Modelos de Algoritmo Genetico

Universidad Publica de el Alto
CARRERA INGENIERA DE SISTEMAS

TESIS DE GRADO
MODELO DE ALGORITMO GENÉTICO PARA MAXIMIZAR
NUTRIENTES Y MINIMIZAR COSTOS
Caso de estudio: “Ciudad de El Alto”
Postulante : Univ. Grover Wilson Quisbert Ibañez
Tutor Metodológico : Ing. Eduardo Rolando Flores Rodríguez
Tutor Especialista : Lic. Ramiro Loza Herrera
Tutor Revisor : Lic. Sonia Patricia Trino Camacho

LA PAZ - BOLIVIA
2012

CONTENIDO
Capitulo I: Marco Preliminar

Capitulo II: Marco Teórico

Capitulo III: Marco Aplicativo

Capitulo IV: Pruebas y Resultados

Capitulo V: Conclusiones y
Recomendaciones

Capitulo I: Marco Preliminar
INTRODUCCIÓN (1)
• El mundo enfrenta día a día
el problema de erradicar la
desnutrición
• Mas de 800 millones de
personas se acuestan con
hambre en el mundo

Carlin, J. (2004). Nutrición en Bolivia. El País.

INTRODUCCIÓN (2)

• En Bolivia el problema de
la desnutrición es muy
critico.
• Desnutrición en niñas y
niños menores de 5 años
32.2 %
• Bolivia país con mayor
desnutrición crónica de
américa latina. Consumo
de dietas inapropiadas

SINSAAT, P. (2006). Resultados de la encuesta de seguridad alimentaria y nutricional en municipios vulnerables de Bolivia.

INTRODUCCIÓN (3)

• Para la lucha contra
la desnutrición
muchas instituciones
brindan aportes como
alimentos y estos se
distribuyen de la
mejor manera
posible, con lo cual
surge las siguientes
preguntas:

INTRODUCCIÓN (4)

• ¿Esto es suficiente?
• ¿Se distribuyen los recursos
de la mejor manera?
• ¿Lo que se distribuye llena
los requisitos nutricionales de
una persona?
• ¿Hay una forma mas
económica, de tal manera
que alcance para mas
personas?

INTRODUCCIÓN (4)

• Este problemas es muy complejo por lo
que no ha sido posible realizar las
combinaciones
NUMERO DE
RECURSOS
NUTRIENTES QUE
DISPONIBLES BRINDA CADA UNO

CANTIDAD DE
NUTRIENTES QUE COSTO ECONÓMICO
NECESITA CADA DE CADA RECURSO
PERSONA

INTRODUCCIÓN (5)

• La inteligencia artificial brinda
diferentes técnicas para resolver
problemas complejos.
• Los Algoritmos Genéticos son
técnicas de búsqueda basadas
en la teoría de la evolución de
Darwin
• Los AGs permite la simulación
de grandes poblaciones
mezclando múltiples variables
para obtener el resultado más
viable

INTRODUCCIÓN (5)

• La presente Tesis de grado propone realizar el diseño
y desarrollo de un Modelo de algoritmo genético que
trabaje en base a los siguientes parámetros:
Cantidad de nutrientes que
necesita un individuo
Combinación
de recursos
Recursos disponibles en el
área
que brinda
mayor
Cantidad de nutrientes
cantidad de
aportados por cada recurso nutrientes al
menor costo
Precio por unidad de estos posible
recursos

PLANTEAMIENTO DEL PROBLEMA
Problema General

¿El Modelo de Algoritmo Genético; será capaz de
minimizar las deficiencias nutricionales al brindar
dietas que maximicen el consumo de nutrientes y
minimicen costos, de esta forma, mejorar la salud
integral, de la población de la ciudad de El Alto?

Problema Especifico (1)

• Alimentación deficiente, la población
consume dietas inadecuadas en
calidad y cantidad, que no cumplen con
las recomendaciones nutricionales.
• Desconocimiento de información
básica nutricional por parte de los
padres, mala alimentación en el núcleo
familiar.

Problema Especifico (2)

• Ingresos económicos insuficientes para
la compra de alimentos, lo que conlleva
a una baja capacidad adquisitiva de los
mismos.
• Inseguridad alimentaria en el hogar,
debido a la limitada disponibilidad y al
limitado acceso físico y económico de
los hogares a los alimentos.

