Computacion Evolutiva

Computación Evolutiva.

La computación evolutiva es una rama de la computación
y la inteligencia artificial que comprende métodos de
búsqueda, problemas de optimización combinatoria y
aprendizaje automatizado inspirados en los mecanismos
de la evolución natural.

Desde 1930, algunos investigadores comenzaron a ver el
proceso de evolución de las especies como un proceso
deaprendizaje, mediante el cual la naturaleza dota a las
especies de diferentes mecanismos, buscando hacerlas
más aptas para sobrevivir.
Partiendo de estos preceptos no resulta entonces difícil
percatarse de que pueden desarrollarse algoritmos que
traten de resolver problemas de búsqueda y
optimización guiados por el principio de la
“supervivencia del más apto” que postulara Charles
Darwin en su famosay controversial teoría de la
evolución de las especies.

Durante los años 60 y 70, varias corrientes de
investigación independientes comenzaron a formar lo que
ahora se conoce como computación evolutiva.
Diversos enfoques a la computación evolutiva han sido
propuestos: las estrategias evolutivas, los algoritmos
genéticos, la programación genética y los clasificadores
genéticos entreotros.
A estos métodos se les denomina de manera colectiva
como algoritmos evolutivos, entre los cuales los más
conocidos son probablemente los algoritmos genéticos.
Estos algoritmos han sido aplicados exitosamente en la
resolución de problemas en distintas ramas de la
ingeniería, el diseño, la industria, la economía y las
ciencias naturales.

• La programación evolutiva nació en la décadade 1960 y su
creador fue Lawrence J. Fogel. Este desarrollo comenzó como
un esfuerzo encaminado a crear inteligencia artificial basado
en la evolución de máquinas de estado finitas.
• Las estrategias evolutivas fueron propuestas por Ingo
Rechenberg y Hans-Paul Schwefel en la década de 1970. Su
principal objetivo era el de optimizar de parámetros.
• Los algoritmos genéticos fueron propuestospor John H.
Holland en 1975 y su motivación inicial fue la de proponer un
modelo general de proceso adaptable.

Concepción
• Abstraer y explicar rigurosamente el proceso
adaptativo de los sistemas naturales.
• Diseñar sistemas artificiales que retuvieran los
mecanismos más importantes de los sistemas
naturales.

Algoritmos de búsqueda basados en los
mecanismos de selección naturaly genética
natural. Combinan la supervivencia de los más
compatibles entre las estructuras de cadenas, con
una estructura de información ya aleatorizada,
intercambiada para construir un algoritmo de
búsqueda con algunas de las capacidades de
innovación de la búsqueda humana.

Tipos de Representación
En general, una
representación ha de ser
capaz de identificar las
característicasconstituyentes de un
conjunto de soluciones, de
forma que distintas
representaciones dan lugar
a distintas perspectivas y
por tanto distintas
soluciones. Podemos
considerar tres tipos básicos
de representaciones:

• Representación binaria: Cada gen es un valor 1
ó 0.
101101
• Representación entera: Cada gen es un valor
entero.
1 0 3 -1 0 4
• Representación real: Cada gen es un valorreal.
1,78 2,6 7 0 -1,2 6,5

Población
• Los algoritmos entre el conjunto de soluciones
de un problema, llamado fenotipo, y el
conjunto de individuos de una población
natural, codificando la información de cada
solución en una cadena, llamada cromosoma.
Los símbolos que forman la cadena son
llamados los genes. Cuando la representación
de los cromosomas se hace con cadenas de
dígitosbinarios se le conoce como genotipo.

El Algoritmo Genético Simple
• Inicialización: Se genera aleatoriamente la población
inicial, que está constituida por un conjunto de
cromosomas los cuales representan las posibles
soluciones del problema. En caso de no hacerlo
aleatoriamente, es importante garantizar que dentro
de la población inicial, se tenga la diversidad
estructural de estas...