Que son los algoritmos geneticos

Que son los algoritmos geneticos

una introducción a la genética

En los algoritmos genéticos, un cromosoma (también llamado a veces genotipo) es un conjunto de parámetros que definen una propuesta de solución al problema que el algoritmo genético intenta resolver. El conjunto de todas las soluciones se conoce como población[1]. El cromosoma suele representarse como una cadena binaria, aunque también se utiliza una gran variedad de otras estructuras de datos.

El diseño del cromosoma y de sus parámetros es necesariamente específico para el problema a resolver. Tradicionalmente, los cromosomas se representan en binario como cadenas de 0s y 1s, aunque también son posibles otras codificaciones;[2] se puede utilizar casi cualquier representación que permita representar la solución como una cadena de longitud finita. [3] Encontrar una representación adecuada del dominio del problema para un cromosoma es una consideración importante, ya que una buena representación facilitará la búsqueda limitando el espacio de búsqueda; del mismo modo, una representación más pobre permitirá un espacio de búsqueda mayor[4] El operador de mutación y el operador de cruce empleados por el algoritmo genético también deben tener en cuenta el diseño del cromosoma.

algoritmos genéticos con python

El Algoritmo Genético (AG) es una técnica de optimización basada en la búsqueda y en los principios de la Genética y la Selección Natural. Se utiliza con frecuencia para encontrar soluciones óptimas o casi óptimas a problemas difíciles que, de otro modo, tardarían toda una vida en resolverse. Se utiliza con frecuencia para resolver problemas de optimización, en la investigación y en el aprendizaje automático.

La optimización se refiere a encontrar los valores de las entradas de manera que se obtengan los «mejores» valores de salida. La definición de «mejor» varía de un problema a otro, pero en términos matemáticos, se refiere a maximizar o minimizar una o más funciones objetivo, variando los parámetros de entrada.

El conjunto de todas las soluciones o valores posibles que pueden tomar las entradas constituye el espacio de búsqueda. En este espacio de búsqueda, se encuentra un punto o un conjunto de puntos que dan la solución óptima. El objetivo de la optimización es encontrar ese punto o conjunto de puntos en el espacio de búsqueda.

La naturaleza siempre ha sido una gran fuente de inspiración para toda la humanidad. Los algoritmos genéticos (AG) son algoritmos de búsqueda basados en los conceptos de selección natural y genética. Los AG son un subconjunto de una rama mucho más amplia de la computación conocida como Computación Evolutiva.

el algoritmo genético simple

El algoritmo genético (AG) es básicamente un proceso heurístico para imitar el proceso de selección de la naturaleza mediante la «supervivencia del más apto». Por lo tanto, conduce a inferencias productivas para la minimización y la optimización. El gas puede denominarse parte de la enorme categoría de algoritmos evolutivos (EA). Además, produce inferencias para problemas severos de optimización utilizando las metodologías de la evolución con el avance en la naturaleza, como, cruce, mutación, selección y herencia.

Los algoritmos que se modelan en el proceso natural de la evolución. Estos algoritmos emplean métodos como el cruce, la mutación y la selección natural y proporcionan las mejores soluciones posibles después de analizar un grupo de soluciones subóptimas que se proporcionan como entradas

Los Algoritmos Genéticos (AG) son algoritmos que utilizan operaciones propias de la genética natural para guiar su camino a través de un espacio de búsqueda y se utilizan cada vez más en el campo de la optimización. La naturaleza robusta y la mecánica sencilla de los algoritmos genéticos los convierten en herramientas atractivas para la búsqueda, el aprendizaje y la optimización. Los algoritmos genéticos se basan en modelos computacionales de procesos evolutivos fundamentales como la selección, la recombinación y la mutación

aplicaciones de los algoritmos genéticos

En informática e investigación operativa, un algoritmo genético (AG) es una metaheurística inspirada en el proceso de selección natural que pertenece a la clase más amplia de los algoritmos evolutivos (AE). Los algoritmos genéticos se utilizan habitualmente para generar soluciones de alta calidad a problemas de optimización y búsqueda, basándose en operadores de inspiración biológica como la mutación, el cruce y la selección[1]. Algunos ejemplos de aplicaciones de los AG incluyen la optimización de árboles de decisión para mejorar su rendimiento, la resolución automática de rompecabezas sudoku,[2] la optimización de hiperparámetros, etc.

En un algoritmo genético, una población de soluciones candidatas (llamadas individuos, criaturas o fenotipos) a un problema de optimización evoluciona hacia mejores soluciones. Cada solución candidata tiene un conjunto de propiedades (sus cromosomas o genotipo) que pueden mutar y alterarse; tradicionalmente, las soluciones se representan en binario como cadenas de 0s y 1s, pero también son posibles otras codificaciones[3].

La evolución suele partir de una población de individuos generados al azar, y es un proceso iterativo, en el que la población de cada iteración se denomina generación. En cada generación, se evalúa la aptitud de cada individuo de la población; la aptitud suele ser el valor de la función objetivo en el problema de optimización que se está resolviendo. Los individuos más aptos se seleccionan estocásticamente de la población actual, y el genoma de cada individuo se modifica (recombinado y posiblemente mutado al azar) para formar una nueva generación. La nueva generación de soluciones candidatas se utiliza entonces en la siguiente iteración del algoritmo. Por lo general, el algoritmo termina cuando se ha producido un número máximo de generaciones o se ha alcanzado un nivel de aptitud satisfactorio para la población.

Entradas relacionadas

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad