Algoritmos Genéticos

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Algoritmos Genéticos"

Transcripción

1 Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados típicamente a: Optimización Discreta Características atribuídas No son demasiado veloces Buenas heurísticas para problemas combinatorios Atributos especiales: Tradicionalmente, centran la atención sobre combinar la información proveniente de buenos padres (cruce genético) Muchas variantes de modelos de reproducción y operadores

2 Algoritmos Genéticos El AG concebido originalmente por Holland es conocido ahora como el Algoritmo Genético Simple (AGS) Otros AGs utilizan diferentes: Representaciones Mutaciones Cruces Mecanismos de selección AGS: Resumen de Características Representación Cruce Mutación Selección de Padres Selección de Sobrevivientes Característica distintiva Strings de bits N-puntos o uniforme Cambiar valor de cada bit en base a probabilidad prefijada Proporcional al Fitness Todos los hijos reemplazan a los padres Enfásis sobre el cruce genético

3 AGS: Representación Espacio Fenotípico Codificación (representación) Espacio Genotípico = {0,1} L Decodificación (Representación inversa) AGS: Ciclo de Reproducción 1. Seleccionar padres para conformar el mating pool (tamaño del mating pool = tamaño de la población) 2. Conformar parejas a partir del mating pool 3. Sobre cada pareja, aplicar cruce genético en base a una probabilidad p c 4. Sobre cada hijo, aplicar mutación (mutar cada bit del hijo en base a una probabilidad p m ) 5. Reemplazar la población completa por los hijos resultantes

4 Operadores del AGS: Cruce de 1 punto Elegir un punto aleatorio sobre los dos padres Dividir a los padres en dicho punto de cruce Crear hijos intercambiando las secuencias de bits ubicadas a la derecha del punto de cruce Típicamente, la P c pertenece al rango (0.6, 0.9) Padres Hijos Operadores del AGS: Mutación Alterar cada gen (bit) independientemente en base a una probabilidad P m A la probabilidad P m se la denomina rango de mutación Típicamente, su valor se encuentra entre (1/tamaño de la población) y (1/longitud del cromosoma) Padre Hijo

5 Operadores del AGS: Selección Idea central: los mejores individuos obtienen mayores posibilidades Posibilidades son proporcionales al fitness Implementación: Técnica Rueda de Ruleta Asigna a cada individuo una parte de la Rueda de Ruleta Gira la rueda n veces para seleccionar n individuos A 3/6 = 50% 1/6 = 17% B C 2/6 = 33% fitness(a) = 3 fitness(b) = 1 fitness(c) = 2 Ejemplo (Goldberg 1989) Problema: maximizar x 2, x {0, 1,, 31} AG para este problema: Representación: código binario de 5 bits (ej.: ) Tamaño de la población: 4 Cruce de un punto, Mutación de bit Selección por Rueda de Ruleta Inicialización aleatoria A continuación, se muestra el seguimiento de un ciclo generacional

6 Ejemplo (Goldberg 1989): Selección Ejemplo (Goldberg 1989): Cruce

7 Ejemplo (Goldberg 1989): Mutación El AG Simple Ha sido el tema central de muchos estudios Todavía es considerado como un punto de referencia para la definición de nuevos AGs Posee varias limitaciones Representación es demasiado restrictiva Operadores de mutación y cruce solamente aplicables a representaciones del tipo: strings de bits y strings de enteros Cuando los valores de fitness son muy cercanos entre si, el mecanismo de selección no es capaz de ejercer una adecuada presión selectiva, esto dificulta y retrasa la convergencia de la población El modelo de población generacional (paso 5 en el ciclo reproductivo del AGS) puede ser mejorado mediante una selección de sobrevivientes explícita

8 Operadores de Cruce Alternativos El desempeño del cruce de 1 punto depende del orden que tengan las variables en la representación Tiende a mantener juntos a aquellos genes de la representación que se encuentran en posiciones cercanas No podrá mantener juntos a aquellos genes que se encuentran en extremos opuestos de la representación Estos efectos son conocidos como Sesgo Posicional Este tipo de sesgo puede ser explotado si existen dependencias conocidas en la representación elegida (usualmente, éste no es el caso) Operador de Cruce de n puntos Elige n puntos de cruce de forma aleatoria Divide a los padres en dichos puntos de cruce Reensambla partes, alternando entre los padres Generalización del cruce de 1 punto (posee algo de sesgo posicional) Padres Hijos

9 Operador de Cruce Uniforme Define a cada gen de un hijo de manera independiente de los otros genes (no posee sesgo posicional) Para cada posición del primer hijo, se genera un valor aleatorio en el rango [0, 1] Si dicho valor es menor a un parámetro p (usualmente igual a 0.5) el gen de esa posición es heredado del primer padre, sino el gen es heredado del segundo padre (sesgo distribucional) El segundo hijo es creado usando el mapeo inverso Padres Hijos Cruce o Mutación Largo debate: cuál es el principal / necesario / secundario? Respuesta (al menos, la más acordada): Depende del problema Sin embargo, en general, es bueno utilizar ambos Ambos tienen roles diferentes

10 Cruce o Mutación Exploración: Descubrir áreas prometedoras en el espacio de búsqueda (ganando información sobre el problema) Explotación: Optimizar un área prometedora (usando información) Existe co-operación y competición entre ambos mecanismos El cruce es exploratorio, desarrolla un gran salto a un área que se encuentra en algún lugar entre dos áreas (padres) La mutación es explotadora, crea pequeñas desviaciones aleatorias, por lo tanto permanece cerca (en el área) del padre Cruce o Mutación Sólo el cruce puede combinar información de dos padres Sólo la mutación puede introducir nueva información (alelos) El cruce no cambia las frecuencias de los alelos que existen en la población Para alcanzar el óptimo a menudo se necesita una mutación acertada