OBJETIVOS
Objetivo General

Desarrollar un Modelo basado en
Algoritmos Genéticos, que sea
capaz de disminuir las deficiencias
nutricionales, generando dietas
que maximicen la cantidad de
nutrientes y minimicen los costos
económicos, así contribuir a la
salud integral de la población de
Ciudad de el Alto.

OBJETIVOS
Objetivo Especifico (1)

• “Recolectar datos sobre recursos
disponibles en el área y el costo de los
mismos en el mercado o centros de
abasto, además del aporte nutricional
que brinda cada uno de ellos; dentro del
área del caso de estudio los cuales serán
empleados como datos para el algoritmo
genético”

OBJETIVOS

• “Recolectar información sobre
sugerencias nutricionales para la
población de la ciudad del Alto, estos
serán empleados como parámetros de
trabajo del modelo de algoritmo
genético”,
• “Obtener información del especialista en
nutrición, estos datos serán comparados
con los datos obtenidos del modelo de
algoritmo genético”

OBJETIVOS
• “Analizar, diseñar y desarrollar un
prototipo del modelo de algoritmo
genético que maximice nutrientes
y minimice costos”
• “Analizar, diseñar y desarrollar
una aplicación Web, en la cual se
integre el modelo de algoritmo
genético, de tal manera que se
facilite el uso al usuario final”
• “Evaluar el modelo de algoritmo
genético propuesto para validar la
hipótesis”

HIPÓTESIS (1)

Hi: “El Modelo de Algoritmo Genético,
es una Herramienta capaz de
disminuir las deficiencias
nutricionales a través de dietas que
maximicen la cantidad de nutrientes
y minimicen el costo económico, con
un nivel de confianza mayor al 90%”.

HIPÓTESIS (2)
Variable Independiente VI(X)

HIPÓTESIS (3)
Variable Dependiente VD(Y)

JUSTIFICACIÓN (1)
Científica

Contribuyendo al avance
de la Ingeniería de
Sistemas en la Medicina,
por lo tanto se la justifica
por la falta de una
herramienta que apoye y
contribuyan a disminuir la
desnutrición del país.

JUSTIFICACIÓN (2)
Técnica

El manejo del presente
sistema basado en
algoritmos genéticos tendrá
la capacidad de proporcionar
una dieta que maximicen la
cantidad de nutrientes y
minimicen los costos
económicos, utilizando como
herramienta el ordenador y el
lenguaje Java.

JUSTIFICACIÓN (3)
Económica
El Modelo basado en algoritmos
genéticos estará disponible en la
Web, por lo cual la sociedad e
instituciones podrán consultar el
sistema de manera libre, no se pagara
algún tipo de licencia, por qué el
software empleado en el desarrollo
del presente trabajo está bajo licencia
GPL - GNU.

JUSTIFICACIÓN (3)
Social
En la justificación social se denota el
gran impacto que generar el modelo ya
que gran parte de la población quedara
beneficiada por poder acceder al sistema
vía Web y sin ningún tipo de gasto por
realizar su consulta, además de contar
con dietas que mejoraran la calidad de
vida de la familia.

METODOLOGÍA (1)

Para poder aplicar la ingeniería de
software se debe tomar en cuenta:
– Metodología de desarrollo de
software.
– Un Ciclo de desarrollo de software.
– Métricas de calidad de software.

METODOLOGÍA (2)
Metodología de desarrollo de software

• La Metodologia UWE (UML – Based Web
Engineering) proporciona guías para la construcción
de modelos de formas sistemáticas y con pasos
acertados, enfocados en personalización y en
estudios de casos de uso.
– Análisis de requerimientos,
– Diseño conceptual
– Modelo de navegación
– Modelo de presentación.

METODOLOGÍA (3)
Ciclo de desarrollo de Software
• «Implementación simple de los requerimientos
del sistema»

METODOLOGÍA (3)
Métricas de Calidad de Software

• CheckStyle
– Boolean Expression Complexity
– Class Data Abstraction Coupling
– Class Fan Out Complexity
– Cyclomatic Complexity
– NPathComplexity
• JavaNCSS
– # de Clases, # de Métodos, Líneas
de comentario, Javadoc.

LIMITES Y ALCANCES
Limites
• Se tomara como área de estudio los
barrios de Rio Seco y Senkata de la
ciudad de el Alto.
• El modelo de AGs temporalmente no
será aplicable a otras áreas del país,
puntos que se adicionaran a futuro.
• El modelo de AGs, brinda dietas que
tienen que ser supervisadas por un
experto en el área.

