLICACIONESAPLICACIONES

PARTE IIPARTE II
Algoritmos GenéticosAlgoritmos Genéticos
PARTE IIPARTE II
Algoritmos GenéticosAlgoritmos Genéticos

Tipos de algoritmos evolutivosTipos de algoritmos evolutivos
PARTE II. Algoritmos GenéticosPARTE II. Algoritmos Genéticos
Aunque hoy en día es cada vez más difícil distinguir las
diferencias entre los distintos tipos de algoritmos evolutivos
existentes, por razones sobre todo históricas, suele hablarse de
cuatro etapas principales:
• Programación Evolutiva
• Estrategias Evolutivas
• Algoritmos Genéticos
• Programación Genética

DefiniciónDefinición
Los Algoritmos Genéticos (AGs) son métodos adaptativos que
pueden usarse para resolver problemas de búsqueda y
optimización. Están basados en el proceso genético de los
organismos vivos. A lo largo de las generaciones, las poblaciones
evolucionan en la naturaleza de acorde con los principios de la
selección natural y la supervivencia de los más fuertes,
postulados por Darwin. Por imitación de este proceso, los
Algoritmos Genéticos son capaces de ir creando soluciones para
problemas del mundo real. La evolución de dichas soluciones
hacia valores óptimos del problema depende en buena medida de
una adecuada codificación de las mismas.

Teoría BiológicaTeoría Biológica
La esencia de la teoría del Origen de las Especies de Charles Darwin, se recoge en las
siguientes premisas (Fang 1994):
1. En la reproducción sexual, cada individuo pasa parte de sus rasgos genéticos a sus
descendientes.
2. Además, la naturaleza produce individuos con algunos rasgos diferentes debido a
cambios llamados mutaciones, generalmente producidos de forma aleatoria.
3. Los individuos mejor adaptados tienen mayor descendencia que aquellos peor adaptados.
Esto dirige a la población hacia rasgos favorables.
4. A lo largo de grandes periodos de tiempo, la variación puede acumularse, produciendo
nuevas especies cuyos rasgos les hace especialmente adaptables a un nicho ecológico
particular.
Se puede decir que los secretos que entraña la evolución son dos: la muerte y el tiempo. Por
un lado, la muerte elimina una cantidad ingente de formas vivas que estaban
imperfectamente adaptadas al medio ambiente. Por otro, el tiempo permite ir acumulando
las pequeñas mutaciones accidentales que resultan ser beneficiosas.

FuncionamientoFuncionamiento
El algoritmo genético enfatiza la importancia de la cruza sexual
(operador principal) sobre el de la mutación (operador
secundario) y usa selección probabilística. El algoritmo básico es
el siguiente:
•Generar (aleatoriamente) una población inicial.
•Calcular la aptitud de cada individuo.
•Seleccionar (probabilísticamente) con base a la aptitud.
•Aplicar operadores genéticos (cruza y mutación) para generar la
siguiente población.
•Ciclar hasta que cierta condición se satisfaga.

FuncionamientoFuncionamiento

Funcionamiento – Generación de la población inicialFuncionamiento – Generación de la población inicial
Cromosoma
Gen 1 Gen 2 …… Gen n
alelo
• La representación tradicional es la binaria.
• A la cadena binaria se le llama “cromosoma”.
• Al bloque de bits que codifica una sola variable del
problema se le denomina “gen”.
• Al valor dentro de cada posición cromosómica se le llama
“alelo”.

Funcionamiento – Sujeto y f(adap)Funcionamiento – Sujeto y f(adap)
Cromosoma = Individuo = Sujeto = Posible Solución
Evaluación mediante la función de adaptación
En base al resultado de dicha
función se calcula el fitness
Fitness = fi/f

• Hay diferentes opciones para obtener el fitness
– Fitness = constante – función_objetivo
– Fitness = Recíproco (función objetivo)
– Fitness i = exp(-hvi)
• Con h elegida para que el fitness caiga en cierto rango
particular
• Superar las dificultades graduando el valor de
fitness explícitamente. Esto da control de la
velocidad de convergencia del algoritmo

Funcionamiento – Cruce (de un punto)Funcionamiento – Cruce (de un punto)

Funcionamiento – Cruce (de dos puntos)Funcionamiento – Cruce (de dos puntos)

Funcionamiento – Cruce (Uniforme)Funcionamiento – Cruce (Uniforme)

Evaluación mediante la función de adaptación

Funcionamiento – Condición de paradaFuncionamiento – Condición de parada
Condición de parada:
•Cantidad de generaciones
•Convergencia
•Tiempo

Conceptos Relacionados – Términos BiológicosConceptos Relacionados – Términos Biológicos
Clonación: Proceso por el que se consiguen copias idénticas de un organismo, célula o
molécula de forma asexual.
Mutación: Es una alteración o cambio en la información genética de un ser vivo que va a
producir un cambio de características, que se presenta súbita y espontáneamente.
Reproducción: proceso biológico que permite la creación de nuevos organismos.
Cruce: Constituye el procedimiento reproductivo de tipo sexual.
Epistático: En biología se dice que un gen es “epistático” cuando su presencia suprime el
efecto de un gen que se encuentra en otra posición – (estad. multicolinealidad)
Segregación: Cuando se forman los gametos y se tiene más de un par de cromosomas en
el genotipo, entonces, para fines de la reproducción sexual, es necesario elegir uno de los
cromosomas existentes. A este proceso se le llama segregación.