11 Otras representaciones Actualmente, se considera que es mejor codificar a las variables numéricas directamente como: Números enteros Números reales Representaciones Enteras Algunos problemas tienen variables enteras (ej.: parámetros de procesamiento de imágenes) En otros las variables toman valores categóricos de un set predefinido (ej.: {azul, verde, amarillo, rosa}) Los operadores de cruce de n puntos y uniforme son aplicables sobre este tipo de representaciones El operador de mutación (que altera el valor de un bit) debe ser extendido para poder ser aplicado sobre este tipo de representaciones Reajuste Aleatorio (variables categóricas): cambia el valor de cada gen por otro valor posible Mutación por Deslizamiento (variables numéricas): suma un valor (+ o -) al valor de cada gen. Los valores a sumar son elegidos aleatoriamente para cada posición

12 Representaciones Reales Muchos problemas tienen variables reales (ej.: optimización de parámetros continuos) Ilustración: función de Ackley (muy utilizada en CE) Representaciones Reales: Mutación El esquema general de la mutación es: x = x i i,..., xl x = x1,..., x l 1 [ LB UB ] x, x, i i Surgen dos tipos de mutación al considerar la distribución de probabilidades a partir de la cual se eligen los nuevos valores Mutación uniforme Mutación no uniforme

13 Representaciones Reales: Mutación Uniforme Los nuevos valores son elegidos aleatoriamente del intervalo [LB i, UB i ] Todos los valores del intervalo [LB i, UB i ] tienen la misma probabilidad de ser elegidos Análogo al operador de mutación conocido como Reajuste Aleatorio ( representaciones enteras ) Representaciones Reales: Mutación No Uniforme La mayoría de los esquemas son probabilísticos Son diseñados de manera que usualmente, pero no siempre, produzcan un pequeño cambio sobre los valores de los genes El método más común consiste en sumar al valor actual del gen una cantidad elegida aleatoriamente a partir de una distribución Gaussiana N(0, σ) y luego, si es necesario, reducir el valor resultante al rango de valores permitidos La desviación estándar σ controla la cantidad de cambio a aplicar sobre el valor de los genes Esto se debe a que la distribución Gaussiana tiene la propiedad de que el 68% de los valores caen en el rango [- σ, + σ]

14 Representaciones Reales: Operadores de Cruce Cruce discreto Cada gen de un hijo z es tomado de alguno de sus padres (x, y) : z i = x i o y i Operadores de este tipo: el operador de cruce uniforme y el operador de cruce de n puntos Cruce aritmético Cada gen de un hijo z es creado aplicando una operación aritmética sobre los genes de los padres (x, y) z i = α x i + (1 - α) y i donde α : 0 α 1 El parámetro α puede ser : Constante: si es 0.5 se tiene un cruce aritmético uniforne Variable (por ej.: dependiente de la edad de la población) Elegido al azar cada vez que se realice un cruce Cruce aritmético individual Padres: x1,, xn y y1,, yn Elige al azar una posición k, k : 1 k n El hijo 1 es conformado de la siguiente manera: x 1,..., x k 1, α yk + ( 1 α ) x k, x k+ 1,..., x n El hijo 2 es creado de la misma manera invirtiendo los roles de los padres α = 0.5 k = 8

15 Cruce aritmético simple Padres: x1,, xn y y1,, yn Elige al azar una posición k, k : 1 k n El hijo 1 es conformado de la siguiente manera: x 1,..., x k, α y + (1 α) x,..., α y + (1 α x k + 1 k + 1 n ) n El hijo 2 es creado de la misma manera invirtiendo los roles de los padres α = 0.5 k = 6 Cruce aritmético completo Es el operador aritmético más utilizado Padres: x1,, xn y y1,, yn El hijo 1 es definido de la siguiente manera: α x + ( 1 α ) y El hijo 2 es definido de la siguiente manera: α y + ( 1 α ) x α = 0.5

16 Representaciones: Permutaciones Se utilizan en problemas de ordenamiento o de secuenciación En tales problemas, se requiere decidir el orden en que deberían ocurrir ciertos eventos Ejemplo: job shop scheduling (es importante qué elementos ocurren antes de cada elemento existente (orden temporal)) Ejemplo: Problema del Viajante (es importante qué elementos ocurren inmediatamente después de cada elemento existente (adyacencia)) Generalmente, las soluciones a estos problemas son expresadas como una permutación de n elementos predefinidos Si el problema posee n variables entonces la representación es una lista de n enteros (cada entero ocurre exactamente una vez en la lista) Permutaciones: Operadores de Mutación Los operadores de mutación normales llevan a soluciones inadmisibles Cambiar el valor j de un gen por otro valor posible k, significa que k ocurre dos veces y j no ocurre ninguna vez en la solución (esto no es una permutación) Para permutaciones, no es posible considerar a cada gen independientemente En este caso, una mutación consiste en mover los valores de los genes sobre la solución Como consecuencia, el parámetro de mutación es interpretado como la probabilidad de que el operador sea aplicado sobre la solución completa En los operadores de mutación normales, el parámetro es interpretado como la posibilidad de que la mutación sea aplicada sobre cada gen de manera individual

17 Permutaciones: Mutación por inserción Se eligen dos valores al azar de la solución Se mueve el segundo valor a continuación del primero (se corren los valores ubicados entre medio de los dos elegidos) Este operador preserva la mayor parte del orden existente entre los valores y de la información sobre adyacencias Valores elegidos: 2 y 5 Permutaciones: Mutación por intercambio Se eligen dos posiciones al azar y se intercambian sus valores Preserva la mayor parte de la información sobre adyacencias. La información sobre el orden es perturbada de manera más significativa. Posiciones elegidas: 2 y 5 Links rotos: 4