LIMITES Y ALCANCES
Alcances

• El sistema en términos de alcance
podrá ser usado en instituciones,
organizaciones o empresas que lo
adapten a sus regiones y recursos, y
con la ayuda de médicos y
nutricionistas se evalúen las posibles
combinaciones, así brindar alternativas
de nutrición

APORTE

• Se pretende dar un aporte científico significativo
como fruto de una investigación, principalmente a la
comunidad estudiantil de la Carrera de Ingeniería de
Sistemas.
• Desarrollo del prototipo de algoritmo genético con
interfaz WEB, será un gran aporte a instituciones,
organizaciones y personas que deseen luchar contra
el problema de la desnutrición dentro del país.

Capitulo II: Marco Teórico
ALGORITMOS GENÉTICOS

 Introducción
 Bases Biológicas
 Algoritmos Genéticos
 Características generales
 Funcionamiento
 Componentes

Introducción (1)

• Métodos Adaptativos
• Usados en problemas de
búsqueda y optimización de
parámetros.
• Basado en la
• Reproducción sexual.
• Principio de supervivencia del
mas apto.

Introducción (2)
• Para alcanzar la solución a un
problema se parte de un:
– Conjunto inicial de individuos
– Cada uno representa una posible
solución
– Estos Individuos evolucionan
• Usando el Esquema propuesto por Darwin
[Darwin, 1859], y se adaptaran en mayor
medida con el paso de cada generación
• Hasta encontrar una solución al problema

Bases Biológicas (1)

• Si algo funciona bien, ¿Por qué no
imitarlo?
• Durante millones de años las diferentes
especies se han ido adaptando para
poder sobrevivir en un medio cambiante

Características Generales

• Conjunto de (alelos)parámetros se
denomina (gen)
• Cadena de Valores (Cromosoma)
• Conjunto de cromosomas (Genotipo)
• Solución al problema (fenotipo)

Diagrama de Flujo de un AG
INICIO

Generar
población Inicial

Evaluar
Individuos

¿Individuo apto?

Seleccion FIN

Cruce

Mutación

Algoritmo Genético Simple
BEGIN /* Algoritmo Genetico Simple */
Generar una poblacion inicial.
Computar la funcion de evaluacion de cada individuo.
WHILE NOT Terminado DO
BEGIN /* Producir nueva generacion */
FOR Tamaño poblacion/2 DO
BEGIN /*Ciclo Reproductivo */
Seleccionar dos individuos de la anterior generacion,
para el cruce (probabilidad de seleccion proporcional
a la funcion de evaluacion del individuo).
Cruzar con cierta probabilidad los dos
individuos obteniendo dos descendientes.
Mutar los dos descendientes con cierta probabilidad.
Computar la funcion de evaluacion de los dos
descendientes mutados.
Insertar los dos descendientes mutados en la nueva generacion.
END
IF la poblacion ha convergido THEN
Terminado := TRUE
END
END

Población

Población

Los cromosomas pueden ser:
– Cadenas de Bits (0101 ... 1100)
– Números reales (43.2 -33.1 ... 0.0 89.2)
– Permutación de elementos (E11 E3 E7 ... E1 E15)
– Lista de reglas (R1 R2 R3 ... R22 R23)
– Elementos de programación (programación genética)
– ... Cualquier estructura de datos ...

Reproducción

Hijos
reproducción

Padres

Población

Los padres son seleccionados de acuerdo a los
siguientes metodos:
• Ruleta,
• Torneo Deterministica
• Torneo Probabilistica

Modificación del Cromosoma

Hijos
modificación
Hijos modificados

 Modificación es activada estocásticamente
 Los tipos de operadores son:
 Mutación
 Crossover (recombinación)

Mutación

0 1 1 0 0 0 1

0 1 0 0 0 0 1

Cruce de Un Punto

0 0 0 0 Padres 1 1 1 1

0 0 1 1 Hijo 1 1 0 0

Cruce de Multi - Punto

0 0 0 0 Padre 1 1 1 1

0 1 1 0 Hijos 1 0 0 1

Cruce de Uniforme

Máscara 0 1 0 1

0 0 0 0 Pais 1 1 1 1

0 1 0 1 Filhos 1 0 1 0

Criterios de Parada

• Máximo de Generaciones
– Solución aparece antes
– Ciclos de Procesos innecesarios
– Finaliza antes de alcanzar su
objetivo
• Convergencia Genética
– 95% comparte el mismo valor de
gen
– Pseudoaleatorio
– Puede tomar demasiadas
evoluciones.

