SELECCIÓN (XA)
N
?
del individuo
Individuo en binario
Valor de XA
Pareja aleatoria
1
2
3
4
5
6
(1,1,1,1,0)
(1,1,1,0,0)
(1,1,0,0,0)
(0,0,0,1,1)
(0,0,1,1,1)
(0,1,1,1,1)
14
10
4
6
12
14
5
3
1
6
2
4
SELECCIÓN (XB)
N
?
del individuo
Individuo en binario
Valor de XA
Pareja aleatoria
1
2
3
4
5
6
(1,1,0)
(1,0,1)
(0,1,1)
(0,0,1)
(1,0,0)
(0,1,0)
3
2
3
1
1
2
4
1
5
3
6
2
Ahora se evaluan los individuos en la función:
Individuo
XA
1
2
3
4
5
6
Individuo
XB
1
2
3
4
5
6
396
376
396
356
356
376
300
280
300
260
260
280
156
136
156
116
116
136
204
184
204
164
164
184
348
328
348
308
308
328
396
376
396
356
356
376
Como se puede observar el mejor individuo para
XA puede ser 1,6 y para
XB 1,3
conformando
las
parejas
(1,1),(1,3),(6,1)
y
(6,3)
ya
que
al
evaluar
las
parejas
en
la función el resultado es el mayor con f = 396.
Una
manera
de
realizar
el
proceso
de
selección
es
mediante
un
torneo
entre
dos.
A
cada individuo de la población se le asigna una pareja y entre ellos se establece
un torneo: el mejor genera dos copias y el peor se desecha. La columna (4) indica
la pareja asignada a cada individuo.Después de realizar el proceso de selección, la
población que tenemos es la mostrada en la columna (2) de la siguente tabla.
CRUCE (XA)
N
?
del individuo
Individuo en binario
Pareja aleatoria
Punto de cruce
1
2
3
4
5
6
(1,1,1,1,0)
(1,1,1,1,0)
(1,1,1,0,0)
(1,1,1,0,0)
(0,1,1,1,1)
(0,1,1,1,1)
3
6
2
1
4
5
1
2
1
1
2
2
CRUCE (XB)
N
?
del individuo
Individuo en binario
Pareja aleatoria
Punto de cruce
1
2
3
4
5
6
(1,1,0)
(1,1,0)
(1,1,0)
(1,1,0)
(0,1,1)
(0,1,1)
2
5
1
6
4
3
1
2
1
1
2
1
POBLACIÓN TRAS EL CRUCE (XA)
N
?
del individuo
Individuo en binario
Valor de XA
1
2
3
4
5
6
(1,1,1,0,0)
(1,1,1,1,0)
(1,1,1,1,1)
(0,1,1,1,0)
(1,1,1,1,0)
(1,1,1,0,0)
10
14
16
12
14
10
POBLACIÓN TRAS EL CRUCE (XB)
N
?
del individuo
Individuo en binario
Valor de XA
1
2
3
4
5
6
(1,1,0)
(1,1,0)
(1,1,1)
(0,1,0)
(1,1,0)
(1,1,0)
3
3
4
2
3
3
De nuevo se evaluan los individuos en la función:
Individuo
XA
1
2
3
4
5
6
Individuo
XB
1
2
3
4
5
6
300
300
320
280
300
300
396
396
416
376
396
396
444
444
464
424
444
444
348
348
368
328
348
348
396
396
416
376
396
396
300
300
320
280
300
300
Ahora el mejor individuo para XA es 3 y para
XB es 3 con un vajor de 464; ¿Qué
quiere
decir
esto?
Simplemente
que
los
individuos
después
de
la
selección
y
el
cruce son
mejores que antes de estas transformaciones.
Esta
manera
de
proceder
se
repite
tantas
veces
como
número
de
iteraciones
se
fijes. Y ¿cuál es el óptimo? En realidad
un algoritmo
genético no garantiza la ob-
tención
del
óptimo
como
ya
hemos
mencionado
anteriormente
pero,
si
está
bien
construido,
proporcionará
una
solución
razonablemente
buena.
Puede
que
se
ob-
tenga el óptimo, pero el algoritmo
no confirma que lo sea. También es buena idea
ir
guardando
la
mejor
solución
de
todas
las
iteraciones
anteriores
y
al
final
que-
darte con la mejor solución de las exploradas.
5
CONCLUSIONES
64
5.
CONCLUSIONES
Como se ha
podido observar, una de las principales ventajas de los
AG puede ob-
servarse
en
su
sencillez;
puesto
que
se
necesita
muy
poca
información
sobre
el
espacio
de búsqueda ya que se trabaja sobre un conjunto de soluciones o
paráme-
tros
codificados
(hipótesis
o
individuos).
Al
igual
que
sus
campos
de
aplicación,
se puede afirmar que es un método
muy completo de optimización, puesto que sus
áreas de estudio son muy amplias, y se puede ver generalizado en muchos sucesos
cotidianos.
Se
ha
observado
de
igual
forma
que
los
AG
están
indicados
para
resolver
todo
tipo
de
problemas
que
se
puedan
expresar
como
un
problema
de
optimización
donde se define una representación adecuada para las soluciones y para la función
a
optimizar. Se busca una solución por aproximación de la población, en lugar de
una aproximación punto a punto.
Probablemente
el
punto
más
delicado
de
todo
se
encuentra
en
la
definición
de
la
función objetivo, ya que de su eficiencia depende la obtención de un buen resulta-
do. El resto del proceso es siempre el mismo para todos los casos.
La
programación
mediante
AG
supone
un
nuevo
enfoque
que
permite
abarcar
to-
das
aquellas
áreas
de
aplicación
donde
no
se
sabe
de
ante
mano
como
resolver
el
problema.
También
es
importante
anotar
que
a
pesar
de
que
es
una
técnica
muy
buena,
en
el
caso
de
un
problema
especifico
en
donde
se
sepa
que
para
su
optimización
se
puede utilizar otro método, pues en este caso lo más recomendable es hacerlo por
el otro método, ya que con seguridad se encontrara una solución
más optima (sino
la
más optima) de la que se hubiese podido encontrar con un
AG.
En la parte final
Se pueden observar las
diferentes aplicaciones que tiene los
AG
en
el
paquete
estadístico
R,
al
igual
que
algunas
de
las
funciones
que
se
utilizan
para su aplicación, según sea el caso.
Por ultimo se detalla una de las muchas aplicaciones que tiene este método, que es
la optimización; allí se observa la forma de proceder de este método tan completo
y
a
la ves tan ”aparentemente"sencillo.
REFERENCIAS
65
Referencias
[2] http://taylor.us.es/componentes/miguelangel/algoritmosgeneticos.pdf
leer.asp&id=6
21273285-290.pdf
[5] http://descargas.cervantesvirtual.com/servlet/SirveObras/120394186289
25940987435/002760_11.pdf
[6] http://eddyalfaro.galeon.com/geneticos.html
[7] http://www.uv.mx/aguerra/teaching/MIA/MachineLearning/
clase08.pdf
[8] http://tigre.aragon.unam.mx/geneticos/indice.htm
[9] http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t2geneticos.pdf
[10] http://147.96.80.155/sistemaoptimizacion/AlgoritmoGenetico.htm
html_data/3algoritmos/Algoritmo.htm
PG02-03-iglesias.pdf
[17] http://webdiis.unizar.es/jcampos/EDA/ea/slides/9-
˜
Algoritmos %20geneticos.pdf
[18] http://pbil.univ-lyon1.fr/library/subselect/html/genetic.html
Portal para Investigadores y Profesionales
Facebook 
Del.icio.us 
Mister Wong