18 Permutaciones: Mutación por inversión Se eligen al azar dos posiciones de la solución y se invierten los valores existentes entres dichas posiciones Preserva la mayor parte de la información sobre adyacencias pero perturba significativamente la información sobre el orden Posiciones elegidas: 2 y 5 Links rotos: 2 Permutaciones: Mutación por mezcla Se elige aleatoriamente un set de posiciones de la solución Se reordenan (se mezclan) aleatoriamente los valores existentes en las posiciones elegidas (sobre dichas posiciones) Las posiciones elegidas pueden no ser contiguas Set de posiciones elegidas: {2, 3, 4, 5}

19 Permutaciones: Operadores de Cruce Los operadores de cruce normales producen soluciones inadmisibles Se han diseñado diversos operadores de cruce para permutaciones Se centran en combinar la información proveniente de los dos padres sobre el orden o sobre la adyacencia de los elementos Permutaciones: Cruce de orden La idea central es preservar el orden relativo en el cual ocurren los elementos Procedimiento: 1. Elegir dos puntos de cruce al azar 2. Copiar los valores del padre 1 que se encuentran entre los dos puntos de cruce en el hijo 1 3. Copiar en el hijo 1 los valores que aún no se han incluido en dicho hijo 1. Comenzar a partir del segundo punto de cruce del padre 2 2. Copiar los valores no incluidos en el hijo 1 respetando el orden en el cual dichos valores aparecen en el padre 2 3. Al terminar la lista del padre 2, continuar con los primeros valores de la misma 4. El segundo hijo es creado de manera análoga (pasos 2 y 3) invirtiendo el rol de los padres

20 Permutaciones: Cruce de orden (ejemplo) Copia el segmento seleccionado al azar del padre 1 en el hijo 1 (puntos de cruce: 3 y 7 ) Copia los valores no incluidos en el hijo 1 respetando el orden que ellos tienen en el padre 2 (1, 9, 3, 8, 2) Permutaciones: Cruce PMX (partially mapped crossover) Procedimiento para padres P1 y P2 1. Elegir dos puntos de cruce al azar, y copiar los valores del P1 que se encuentran entre los dos puntos de cruce en el hijo 1 2. Posicionarse en el primer punto de cruce sobre P2, y revisar qué elementos de P2 (existentes entre los dos puntos de cruce) no han sido incluidos en el hijo 1 3. Por cada elemento i de los mencionados, revisar qué elemento j ha sido copiado en su posición (sobre P2) en el hijo 1 4. Ubicar i, en el hijo 1, en la posición ocupada por j sobre P2 (esto es posible de hacer porque j ya ha sido ubicado en el hijo 1) 5. Si la posición ocupada por j en el P2 ya ha sido llenado en el hijo 1 por un elemento k, ubicar i en la posición ocupada por k en P2 6. Una vez revisados los elementos entre los puntos de cruce, las posiciones restantes del hijo 1 deben ser llenadas a partir de P2. El segundo hijo es creado de manera análoga invirtiendo los roles de los padres

21 Permutaciones: Cruce PMX (ejemplo) Paso 1 Paso 2 Paso 3 Permutaciones: Cruce basado en ciclos La idea central es preservar la posición absoluta en la cual los elementos ocurren El operador divide a los elementos en ciclos. El hijo es creado seleccionando, de manera alternada, ciclos de cada padre Procedimiento: 1. Definir un ciclo de valores a partir de P1 en la siguiente forma 1. Comenzar con el primer valor no usado de P1 2. Revisar el valor ubicado en la misma posición en P2 3. Ir a la posición que contiene el mismo valor en P1 4. Sumar este valor al ciclo 5. Repetir los pasos 2-4 hasta que se arribe al primer valor de P1 2. Ubicar los valores del ciclo en el hijo 1 (hijo 2) respetando las posiciones que ellos tienen en el P1 (P2) 3. Definir el siguiente ciclo. Ubicar a los valores de este ciclo en el hijo 1 (hijo 2) respetando las posiciones que ellos tienen en el P2 (P1)

22 Permutaciones: Cruce basado en ciclos (Ejemplo) Paso 1: identificar ciclos Paso 2: copiar, alternadamente, los ciclos dentro del hijo Permutaciones: Cruce basado en arcos Este operador se basa sobre la idea de que un hijo debería ser creado utilizando solamente los arcos que están presentes en uno o en los dos padres Para lograr este objetivo, se construye una tabla de arcos (listas de adyacencia). En dicha tabla, para cada elemento, se indica cuáles son los elementos adyacentes a él en cada uno de los padres (el símbolo + indica que un arco está presente en ambos padres)

23 Permutaciones: Cruce basado en arcos Si se tiene a los padres siguientes [ ] y [ ] Se construye la siguiente tabla Permutaciones: Cruce basado en arcos Procedimiento (una vez construida la tabla de arcos): 1. Elegir al azar un elemento y ubicarlo en el hijo 2. Remover todas las referencias, que existan en la tabla, al elemento elegido 3. Examinar la lista de arcos del elemento elegido Si existe un arco común (+) a un cierto elemento, elegir a este último para que sea el siguiente elemento en el hijo En otro caso, se elige el elemento de la lista que tenga la lista de arcos más corta 4. En el caso de alcanzar una lista vacía El otro extremo del hijo es examinado por extensión En otro caso, un nuevo elemento es elegido al azar