Capitulo III: Marco Aplicativo
METODOLOGÍA DE LOS ALGORITMO GENÉTICOS

• Análisis del problema
• Diseño del Cromosoma.
• Implementación de la función
de Aptitud.
• Selección de los operadores.
• Desarrollo del prototipo.
• Implementación del Prototipo.

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICO
Análisis (1)

Costo1 Costo2 Costo3 Costo4 CostoN

R1 R2 R3 R4 RN
(Alimentos) (Alimentos) (Alimentos) (Alimentos) (Alimentos)

NUT1 NUT2 NUT3 NUT4 NUTN

Análisis (2)
• Considerando 3 espacios vectoriales como ser:
– Al (Alimentos)
– Nu(Aporte en Nutrientes)
– Co(Costo económico)
• Donde:
Al = (a1, a2, a3, a4, a5, …aN)
Nu = (n1, n2, n3, n4, n5, …, nM) donde M es Fijo
Co = (cP)
• Siendo
N = Numero de Alimentos
M = Numero de Nutrientes
P = Valor de Costo en Bs.

Análisis (3)

Estructura del Cromosoma (1)

Estructura del Cromosoma (2)

Cabe recalcar que
los valores de Rx
serán importados
desde una base de
datos para realizar
su respectivo
análisis

La Población

Evaluación (1)

s(i,j) = valor deseado para el individuo i en el caso j
c(i,j) = valor obtenido para por el individuo i para el caso j
Nc = Número de casos.

Evaluación (2)

• Para este caso se emplea la siguiente ecuación:

Lo que se desea obtener es la maximización de nutrientes y la
minimización de costos que será expresada de la siguiente manera:

Evaluación (3)

Evaluación (4)

Selección
El operador de selección se basado en el criterio
de elitismo, el cual consiste en seleccionar el
mejor cromosoma y presérvalo hasta que surja
otro más apto.

Para la selección de los
individuos se procederá a la
selección por torneo, en el cual
uno de los individuos resulta
ganador, cual pasara a ser una
posible solución y de la misma
forma se procede con los
demás individuos llegando a
obtener la cantidad
determinada de la población
inicial

Cruzamiento

Mutación

DISEÑO DE LA INTERFAZ WEB DEL PROTOTIPO
Análisis de Requerimientos (1)

Análisis de Requerimientos (2)

Modelo de Presentación

Capitulo IV: Pruebas y Resultados
ANÁLISIS Y RESULTADOS (1)
Se realizaron varias pruebas al algoritmo con diferentes
parámetros, para verificar la funcionalidad del modelo, el cual
genera diferentes resultados de acuerdo a los parámetros
introducidos, se analizan dos casos:
Caso 1:
Genero (G) = Adulto Mujer.
Edad (E) = 18 – 30 años
Peso (P) = 53 Kg.
Costo máximo a gastar (CG) = 15 Bs.

Tasa de Valor de Fitness Tiempo (s)
Efectividad %
87.5 % 270.26 0.85
95% 270.40 6.868
95% 295.26 6.313

ANÁLISIS Y RESULTADOS (2)

Caso 2
Genero (G) = Niño.
Edad (E) = 6 años
Peso (P) = 20.4 Kg.
Costo máximo a gastar (CG) = 20 Bs.

Tasa de Valor de Fitness Tiempo (s)
Efectividad %
89.5 % 262.4 3.687
95% 302.51 6.348
97.5% 301.25 9.62

ANÁLISIS Y RESULTADOS
Métrica Punto Función (1)

Número de entradas del usuario = 4
Número de salidas del usuario = 3
Número de consultas del usuario = 1
Numero de archivos = 2
Numero de interfaces externas = 2
Además se emplea la siguiente ecuación:

Métrica Punto Función (2)
Factor de Ponderación
Parámetro de
medición
Cuenta x Simple Media Compleja =
No de entradas del
4 x 3 4 6 12
usuario
No de salidas del
3 x 4 5 7 12
usuario
No de consultas
1 x 3 4 6 3
del usuario

No de archivos
2 x 7 10 15 14
No de interfaces
2 x 5 7 10 10
externas

Cuenta Total 51

Validación del Prototipo

Pruebas de Calidad (1)

