Trabajo colaborativo 1




descargar 27.07 Kb.
títuloTrabajo colaborativo 1
fecha de publicación29.01.2016
tamaño27.07 Kb.
tipoPrograma
b.se-todo.com > Documentos > Programa
TRABAJO COLABORATIVO 1

Inteligencia Artificial

Andrés Julián Ramírez Londoño

Cód. 18519715

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD – DOSQUEBRADAS

ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA

PROGRAMA INGENIERIA ELECTRONICA

Dosquebradas 02 de Abril de 2014

TRABAJO COLABORATIVO 1

Inteligencia Artificial

Andrés Julián Ramírez Londoño

Cód. 18519715

Grupo: 90169_6
Tutor:

Ángela María Gonzales

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD – DOSQUEBRADAS

ESCUELA DE CIENCIAS BASICAS, TECNOLOGIA E INGENIERIA

PROGRAMA INGENIERIA ELECTRONICA

Dosquebradas 02 de Abril de 2014
ALGORITMOS GENETICOS

Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solución a un problema específico. En los años 1970, de la mano de John Henry Holland, surgió una de las líneas más prometedoras de la inteligencia artificial, la de los algoritmos genéticos. Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinaciones genéticas), así como también a una Selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados. Es incluido dentro de los algoritmos evolutivos, que incluyen también las estrategias evolutivas, la programación evolutiva y la programación genética. Dentro de esta última se han logrado avances curiosos:

Un algoritmo genético es un método de búsqueda dirigida basada en probabilidad. Bajo una condición muy débil (que el algoritmo mantenga elitismo, es decir, guarde siempre al mejor elemento de la población sin hacerle ningún cambio) se puede demostrar que el algoritmo converge en probabilidad al óptimo. En otras palabras, al aumentar el número de iteraciones, la probabilidad de tener el óptimo en la población tiende a 1 (uno).

Un algoritmo genético puede presentar diversas variaciones, dependiendo de cómo se aplican los operadores genéticos (cruzamiento, mutación), de cómo se realiza la selección y de cómo se decide el reemplazo de los individuos para formar la nueva población. En general, el pseudocódigo consiste de los siguientes pasos:

  • 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 soluciones para tener una representación de la mayor parte de la población posible o al menos evitar la convergencia prematura.

  • Evaluación: A cada uno de los cromosomas de esta población se aplicará la función de aptitud para saber cómo de "buena" es la solución que se está codificando.

  • Condición de término El AG se deberá detener cuando se alcance la solución óptima, pero ésta generalmente se desconoce, por lo que se deben utilizar otros criterios de detención. Normalmente se usan dos criterios: correr el AG un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la población. Mientras no se cumpla la condición de término se hace lo siguiente:

  • Selección Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados.

  • Recombinación o Cruzamiento La recombinación es el principal operador genético, representa la reproducción sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las características de ambos cromosomas padres.

  • Mutación modifica al azar parte del cromosoma de los individuos, y permite alcanzar zonas del espacio de búsqueda que no estaban cubiertas por los individuos de la población actual.

  • Reemplazo una vez aplicados los operadores genéticos, se seleccionan los mejores individuos para conformar la población de la generación siguiente

http://upload.wikimedia.org/wikipedia/commons/thumb/5/58/evolutionary_algorithm.svg/300px-evolutionary_algorithm.svg.png

  • Algoritmo genético i: inicialización, f(X): evaluación, ?: condición de término, Se: selección, Cr: cruzamiento, Mu: mutación, Re: reemplazo, X*: mejor solución.


Algunas aplicaciones de los Algoritmos genéticos


  • Optimización: Se trata de un campo especialmente abonado para el uso de los Algoritmos Genéticos, por las características intrínsecas de estos problemas. No en vano fueron la fuente de inspiración para los creadores estos algoritmos. Los Algoritmos Genéticos se han utilizado en numerosas tareas de optimización, incluyendo la optimización numérica, y los problemas de optimización combinatoria.

  • Programación automática: Los Algoritmos Genéticos se han empleado para desarrollar programas para tareas específicas, y para diseñar otras estructuras computacionales tales como el autómata celular, y las redes de clasificación.

  • Aprendizaje máquina: Los algoritmos genéticos se han utilizado también en muchas de estas 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 sistemas de producción simbólica, y los sensores para robots.

  • Economía: En este caso, se ha hecho uso de estos Algoritmos para modelizar 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 evolutivo, ha resultado útil el empleo de esta técnica.

  • Ecología: En la modelización de fenómenos ecológicos tales como las carreras de armamento biológico, la coevolución de parásito-huesped, la simbiosis, y el flujo de recursos.

  • Genética de poblaciones: En el estudio de preguntas del tipo “¿Bajo qué condiciones será viable evolutivamente un gene para la recombinación?”

  • Evolución y aprendizaje: Los Algoritmos Genéticos se han utilizado en el estudio de las relaciones entre el aprendizaje individual y la evolución de la especie.

  • Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas sociales, tales como la evolución del comportamiento social en colonias de insectos, y la evolución de la cooperación y la comunicación en sistemas multi-agentes.



REFERENCIAS









similar:

Trabajo colaborativo 1 iconTrabajo colaborativo

Trabajo colaborativo 1 iconColaborativo 3 sistema de produccion cunicola

Trabajo colaborativo 1 iconProyecto colaborativo de biología básica II

Trabajo colaborativo 1 iconAula virtual y Grupo colaborativo: 90169 28

Trabajo colaborativo 1 iconResumen en el resumen se deben plantear brevemente los objetivos...

Trabajo colaborativo 1 iconTesis de trabajo 6 Metodología 7 Índice por capítulos y tema de trabajo

Trabajo colaborativo 1 iconHidroponía es un término que tiene raíces griegas: "Hydro" = agua...

Trabajo colaborativo 1 iconSzan ni constituyen mercados “estables” de trabajo. Los mercados...

Trabajo colaborativo 1 iconAccidente de trabajo: Es todo suceso repentino que sobrevenga por...

Trabajo colaborativo 1 iconLas tecnologías imperantes. Así, desde Platón que consideraba el...




Todos los derechos reservados. Copyright © 2019
contactos
b.se-todo.com