24 Permutaciones: Cruce basado en arcos (Ejemplo) Cruce Multipadre Operadores de cruce con aridad > 2 Permiten experimentar con esquemas reproductivos que no existen en la naturaleza Estos operadores no son utilizados frecuentemente en CE Sin embargo, distintos estudios sobre varios problemas han mostrado que la utilización de este tipo de operadores tiene un efecto positivo en muchos casos Estos operadores pueden ser categorizados en base al mecanismo utilizado para combinar la información de los padres: Basado sobre la frecuencia de los alelos (ej. Votación p-sexual, generalización del cruce uniforme) Basado en la segmentación y recombinación de los padres (ej. Cruce diagonal, generalización del cruce de n puntos) Basado en operaciones numéricas sobre alelos reales (generalización de los operadores de cruce aritmético)

25 Modelos de Población Dos de los modelos más conocidos son: El modelo generacional El modelo steady-state Modelo generacional La población actual es reemplazada completamente por los hijos generados a partir de ella Modelo steady-state Los n peores individuos de la población actual son reemplazados por los n mejores individuos del conjunto de hijos generados a partir de la población actual Competencia basada en fitness La competencia basada en fitness ocurre en dos puntos del ciclo evolutivo Cuando se selecciona a los individuos que formarán parte del mating pool (selección de padres) Cuando se selecciona a los individuos de {padres + hijos} que serán transferidos a la siguiente generación (selección de sobrevivientes) Distinción entre: Operadores de selección: definen a las probabilidades de selección Algoritmos de selección: definen cómo se aplican las probabilidades de selección

26 Ejemplos de algoritmos de selección Número esperado de copias de un individuo i E( n i ) = f (i) / f = (size pop) * f (i) / Sum f (j) { f (i) = fitness de i, f = fitness promedio} Algoritmo de Rueda de Ruleta Considera una distribución de probabilidades dada ( ej: f(i) = f (i) / Sum f (j) ) La ruleta es girada n veces para realizar n selecciones Selección Proporcional al Fitness Este mecanismo de selección tiene algunos problemas Los individuos que son mucho mejores que el resto dominan muy rápidamente a la población completa (Convergencia Prematura) Si los valores de fitness son muy cercanos entre sí, se pierde la presión selectiva (se obtiene una selección aleatoria casi uniforme) Altamente susceptible a versiones transpuestas de la misma función de fitness El escalamiento puede evitar los últimos dos problemas (las diferencias entre los valores de fitness son realzadas ) Windowing: f (i) = f(i) - β β es el peor fitness de la población actual Sigma Scaling: f (i) = max( f(i) ( f -c σ f ), 0.0) c es una constante, usualmente 2.0

27 Selección Proporcional al Fitness : Transposición de la función de fitness Selección basada en el Ranking Intenta eliminar los problemas de la SPF Define a las probabilidades de selección en base al fitness relativo en lugar de hacerlo en base al fitness absoluto Procedimiento: Ordena a los individuos de la población en base a sus valores de fitness (de forma creciente) El individuo con mejor fitness tiene la posición más alta Luego, asigna a cada individuo una probabilidad de selección de acuerdo a su posición en el orden (en lugar de hacerlo de acuerdo a su valor de fitness real) Mantiene una presión selectiva constante

28 Selección basada en el Ranking Es necesario decidir cómo mapear las posiciones en el orden (ranking) a probabilidades de selección Los dos enfoques más conocidos son: Mapeo Lineal (Linear Ranking) Mapeo Exponencial (Exponential Ranking) Mapeo Lineal Parametrizado mediante un factor s (1.0 < s 2.0) Controla la ventaja (en términos de probabilidades) que tienen los mejores individuos sobre los peores Ejemplo (3 individuos):

29 Mapeo Exponencial Impone una mayor presión selectiva que el Mapeo Lineal Permite obtener una mayor diferencia entre las probabilidades de los individuos que poseen posiciones cercanas El factor de normalización c debe ser elegido de forma que la suma de las probabilidades sea 1 (se define en función del tamaño de la población) Rueda de Ruleta Los individuos son ubicados en una rueda de ruleta Cada individuo ocupa un espacio proporcional a su probabilidad de selección La rueda es girada n veces para seleccionar a los n individuos que conformarán el mating pool

30 Selección por Torneo Todos los operadores y algoritmos vistos hasta ahora requieren conocimiento sobre una distribución de probabilidades de la población completa En algunas situaciones obtener dicho conocimiento requiere demasiado tiempo o es imposible Si el tamaño de la población es muy grande Si la población está distribuida (ej.: sistema paralelo) Si no existe una función de fitness que pueda asignar a cada individuo un valor de fitness de forma independiente (ej.: aplicación que evoluciona estrategias de juego, aplicaciones de diseño evolutivo, aplicaciones de arte evolutivo) Selección por Torneo La selección por torneo no requiere conocimiento global sobre la población Sólo requiere una política para comparar a dos individuos dados Procedimiento: Elegir al azar k individuos de la población, y seleccionar al mejor de ellos Repetir el proceso para seleccionar más individuos

31 Selección por Torneo La probabilidad de que un individuo i sea seleccionado depende de 4 factores: La posición o categoría de i en la población Tamaño k de la muestra Cuanto más grande es k más se incrementa la presión selectiva La probabilidad p de que el mejor individuo del torneo sea seleccionado Usualmente p = 1 (torneo determinístico), pero algunas versiones utilizan p < 1 Si los individuos son elegidos con o sin reemplazo La elección sin reemplazo incrementa la presión selectiva Selección de Sobrevivientes La selección de sobrevivientes también se denomina reemplazo o reinserción Las estrategias de reemplazo son categorizadas de acuerdo a si ellas discriminan En base a la edad de los individuos La población actual es totalmente reemplazada por los hijos de dicha población (AGS) n individuos de la población actual (elegidos al azar) son reemplazados por n hijos de dicha población (elegidos al azar) En base al fitness de los individuos Aplicar alguno de los métodos de selección vistos en las filminas anteriores sobre el conjunto {población actual + hijos de la población actual} (ej.: Selección por torneo)

