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.
1.1.5.
Desventajas
Aunque los
AG
han demostrado su eficiencia
y
potencia como estrategia
de reso-
lución
de
problemas,
no
son
la
panacea.
Los
AG
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
AG
es
definir
una
representación
del
problema.
El lenguaje
utilizado para especificar solucio-
nes 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
AG,
es
definir
a
los
individuos
como
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 visita-
das 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,
etc.
Así,
la
mutación
implica
cam-
biar 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
apti-
tudes
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
métodos
producen
representaciones
robustas
ante
la
mutación,
y
pueden
representar
muchos
tipos diferentes de problemas y, como se dice en la sección “Algunos ejem-
plos 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
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
objetivo debe
considerarse cuida-
dosamente para que se pueda alcanzar una
mayor aptitud y verdaderamente
signifique
una
solución
mejor
para
el
problema
dado.
Si
se
elige
mal
una
función
objetivo
o
se
define
de
manera
inexacta,
puede
que
el
AG
sea
in-
capaz
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 pre-
tendían
que
hiciera).
Como
por
ejemplo:
unos
investigadores
utilizaron
un
algoritmo
evolutivo
en
conjunción
con
una
serie
de
chips
reprogramables,
haciendo que la función objetivo 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
osci-
lador,
como
pretendían
los
investigadores,
¡descubrieron
que
el
circuito
se
había convertido en un receptor de radio que estaba recibiendo y retransmi-
tiendo 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
objetivo
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
con más abundancia que sus competidores están más adaptados; los que
fracasan en reproducirse no están adaptados.
Además
de
elegir
bien
la
función
objetivo,
también
deben
elegirse
cuida-
dosamente
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
ta-
maño
de
la
población
es
demasiado
pequeño,
puede
que
el
AG
no
explore
suficientemente
el
espacio
de
soluciones
para
encontrar
buenas
soluciones
consistentemente. Si el ritmo de cambio genético es demasiado alto o el sis-
tema de selección se escoge inadecuadamente, puede alterarse el desarrollo
de esquemas beneficiosos
y
la población puede entrar en catástrofe
de erro-
res,
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
pre-
sión 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
al-
teran
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 bac-
terias 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.
Igualmente,
las
aplicaciones
diversas
y
los
impresionantes
resultados
de
los
AG
demuestran
que
son
un
campo
de
estudio poderoso y que merece la pena.
Un
problema
con
el
que
los
AG
tienen
dificultades
son
los
problemas
con
las
funciones
objetivo
”engañosas”,
en
las
que
la
situación
de
los
puntos
mejorados
ofrecen
información
engañosa
sobre
dónde
se
encuentra
proba-
blemente
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
ap-
to
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
AG
y
la
evolución
bioló-
gica:
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
solu-
ción
“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
naturale-
za”
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.
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
pue-
de reproducir tan abundantemente que
merme la diversidad
de la población
demasiado pronto, provocando que el algoritmo converja hacia el óptimo lo-
cal que representa ese individuo, en lugar de rastrear el paisaje adaptativo lo
bastante a fondo para encontrar el óptimo global. Esto es un problema espe-
cialmente 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 AG pa-
ra
solucionar
este
problema
implican
controlar
la
fuerza
selectiva,
para
no
proporcionar
tanta
ventaja
a
los
individuos
excesivamente
aptos.
La
selec-
ción
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 deri-
va 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
mutaciones
que
produ-
cen
una
ganancia
de
aptitud
tan
grande
que
otorgue
a
sus
poseedores
una
drástica ventaja reproductiva.
Finalmente,
varios
investigadores
aconsejan
no
utilizar
AG
en
problemas
resolubles de
manera analítica.
No es que los
AG no puedan encontrar solu-
ciones
buenas
para
estos
problemas;
simplemente
es
que
los
métodos
ana-
líticos
tradicionales
consumen
mucho
menos
tiempo
y
potencia
computa-
cional
que
los
AG
y,
a
diferencia
de
los
AG,
a
menudo
está
demostrado
matemáticamente
que
ofrecen
la
única
solución
exacta.
Por
supuesto,
co-
mo
no
existe
una
solución
matemática
perfecta
para
ningún
problema
de
adaptación biológica, este problema no aparece en la naturaleza.
1.1.6.
¿Cómo Saber si es Posible usar un Algoritmo Genético?
La aplicación
más común de los
AG
ha sido la solución de
problemas de optimi-
zación, en donde han mostrado ser
muy eficientes y confiables.
Sin
embargo,
no
todos
los
problemas
pudieran
ser
apropiados
para
la
técnica,
y
se recomienda en general tomar en cuenta las siguientes características del mismo
antes de intentar usarla:
Su espacio de búsqueda (i.e., sus posibles soluciones) debe de estar delimi-
tado dentro de un cierto rango.
Debe permitir definir una función de aptitud que nos indique que tan buena
o
mala es una cierta respuesta.
Las
soluciones deben
codificarse de
una
forma que
resulte
relativamente
fácil de implementar en el computador.
El
primer
punto
es
muy
importante,
y
lo
más
recomendable
es
intentar
resolver
problemas que tengan espacios de búsqueda discretos aunque éstos sean muy
grandes.
Sin
embargo,
también
podrá
intentarse
usar
la
técnica
con
espacios
de
búsqueda
continuos,
pero
preferiblemente
cuando
exista
un
rango
de
soluciones
relativamente pequeño.
1.1.7.
Algunas Aplicaciones de los Algoritmos Genéticos
Como
hemos
podido
observar,
el
área
de
aplicación
de
los
AG
es
muy
amplia,
y
en
general
sus
aplicaciones
se
pueden
implementar
a
muchos
de
los
problemas
de
la
vida
cotidiana,
de
igual
forma,
se
hayan
aplicado
a
diversos
problemas
y
modelos en ingeniaría, y en la ciencia en general cabe destacar entre ellos:
Optimización: Se trata de un campo especialmente abonado para el uso
de los AG, por las características intrínsecas de estos problemas. No en
vano
fueron
la
fuente
de
inspiración
para
los
creadores
estos
algoritmos.
Los
AG
se
han
utilizado
en
numerosas
tareas
de
optimización,
incluyendo
la optimización numérica, y los problemas de optimización combinatoria.
Programación automática: Los
AG se han empleado para desarrollar pro-
gramas para tareas específicas, y para diseñar otras estructuras computacio-
nales tales como el autómata celular, y las redes de clasificación.
Aprendizaje máquina: Los
AG
se han utilizado también en
muchas de es-
tas
aplicaciones,
tales
como
la
predicción
del
tiempo
o
la
estructura
de
una
proteína.
Han
servido
asimismo
para
desarrollar
determinados
aspectos
de
sistemas particulares de aprendizaje, como pueda ser el de los pesos en
una
red
neuronal,
las
reglas
para
sistemas
de
clasificación
de
aprendizaje
o
sis-
temas de producción simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para modeli-
zar procesos de innovación, el desarrollo estrategias de
puja, y la aparición de
mercados económicos.
Sistemas inmunes: A la hora de
modelizar varios aspectos de los sistemas
inmunes
naturales,
incluyendo
la
mutación
somática
durante
la
vida
de
un
individuo y el descubrimiento de familias de genes múltiples en tiempo evo-
lutivo, ha resultado útil el empleo de esta técnica.
Mister Wong
Portal para Investigadores y Profesionales