Pruebas de Calidad (3)
Luego de obtener los resultados procedemos a mostrar la
siguiente tabla con un resumen de las métricas obtenidas:
Clases evaluadas
Métricas MaxNutMinCos MaxNutMinCosFuncionAptitud

Numero de Clases por
1 1
Paquete
Numero de Métodos por
38 18
Paquete
Número de líneas de
186 188
Código
Numero de
3 1
BloquesJavadoc
Número de Líneas de C 29 44
Complejidad
1.08 2.33
Ciclomática

Evaluación de la variable dependiente (1)
Nro
Efectividad del
Prototipo %
Valor
esperado %
X Nivel de significación
1 95 90 5 1.96 3.8416
Para todo valor de
2 95 90 5 1.96 3.8416 probabilidad igual o
3 93 90 3 -0.04 0.0016
4 95 90 5 1.96 3.8416
menor que 0.05, se
5 93
95
90
90
3 -0.04 0.0016 acepta Hi y se rechaza
6 5 1.96 3.8416
7 93 90 3 -0.04 0.0016 Ho. a = 0.05
8 91 90 1 -2.04 4.1616
9 95 90 5 1.96 3.8416
10 93 90 3 -0.04 0.0016 Zona de rechazo
92 90
11
12 93 90
2
3
-1.04
-0.04
1.0816
0.0016
Para todo valor de
13 92 90 2 -1.04 1.0816 probabilidad mayor que
14 90 90 0 -3.04 9.2416
15 95 90 5 1.96 3.8416 0.05, se acepta Ho y se
16
17
95
93
90
90
5
3
1.96
-0.04
3.8416
0.0016
rechaza Hi.
18 91 90 1 -2.04 4.1616
19 95 90 5 1.96 3.8416
20 90 90 0 -3.04 9.2416
21 92 90 2 -1.04 1.0816
22 90 90 0 -3.04 9.2416
23 95 90 5 1.96 3.8416
24 95 90 5 1.96 3.8416
25 90 90 0 -3.04 9.2416
86.96

El valor calculado u obtenido de t (7.98) se compara con los
valores críticos de la distribución t (tabla), y se observa que a una
probabilidad de 0.05 le corresponde 2.262 de t. Por lo tanto, el
cálculo tiene una probabilidad menor que 0.05

Decisión
Como t es de 7.98, con 24 grados de libertad, tiene un valor de
probabilidad menor que 0.05 entonces se acepta Hi y se rechaza
Ho.

Hi: El Modelo de Algoritmo Genético, es una
Herramienta capaz de disminuir las deficiencias
nutricionales a través de dietas que maximicen la
cantidad de nutrientes y minimicen el costo
económico

Evaluación de la variable independiente (1)

80% - 100 % Si es muy satisfactorio.
51% - 79% Si es satisfactorio.
10% - 50% No cumple con los requisitos.


De los resultados obtenidos por el Modelo de Algoritmo
Genético tenemos que de 25 dietas generadas el Modelo
fallo en 4, para un tiempo de trabajo de 3 meses


Lo cual indica que el modelo de algoritmo genético es
un 92% confiable

Evaluación de las variable independiente y dependiente

NOMBRE DE INSTRUMEN
VAR INDICADOR VALOR INTERPRETACIÓN
LA VARIABLE TO

Medir el La escala muy
porcentaje de satisfactoria esta entre el
Modelo de Nivel de
confiabilidad del Función rango de (80% - 100%),
VI Algoritmo Confiabilidad
Modelo de Exponencial la confiabilidad del
Genético 92%
Algoritmo Modelo de Algoritmo
Genético Genético es de 92%

Dietas que
El valor calculado de “t”
maximicen la
es de 7.98, resulta ser
cantidad de Nivel de confianza
Prueba “t” superior al valor de la
VD(Y1) nutrientes y de la dieta 7.98
Student tabla, con un nivel de
minimicen los generada
confianza de 0.05
costos
económicos.

Estado de la Hipótesis

Después de analizar los resultados obtenidos
en el análisis de la variable dependiente y el de la
variable independiente concluimos que se acepta
la hipótesis, ya que el modelo de algoritmo
genético es una herramienta que disminuye las
deficiencias nutricionales a través de dietas que
maximizan la cantidad de nutrientes y minimizan
los costos económicos, con un nivel de confianza
mayor al 92%.

Capitulo IV: Conclusiones y Recomendaciones
Conclusiones (1)

PROBLEMA GENERAL
¿El Modelo de Algoritmo Genético;
será capaz de minimizar las
deficiencias nutricionales al brindar
dietas que maximicen el consumo de
nutrientes y minimicen costos, de
esta forma, mejorar la salud integral,
de la población de la ciudad de El
Alto?