32 Dos estrategias basadas en fitness Eliminar a los peores Steady-state: los n peores individuos de la población actual son reemplazados por los n mejores hijos de dicha población Puede llevar a una convergencia prematura Por este motivo, generalmente es utilizado en combinación con poblaciones grandes y/o con una política de no permitir duplicados Elitismo Es utilizado en combinación con algún esquema de reemplazo basado en fitness o alguno basado en edad Evita perder al mejor individuo obtenido hasta el momento Ejemplo de una aplicación basada en AG: Problema Job Shop Scheduling El problema se define de la siguiente manera: J, es un conjunto de tareas (jobs) O, es un conjunto de operaciones M, es un conjunto de máquinas Able : O M, define que máquina puede desarrollar una operación dada Pre : O O, define qué operación debe preceder a una operación dada Dur : O M IR, define la duración of o O sobre m M El objetivo es definir un schedule que sea: Completo: todas las tareas son ordenadas temporalmente Correcto: todas las condiciones definidas por Pre son satisfechas Óptimo: la duración total del schedule es mínima

33 Ejemplo de una aplicación basada en AG: Problema Job Shop Scheduling Representación: los individuos son permutaciones del conjunto conformado por las operaciones Las permutaciones son decodificadas a schedules por un procedimiento de decodificación. Procedimiento: Toma la primer (siguiente) operación del individuo Busca su máquina (se asume que existe sólo una máquina posible para cada operación) Asigna el tiempo de comienzo más temprano posible sobre esta máquina. Dicho tiempo depende de: La ocupación de la máquina Las relaciones de precedencia de la operación Ejemplo de una aplicación basada en AG: Problema Job Shop Scheduling El fitness de una permutación es la duración del schedule correspondiente (la duración debe ser minimizada) Operadores de cruce y mutación: utilizar cualquier operador que sea válido para permutaciones Selección de Padres: Rueda de Ruleta sobre la inversa del fitness Selección de Sobrevivientes: Esquema Simple Población inicial: definida de manera aleatoria Condición de corte: número máximo de schedules generados

34 Ejemplo de una aplicación basada en AG: Problema Job Shop Scheduling Comparación de operadores de cruce

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Algoritmos Genéticos AG un vistazo rápido Desarrollado: USA en 1970 s Primeros nombres: J. Holland, K. DeJong, D. Goldberg Típicamente aplicado a: Optimización discreta Características exhibidas: No demasiado

Más detalles

Algoritmos Genéticos.

Algoritmos Genéticos. Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011

Más detalles

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN &$3Ì78/2 6.1. INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos

Más detalles

Algoritmos Geneticos Algoritmos Evolutivos y Memeticos Curso de Postgrado UC3M Junio 16,17,18-2004

Algoritmos Geneticos Algoritmos Evolutivos y Memeticos Curso de Postgrado UC3M Junio 16,17,18-2004 Algoritmos Geneticos AGs repaso rapido Desarrollados en los EEUU en los 70s primeros promotores J. Holland, K. DeJong, D. Goldberg Tipicamente aplicados a optimisacion discreta Propiedades atribuidas:

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador

Más detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos Genéticos. Introduccion a la Robótica Inteligente Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)

Más detalles

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del

Más detalles

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33 Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable

Más detalles

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09 Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones

Más detalles

Introducción a la Computación Evolutiva

Introducción a la Computación Evolutiva Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello

Más detalles

Computación Evolutiva: Técnicas de Selección

Computación Evolutiva: Técnicas de Selección Computación Evolutiva: Técnicas de Selección Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del IPN Cinvestav-Tamaulipas Dr. Gregorio

Más detalles

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS Arranz de la Peña, Jorge Universidad Carlos III 100025106@alumnos.uc3m.es ALGORITMOS GENÉTICOS Parra Truyol, Antonio Universidad Carlos III 100023822@alumnos.uc3m.es En este documento se pretende analizar

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada

Más detalles

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS PROYECTO DE GRADO Javier mauricio gamboa salgado Código: 544004 John alexander

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2 Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 22 prb@2007 2 1 El núcleo de cada célula humana contiene una base de datos química. Esta base de datos contiene todas las instrucciones que la

Más detalles

Capítulo IV ALGORITMOS GENÉTICOS

Capítulo IV ALGORITMOS GENÉTICOS Capítulo IV ALGORITMOS GENÉTICOS 4.1. INTRODUCCIÓN La estructura de un algoritmo genético simple se corresponde con la estructura de cualquier programa evolutivo (ver figura 1.1). Durante la iteración

Más detalles

SIMULACION. Formulación de modelos: solución obtenida de manera analítica

SIMULACION. Formulación de modelos: solución obtenida de manera analítica SIMULACION Formulación de modelos: solución obtenida de manera analítica Modelos analíticos: suposiciones simplificatorias, sus soluciones son inadecuadas para ponerlas en práctica. Simulación: Imitar

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS]

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS] UVa Dpto. de Organización de Empresas Escuela de Ingenierías Industriales Elena Pérez www.eis.uva.es/elena [ Guía para recién llegados a los ALGORITMOS GENÉTICOS] El propósito de esta guía es dar soporte

Más detalles

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15

Más detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

Introducción a los Algoritmos Genéticos

Introducción a los Algoritmos Genéticos Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =

Más detalles

Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN 5.2. ALGORITMOS EVOLUTIVOS AVANZADOS CON MÚLTIPLES PADRES Y MÚLTIPLES CROSSOVERS

Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN 5.2. ALGORITMOS EVOLUTIVOS AVANZADOS CON MÚLTIPLES PADRES Y MÚLTIPLES CROSSOVERS Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN En este capítulo se presentan algunas modificaciones al diseño de un algoritmo evolutivo para mejorar su performance. El hecho de innovar en

Más detalles

Administración de proyectos. Organizar, planificar y programar los proyectos de software

Administración de proyectos. Organizar, planificar y programar los proyectos de software Administración de proyectos Organizar, planificar y programar los proyectos de software Administración de proyectos Trata de las actividades que hay que realizar para asegurar que el software se entregará

Más detalles

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos

Más detalles

? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a

? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a 350 MR Versión 1 1 Prueba Parcial 1/5 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA: INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Computación Evolutiva CÓDIGO: 350 MOMENTO: Primera Parcial VERSIÓN:

Más detalles

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING

Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING Capítulo VI MÉTODOS DE SOLUCIÓN PARA JOB SHOP SCHEDULING 6.1. HEURÍSTICAS CONVENCIONALES El problema de job shop scheduling (JSSP) es un problema muy importante [69]; está entre los problemas de optimización

Más detalles

Programacion Genetica

Programacion Genetica Programacion Genetica PG a Vuelo de Pajaro Desarrollado: EEUU en los 90s Pioneros: J. Koza pero Generalmente aplicado a: prediccion, clasificacion Propiedades generales: compite con NN y similares necesita

Más detalles

Sistemas de Numeración Operaciones - Códigos

Sistemas de Numeración Operaciones - Códigos Sistemas de Numeración Operaciones - Códigos Tema 2 1. Sistema decimal 2. Sistema binario 3. Sistema hexadecimal 4. Sistema octal 5. Conversión decimal binario 6. Aritmética binaria 7. Complemento a la

Más detalles

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de

Más detalles

CARTAS DE CONTROL. FeGoSa

CARTAS DE CONTROL. FeGoSa Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro

Más detalles

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.

GANTT, PERT y CPM. Figura 5.3: Carta GANTT 3. GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que

Más detalles

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible Sara Lumbreras

Más detalles

TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN

TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN RAMÓN ALFONSO GALLEGO RENDÓN ANTONIO ESCOBAR ZULUAGA ELIANA MIRLEDY TORO OCAMPO Universidad Tecnológica de Pereira Pereira - Risaralda - Colombia

Más detalles

Capítulo 12: Indexación y asociación

Capítulo 12: Indexación y asociación Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación

Más detalles

UTgeNes - Framework para Implementación y Estudio de Algoritmos

UTgeNes - Framework para Implementación y Estudio de Algoritmos UTgeNes - Framework para Implementación y Estudio de Algoritmos Genéticos Abstract UTgeNes es un framework para la implementación y estudio de algoritmos genéticos propuesto para la realización de trabajos

Más detalles

ESCUELA POLITÉCNICA NACIONAL

ESCUELA POLITÉCNICA NACIONAL ESCUELA POLITÉCNICA NACIONAL FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA OPTIMIZACIÓN DE CONTROLADORES DIGITALES PID EN SISTEMAS DINÁMICOS USANDO ALGORITMOS GENÉTICOS PROYECTO PREVIO A LA OBTENCIÓN

Más detalles

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated

Más detalles

Introducción a los Algoritmos Genéticos

Introducción a los Algoritmos Genéticos Marcos Gestal Pose Depto. Tecnologías de la Información y las Comunicaciones Universidade da Coruña http://sabia.tic.udc.es/ mgestal mgestal@udc.es Índice 1. Introducción 2 2. Orígenes 2 3. Bases Biológicas

Más detalles

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu Instituto Superior Politécnico José Antonio Echeverría Cuba Carvajal- Pérez, Raúl Nicolás Un Algoritmo Genético Especializado en Planeamiento

Más detalles

Computación Evolutiva Algoritmos Genéticos

Computación Evolutiva Algoritmos Genéticos UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Computación Evolutiva Algoritmos Genéticos Temas a tratar - Generalidades de los algoritmos de computación evolutiva.

Más detalles

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada.

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada. Computación n Evolutiva: Algoritmos Genéticos 1.- Metaheurísticos. Computación Evolutiva: Algoritmos Genéticos 2.- Conceptos principales de un Algoritmo Genético 3.- Estructura de un Algoritmo Genético

Más detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J. Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Búsqueda heurística Prof. Constantino Malagón

Búsqueda heurística Prof. Constantino Malagón Búsqueda heurística Prof. Constantino Malagón Area de Computación e Inteligencia Artificial 1 Búsqueda heurística Los métodos de búsqueda heurística disponen de alguna información sobre la proximidad de

Más detalles

Algoritmos Genéticos. Aplicación al Juego de las N Reinas.

