Algoritmos Genéticos

ALGORITMOS GENÉTICOS
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 porDarwin. 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.
Un algoritmo genético consiste en una función matemática o una rutina de software que toma como entradas a los ejemplares y retornacomo salidas cuáles de ellos deben generar descendencia para la nueva generación.
Versiones más complejas de algoritmos genéticos generan un ciclo iterativo que directamente toma a la especie (el total de los ejemplares) y crea una nueva generación que reemplaza a la antigua una cantidad de veces determinada por su propio diseño. Una de sus características principales es la de ir perfeccionando supropia heurística en el proceso de ejecución, por lo que no requiere largos períodos de entrenamiento especializado por parte del ser humano, principal defecto de otros métodos para solucionar problemas, como los Sistemas Expertos.
Un algoritmo genético es un método de búsqueda dirigida basada en Probabilidad. Al aumentar el número de iteraciones, la probabilidad de tener el óptimo en lapoblación tiende a 1. Funciones matemáticas que usan los principios de Darwin para mejorar una aplicación. Las funciones se diseñan para simular en software, en cuestión de minutos o segundos
Funcionamiento de un Algoritmo Genético Simple
La operación de un algoritmo genético simple puede ilustrarse con el siguiente segmento
de pseudo-código:

generar población inicial, G(0);
evaluar G(0);
t:=0;repetir
t:=t+1;
generar G(t) usando G(t-1);
evaluar G(t);
hasta encontrar una solución;

Primero, se genera aleatoriamente la población inicial, que estará constituída por un
conjunto de cromosomas, o cadenas de caracteres que representan las soluciones posibles del problema. A cada uno de los cromosomas de esta población se le aplicará la función de aptitud afin de saber qué tan buena es lasolución que está codificando.
Sabiendo la aptitud de cada cromosoma, se procede a la selección de los que se cruzarán en la siguiente generación (presumiblemente, se escogerá a los "mejores").

Ambientes de Programación
En la actualidad existe un gran número de ambientes de programación disponibles en el
mercado para experimentar con los algoritmos genéticos. De acuerdo a la taxonomíasugerida, pueden distinguirse 3 clases de ambientes de programación:

1.- Sistemas Orientados a las aplicaciones: Son esencialmente "cajas negras" para el usuario, pues ocultan todos los detalles de implementación. Sus usuarios -normalmente neófitos en el área- los utilizan para un cierto rango de aplicaciones diversas, pero no se interesan en conocer la forma en qué éstos operan. Ejemplos de estetipo de sistemas son:
Evolver (Axcelis, Inc.) y XpertRule GenAsys (Attar Software).

2.- Sistemas Orientados a los algoritmos: Soportan algoritmos genéticos específicos, y suelen subdividirse en:
Sistemas de uso específico: Contienen un solo algoritmo genético, y se dirigen a una
Aplicación en particular. Algunos ejemplos son: Escapade (Frank Hoffmeister), GAGA (JonCrowcroft) y Genesis (JohnGrefenstette).

Bibliotecas: Agrupan varios tipos de algoritmos genéticos, y diversos operadores (e.g.
Distintas formas de realizar la cruza y la selección). Evolution Machine (H. M. Voigt y J. Born) y OOGA (Lawrence Davis) constituyen 2 ejemplos representativos de este grupo.
En estos sistemas se proporciona el código fuente para que el usuario normalmente un
Programador pueda incluir el...