Conclusiones (2)

Objetivo General Cumplido
El capítulo 3 presenta el análisis, diseño e
implementación del modelo de algoritmo
genético. En los puntos 4.1 y 4.2 del
capítulo 4 se efectuó la verificación del
conocimiento a través de las pruebas de
calidad efectuadas al modelo de algoritmo
genético
Cuyo resultado es adecuado para los
fines perseguidos, por consiguiente se
construyó un modelo de algoritmo
genético que maximice nutrientes y
minimice costos

Conclusiones (3)

“Recolectar datos sobre recursos disponibles en el
área y el costo de los mismos en el mercado o
centros de abasto, además del aporte nutricional
que brinda cada uno de ellos; dentro del área del
caso de estudio los cuales serán empleados como
datos para el algoritmo genético”

Aspecto que se cumple en el punto 4.1 y se puede
observar los datos recolectados en el anexo D.

Conclusiones (3)

”Recolectar información sobre sugerencias
nutricionales para la población de la ciudad del Alto,
estos serán empleados como parámetros de trabajo
del modelo de algoritmo genético”

Aspecto que se cumple en la elaboración del
prototipo, en la evaluación del mismo y los datos
obtenidos puede ser observado en el anexo C.

Conclusiones (4)

“Obtener información del especialista en nutrición,
estos datos serán comparados con los datos
obtenidos del modelo de algoritmo genético”,

este aspecto se cumple en el punto 4.2 y 4.3 del
capítulo 4, para cumplir con este objetivo se recurrió
a la Carrera de Nutrición y Dietética, donde se
obtuvo información sobre nutrición en niños,
adolescentes y adultos según los parámetros con
los que trabaja el modelo de algoritmo genético,
peso, edad y sexo.

Conclusiones (5)

“Analizar, diseñar y desarrollar de un prototipo del
modelo de algoritmo genético que maximice
nutrientes y minimice costos”

Este aspecto se cumple en capítulo 3, en el punto
3.3, donde se realiza el análisis, se plantea la
estructura del cromosoma, la población con la que
se trabajara, los métodos de evaluación, selección,
cruzamiento y mutación. Todo esto siendo
implementado en el lenguaje de programación
Java.

Conclusiones (6)

“Analizar, diseñar y desarrollar una aplicación Web,
en la cual se integre el modelo de algoritmo
genético, de tal manera que se facilite el uso al
usuario final ”

Este aspecto se cumple en el punto 3.4 del capítulo 3,
donde empleando le ingeniería Web basada en el
lenguaje unificado (UWE-UML), cumpliendo con todos los
pasos que plantea este método de ingeniería, se procede
a la implementación usando la tecnología Jsp en el
entorno de desarrollo de software NetBeans, usando
como gestor de base de datos a MySql y como servidor a
GlassFish Server.

Conclusiones (7)

“Evaluar el modelo de algoritmo genético
propuesto para validar la hipótesis”,

Este aspecto se cumple en el punto 4.1 y 4.2
donde se realiza la evaluación del modelo de
algoritmo genético como el de las variables
dependiente e independiente para evaluar la
hipótesis planteada.

Recomendación (1)

• Se recomienda que para la implementación del sistema
se utilice recomendaciones del área de estudio.
• Para obtener los mejores resultados se sugiere agregar
a la base de datos de recursos, aquellos alimentos más
económicos como ser quinua, lentejas, menudencias y
no alimentos como fideos y alimentos procesados.
• Las dietas que ofrece el modelo son generadas en base
a la maximización de nutrientes y minimización de
costos, se recomienda que estas sea supervisadas por
expertos nutricionistas.

Recomendación (2)

• El sistema solo puede ofrecer dietas en base a sus
valores nutricionales, para que estas sean más
apetitosas para el usuario se recomienda realizar un
estudio para resolver este problema.
• Realizar un estudio sobre el tamaño de la población y la
cantidad de evoluciones que debe utilizar el modelo al
implementarse en una determinada región, ya que esto
influye en el comportamiento del algoritmo genético y la
ejecución del sistema.

Modelos de Algoritmo Genetico

Más contenido relacionado

La actualidad más candente (20)

Destacado (6)

Similar a Modelos de Algoritmo Genetico (20)

Último (20)

Modelos de Algoritmo Genetico