Algoritmos Genéticos. Aplicación al Juego de las N Reinas. Algoritmos Genéticos. Aplicación al Juego de las N Reinas. Juan Carlos Pozas Bustos NIA: 100025154 Univ.Carlos III de Madrid Ing.Telecomunicación España 100025154@alumnos.uc3m.es Términos generales En

Más detalles

Algoritmos Evolutivos

Algoritmos Evolutivos Algoritmos Evolutivos 2003-11-20 Cristóbal Romero, Pedro González y Sebastián Ventura 1.1 Introducción En general, cualquier tarea abstracta a realizar puede considerarse como la resolución de un problema

Más detalles

Selección usando Algoritmos

Selección usando Algoritmos Capítulo 3 Selección usando Algoritmos Genéticos 3.1. Introducción En esta sección se aborda el uso de Algoritmos Genéticos (GA del inglés Genetic Algorithms) para selección de características. Así como

Más detalles

Capitulo V Administración de memoria

Capitulo V Administración de memoria Capitulo V Administración de memoria Introducción. Una de las tareas más importantes y complejas de un sistema operativo es la gestión de memoria. La gestión de memoria implica tratar la memoria principal

Más detalles

Apuntes de Inteligencia Artificial

Apuntes de Inteligencia Artificial PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA Apuntes de Inteligencia Artificial Algoritmos Genéticos JORGE AGUILAR JARAMILLO Algoritmos Genéticos 8 Algoritmos Genéticos 8.1 Introducción

Más detalles

Sistema Incremental Generador de Oraciones y de Descodificación Lingüística. José Luciano Maldonado. luzmalvy@telcel.net.ve maldonaj@faces.ula.

Sistema Incremental Generador de Oraciones y de Descodificación Lingüística. José Luciano Maldonado. luzmalvy@telcel.net.ve maldonaj@faces.ula. Sistema Incremental Generador de Oraciones y de Descodificación Lingüística. José Luciano Maldonado. luzmalvy@telcel.net.ve maldonaj@faces.ula.ve Resumen: se describe la implementación experimental de

Más detalles

Procesadores Superescalares: Paralelismo Explícito a Nivel de Instrucción

Procesadores Superescalares: Paralelismo Explícito a Nivel de Instrucción Tema 8 Procesadores Superescalares: Paralelismo Explícito a Nivel de Instrucción IA-64 es una arquitectura de 64 bits desarrollada conjuntamente por Intel y HP (Hewlett- Packard). Está basado en una tecnología

Más detalles

1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos

1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos 1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

A L G O R I T M O S E VO L U T I VO S A P L I C A D O S A L A G E N E R AC I Ó N D E H O R A R I O S PA R A C O L E G I O

A L G O R I T M O S E VO L U T I VO S A P L I C A D O S A L A G E N E R AC I Ó N D E H O R A R I O S PA R A C O L E G I O E S C U E L A P O L I T É C N I C A N A C I O N A L F A C U L T A D D E C I E N C I A S D E P A R T A M E N T O D E M A T E M Á T I C A S A L G O R I T M O S E VO L U T I VO S A P L I C A D O S A L A G

Más detalles

Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia

Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia Tabares, Héctor; Hernández, Jesús Pronóstico puntos críticos de

Más detalles

ETS Caminos Santander. Curso 2012. Ejercicios de introducción a la programación.

ETS Caminos Santander. Curso 2012. Ejercicios de introducción a la programación. Ejercicio 1. Saludo. El programa preguntará el nombre al usuario y a continuación le saludará de la siguiente forma "Hola, NOMBRE" donde NOMBRE es el nombre del usuario. Ejercicio 2. Suma. El programa

Más detalles

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1

TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS 1 Técnicas de planificación y control de proyectos Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TÉCNICAS DE PLANIFICACIÓN Y CONTROL DE PROYECTOS

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Tema 7: Estadística y probabilidad

Tema 7: Estadística y probabilidad Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1

1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1 5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0

Más detalles

Tema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid

Tema 4: Sistemas de Numeración. Codificación Binaria. Escuela Politécnica Superior Ingeniería Informática Universidad Autónoma de Madrid Tema 4: Sistemas de Numeración. Codificación Binaria Ingeniería Informática Universidad Autónoma de Madrid 1 O B J E T I V O S Sistemas de Numeración. Codificación Binaria Conocer los diferentes sistemas

Más detalles

21/02/2012. Agenda. Unidad Central de Procesamiento (CPU)

21/02/2012. Agenda. Unidad Central de Procesamiento (CPU) Agenda 0 Tipos de datos 0 Sistemas numéricos 0 Conversión de bases 0 Números racionales o Decimales 0 Representación en signo-magnitud 0 Representación en complemento Unidad Central de Procesamiento (CPU)

Más detalles

5.4 Una flecha será ensamblada en un cojinete como se muestra a continuación.

5.4 Una flecha será ensamblada en un cojinete como se muestra a continuación. PROBLEMAS 5.1. El famoso juego 7-11, requiere que el jugador lance dos dados una v. más veces hasta tomar la decisión de que se gana o se pierde el juego. El juego se gana si en el primer lanzamiento los

Más detalles

Capítulo 6. Modificar archivos de datos. Ordenar casos

Capítulo 6. Modificar archivos de datos. Ordenar casos Capítulo 6 Modificar archivos de datos Los archivos de datos no siempre están organizados de forma idónea. En ocasiones podemos desear cambiar el orden de los casos, o transponer las filas y las columnas,

Más detalles

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0)

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0) 1. La rueda de una ruleta se divide en 25 sectores de igual área que se enumeran del 1 al 25. Encuentra una fórmula para la distribución de probabilidades de la v.a. X que representa el número obtenido

Más detalles

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos

Más detalles

Introducción a los Algoritmos Genéticos y la Programación Genética

Introducción a los Algoritmos Genéticos y la Programación Genética Introducción a los Algoritmos Genéticos y la Programación Genética Marcos Gestal Daniel Rivero Juan Ramón Rabuñal Julián Dorado Alejandro Pazos + X + - + % * 6.21 4.73-1.68 % X * 5.67-3.85 Y + Y X 0.23

Más detalles

Temario III Algoritmos Combinatorios y Metaheurísticas

Temario III Algoritmos Combinatorios y Metaheurísticas Temario III Algoritmos Combinatorios y Metaheurísticas Verificación y Validación de Software UNCo 1 Contenidos Combinación de Datos de Test Algoritmos Combinatorios Metaheurísticas Búsqueda Tabú Algoritmos