Paralelismo Implícito: El paralelismo implícito se refiere al hecho de que mientras el algoritmo calcula
las aptitudes de los individuos de una población, estima de forma implícita las aptitudes promedio de un
número mucho más alto de cadenas cromosómicas a través del cálculo de las aptitudes promedio
observadas en los “bloques constructores” que se detectan en la población.
Esquema: Es un patrón de valores de los genes de un cromosoma.
Fitness: Transforma la medida de evaluación en una medida de oportunidad de reproducción.
Elitismo: Incluir en una posición aleatoria de la población el individuo con mejor valor de fitness de la
generación anterior.
Selección por torneo: Se eligen dos individuos de la población actual, el mejor de ambos pasa a la
generación intermedia y recién ahí opera el cruzamiento.
Deriva genética: Favorecer más de lo que les corresponde a individuos ocasionalmente más aptos.
Evolución en avalancha: Al incrementar los individuos más aptos su presencia en la población, la
diversidad disminuye y se crean superindividuos, punto llegar a un punto de convergencia no óptimo.
Conceptos Relacionados – Términos de la técnica de AGConceptos Relacionados – Términos de la técnica de AG

La presencia de un esquema H en la población P de la generación
del instante t en un Algoritmo Genético evoluciona
estadísticamente de modo exponencial.
Conceptos Relacionados – Teorema FundamentalConceptos Relacionados – Teorema Fundamental
Factor de Crecimiento
Factor de Supervivencia

Conceptos Relacionados – Modelo de IslasConceptos Relacionados – Modelo de Islas
Un algoritmo genético diagramado bajo el modelo de islas, es en el que la
población de soluciones se divide en un número fijo de subpoblaciones, cada una
evolucionando de forma independiente, pero todas resolviendo el mismo
problema. Este modelo propone el uso de un operador de migración el cual
periódicamente intercambia soluciones entre las subpoblaciones. Adoptando este
tipo de Algoritmos Genéticos, se pueden diferenciar las subpoblaciones con
diferentes parámetros de control y la búsqueda se hace más extensa y mucho más
efectiva.

Conceptos Relacionados – Modelo celularConceptos Relacionados – Modelo celular
• Los sujetos sólo se comunican con sus vecinos inmediatos
• Cada sujeto se fija en sus vecinos inmediatos y elige el mejor individuo que
encuentra
• Recombina su individuo con el elegido del vecino
• Si un vecindario está a 20 o 25 movimientos de otro, estos vecindarios están
aislados como en el modelo de islas
• Luego de algunas generaciones hay algunos focos conteniendo individuos
similares

Resumen de ventajasResumen de ventajas
• Simplicidad conceptual.
• Amplia aplicabilidad.
• Superiores a las técnicas tradicionales en muchos problemas
del mundo real.
• Tienen el potencial para incorporar conocimiento sobre el
dominio y para hibridarse con otras técnicas de
búsqueda/optimización.
• Pueden explotar fácilmente las arquitecturas en paralelo.
• Son robustas a los cambios dinámicos.

Resumen de RequerimientosResumen de Requerimientos
Para poder aplicar el algoritmo genético se requiere de los 5 componentes
básicos siguientes:
•Una representación de las soluciones potenciales del problema.
•Una forma de crear una población inicial de posibles soluciones
(normalmente un proceso aleatorio).
•Una función de evaluación que clasifique las soluciones en términos de su
“aptitud”.
•Operadores genéticos que alteren la composición de los hijos que se
producirán para las siguientes generaciones (normalmente cruce sexual y
mutación).
•Valores para los diferentes parámetros que utiliza el algoritmo genético
(tamaño de la población, probabilidad de cruza, probabilidad de mutación,
número máximo de generaciones, etc.)

AplicacionesAplicaciones
Industria: Equilibrado de cargas (Fulk, 93); Planificación multiobjetivo (Busc, 91);
programación de operaciones (Matt, 96).
ƒServicios financieros: Estudio de riesgos (Hugh, 90); detección de fraude en créditos
(Foga, 92);Selección de carteras de inversión (Nobl, 90).
ƒTráfico: Establecimiento de rutas de vehículos (Kada, 91); programación del despegue
de aviones (Abra, 93).
ƒEnergía: Optimización de las redes de distribución de energía eléctrica (Ader, 85).
ƒEducación: Problemas de asignación aula-clase (Colo, 92); programación de exámenes
(Ross, 94).
ƒTelecomunicaciones: Diseño de redes de área local (Kear, 95).
ƒSalud pública: Programación de pacientes en un hospital (Abla, 95).

NotaNota
Nótese, sin embargo, que es importante considerar que estos
algoritmos son técnicas heurísticas. Por tanto, no garantizan que
convergerán al óptimo de un problema dado, aunque en la práctica
suelen aproximar razonablemente bien el óptimo de un problema
en un tiempo promedio considerablemente menor que los
algoritmos deterministas. Esta distinción es importante, pues el
papel de las técnicas heurísticas es el de servir normalmente como
último recurso para resolver un problema en el que los algoritmos
convencionales (típicamente deterministas) no funcionan o tienen
un costo computacional prohibitivo. Esto implica que antes de
decidir recurrir a los algoritmos genéticos, debe analizarse la
factibilidad de utilizar otro tipo de técnicas.

Material preparado por:Material preparado por:
Material preparado por:Material preparado por:

Inteligencia artificial aplicada a las finanzas

Más contenido relacionado

La actualidad más candente (20)

Similar a Inteligencia artificial aplicada a las finanzas (20)

Más de Samir Homsi (11)

Último (20)

Inteligencia artificial aplicada a las finanzas