Más detalles

1. PROCESOS DEL PROJECT MANAGEMENT

1. PROCESOS DEL PROJECT MANAGEMENT INDICE 1. PROCESOS DEL PROJECT MANAGEMENT 1.1 Procesos del Proyecto 1.2 Grupos de Proceso 1.3 Interacciones del Proceso 1.4 Adaptación de las interacciones del proceso 2. AREAS DEL CONOCIMIENTO DEL PROJECT

Más detalles

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se

Más detalles

Anexo 4. Herramientas Estadísticas

Anexo 4. Herramientas Estadísticas Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen

Más detalles

Compensación de la Dispersión Cromática utilizando pre-chirping

Compensación de la Dispersión Cromática utilizando pre-chirping Compensación de la Dispersión Cromática utilizando pre-chirping Jorge Antonio Araya Araya Introducción a la Dispersión Cromática La dispersión cromática describe la tendencia para diferentes longitudes

Más detalles

Movimiento a través de una. José San Martín

Movimiento a través de una. José San Martín Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante

Más detalles

Apuntes de Matemática Discreta 7. Relaciones de Orden

Apuntes de Matemática Discreta 7. Relaciones de Orden Apuntes de Matemática Discreta 7. Relaciones de Orden Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 7 Relaciones de Orden Contenido

Más detalles

Simulación y Modelos Estocásticos

Simulación y Modelos Estocásticos y Modelos Estocásticos Héctor Allende O!"# $# %#&' ( ) *+,-+,,*,/ ) -++,,*,/ ) 0 1 %*++,,*,/ $2,/ 04 %! 2! 5,,#6)5 1 Conceptos básicos: fundamentos de modelos de simulación y del modelado de sistemas complejos,

Más detalles

La metodologia Cuantitativa. Encuestas y muestras

La metodologia Cuantitativa. Encuestas y muestras La metodologia Cuantitativa. Encuestas y muestras Técnicas «cuantitativas» y «cualitativas» «Las técnicas cuantitativas»: Recogen la información mediante cuestiones cerradas que se planteal sujeto de forma

Más detalles

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas.

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas. El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los

Más detalles

GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS

GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS 1) INTRODUCCIÓN Tanto la administración de calidad como la administración Seis Sigma utilizan una gran colección de herramientas estadísticas.

Más detalles

TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE

TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE Mecánica Computacional Vol. XXII M. B. Rosales, V. H. Cortínez y D. V. Bambill (Editores) Bahía Blanca, Argentina, Noviembre 2003. TÉCNICAS EVOLUTIVAS PARA EL PROBLEMA DEL VIAJANTE Jessica A. Carballido,

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica. Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro

Más detalles

Representación de Datos. Una Introducción a los Sistemas Numéricos

Representación de Datos. Una Introducción a los Sistemas Numéricos Representación de Datos Una Introducción a los Sistemas Numéricos Tipos de Datos Datos Texto Número Imagen Audio Video Multimedia: Información que contiene números, texto, imágenes, audio y video. Como

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

METAHEURISTICAS Ideas, Mitos, Soluciones

METAHEURISTICAS Ideas, Mitos, Soluciones METAHEURISTICAS Ideas, Mitos, Soluciones OPTIMIZACION COMBINATORIA Qué es un problema de optimización combinatoria? Cómo se modela matemáticamente un problema de optimización combinatoria? Minimizar (o

Más detalles

1.2 SISTEMAS DE PRODUCCIÓN

1.2 SISTEMAS DE PRODUCCIÓN 19 1.2 SISTEMAS DE PRODUCCIÓN Para operar en forma efectiva, una empresa manufacturera debe tener sistemas que le permitan lograr eficientemente el tipo de producción que realiza. Los sistemas de producción

Más detalles

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell

First Break Interpretation Using Generalized Linear Inversion. Dan Hampson and Brian Russell First Break Interpretation Using Generalized Linear Inversion Dan Hampson and Brian Russell María Virginia Mason 2 INDICE GENERAL Introducción... 3 Modelado de Refracción iterativo.. 4 Teoría de Inversión

Más detalles

Problemas de Probabilidad y Estadística (1)

Problemas de Probabilidad y Estadística (1) Problemas de Probabilidad y Estadística (1) Sebastian Grynberg 31 de agosto de 2009 Índice 1. Espacios de probabilidad (nociones básicas) 1 1.1. Urnas y bolas.................................. 1 1.2. Monedas.....................................

Más detalles

Planificación de Procesos. Módulo 5. Departamento de Informática Facultad de Ingeniería Universidad Nacional de la Patagonia San Juan Bosco

Planificación de Procesos. Módulo 5. Departamento de Informática Facultad de Ingeniería Universidad Nacional de la Patagonia San Juan Bosco Planificación de Procesos Módulo 5 Departamento de Informática Facultad de Ingeniería Universidad Nacional de la Patagonia San Juan Bosco Planificación de Procesos Conceptos Básicos Criterios de Planificación

Más detalles

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

Más detalles

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos).

La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y unos). Tratamiento de la Imagen Digital Qué es la imagen digital? La definición de digital es toda información representada por una serie de pulsos eléctricos discretos basados en un sistema binario (ceros y

Más detalles

CryptoByn: Un sistema de Encriptación basado en la aleatoriedad

CryptoByn: Un sistema de Encriptación basado en la aleatoriedad CryptoByn: Un sistema de Encriptación basado en la aleatoriedad Autor: Diego Sarmentero Abstract La criptología consiste en el estudio de los sistemas de cifrado, teniendo como objectivo ocultar el contenido

Más detalles