Algoritmos genéticos. Inteligencia Computacional TC3023
|
|
- José Manuel Juárez Fuentes
- hace 7 años
- Vistas:
Transcripción
1 Algoritmos genéticos Inteligencia Computacional TC3023
2 Cromosoma Algoritmos Genéticos 2 Revisión
3 El Cromosoma En la naturaleza, los organismos tienen ciertas características que influencian su habilidad para sobrevivir y reproducirse Estas características están representadas por largos strings de información contenidos en los cromosomas de un organismo. Los cromosomas son estructuras de moléculas compactas entrelazadas de ADN encontradas en el núcleo de las células orgánicas. 3
4 El Cromosoma Cada cromosoma contiene un gran número de genes, donde el gen es la unidad de la herencia. Los genes determinan muchos aspectos de la anatomía y fisiología a través del control de producción de proteínas. Cada individuo tiene una secuencia única de genes. Una forma alternativa de un gen es referida como alelo. En el contexto de la CE (Computación Evolutiva), cada individuo representa un candidato de solución a un problema de optimización. Las características de un individuo son representadas por un cromosoma, también referido como genoma. 4
5 El Cromosoma Cada variable que necesita ser optimizada es referida como un gen, la unidad más pequeña de información. La asignación de un valor del dominio permitido de la variable correspondiente es referido como un alelo. Las características de un individuo pueden ser divididas en dos clases de información evolutiva: Genotipo - Describe la composición genética de un individuo, como fue heredada por sus padres. Representa qué alelo posee el individuo. Fenotipo - Son las características comportamentales expresadas de un individuo en un ambiente específico; definen cómo luce un individuo. 5
6 El Cromosoma Existen complejas relaciones entre el genotipo y el fenotipo: Pleiotropía - Donde la modificación aleatoria de genes causa variaciones inesperadas en las características fenotípicas Poligenia - Donde varios genes interactúan para producir un rasgo fenotípico específico Un paso importante en el diseño de los Algoritmos Evolutivos (AE) es encontrar una representación adecuada de los candidatos de solución (cromosomas) La eficiencia y complejidad de el algoritmo de búsqueda depende mucho del esquema de representación. 6
7 El Cromosoma La representación clásica es vectores binarios de longitud fija. Para resolver problemas de optimización con variables de valores continuos, el espacio de búsqueda continuo puede ser mapeado a un problema de programación discreta. Mientras que la codificación binaria es frecuentemente utilizada, tiene la desventaja de introducir precipicios de Hamming como se muestra en la siguiente figura: 7
8 El Cromosoma 8
9 El Cromosoma Un precipicio de Hamming es formado cuando dos valores numéricamente adyacentes tienen representaciones en bits que están muy alejadas. Ejemplo: Números decimanes 7 y 8. Sus representaciones binarias son 7 = 0111 y 8 = 1000, con una distancia de Hamming de 4. La distancia de Hamming es el número de bits correspondientes que difieren. Esto representa un problema cuando un cambio pequeño en las variables debería resultar en un cambio pequeño en la aptitud. Si por ejemplo, 7 representa la solución optima, y la mejor solución actual tiene una aptitud de 8, se requiere un cambio de muchos bits para causar un pequeño cambio en el valor de la aptitud. Una representación binaria alternativa es usar la codificación Gray, donde la distancia de Hamming entre la representación de valores numéricos sucesivos es uno. 9
10 El Cromosoma Codificación binaria y Grey 10
11 El Cromosoma En ocasiones también se utilizan representaciones de valores reales. Michalewicz indicó que la representación original supera a su representación equivalente binaria, llevando a soluciones obtenidas más rápidamente y más adecuadas. Otras representaciones comúnmente utilizadas incluyen representaciones enteras, permutaciones, representaciones de estados finitos, representaciones de árboles, representaciones de enteros mezclados, etc. 11
12 Población Inicial Algoritmos Genéticos 12 Revisión
13 La Población Cada AE mantiene una población de candidatos de solución. El primer paso para aplicar un EA para resolver un problema de optimización es generar una población inicial. La forma estándar de generar una población inicial es asignando un valor aleatorio del dominio permitido a cada uno de los genes de cada cromosoma. La meta de la selección aleatoria es asegurar que la población inicial es una representación uniforme del espacio de búsqueda entero. 13
14 La Población Si hay regiones del espacio de búsqueda que no son cubiertas por la población inicial, hay posibilidades de que esas partes sean ignoradas por el proceso de búsqueda. El tamaño de la población inicial tiene consecuencias en términos de la complejidad computacional y las habilidades de exploración. Grandes cantidades de individuos incrementan la diversidad, mejorando las habilidades de exploración de la población Sin embargo, mientras más individuos, mayor complejidad computacional por generación. 14
15 La Población Mientras que el tiempo de ejecución por generación se incrementa, puede darse el caso de que se requieran menos generaciones para encontrar una solución aceptable. Una población pequeña, representará a una pequeña parte del espacio de búsqueda. La complejidad computacional es baja pero el AE puede requerir más generaciones para converger que para una población grande. En el caso de una población pequeña, el EA puede ser forzado a explorar una mayor parte del espacio de búsqueda incrementando la tasa de mutación. 15
16 Función Objetivo Algoritmos Genéticos 16 Revisión
17 Función Objetivo En el modelo Darwiniano de evolución, los individuos con las mejores características tienen mayores probabilidades de sobrevivir y reproducirse. Para determinar la habilidad de un individuo en un EA para sobrevivir, una función matemática es utilizada para cuantificar qué tan buena es la solución representada por el cromosoma. La función de aptitud, mapea a una representación de cromosoma con un valor escalar donde representa el tipo de dato de los elementos de un cromosoma n-dimensional. 17
18 Función Objetivo La función de aptitud representa a la función objetivo,, que describe el problema de optimización. Los operadores evolutivos (por ejemplo: selección, cruza, mutación y elitismo) por lo general hacen uso de la función de evaluación de aptitud de los cromosomas. Ej: Los operadores de selección están inclinados hacia los individuos más aptos cuando seleccionan a los padres para la cruza, mientras que la mutación se inclina hacia los individuos menos aptos. 18
19 Selección Algoritmos Genéticos 19 Revisión
20 Selección Se relaciona directamente con el concepto Darwiniano de la supervivencia del más apto. El objetivo principal de los operadores de selección es enfatizar mejores soluciones. Esto se alcanza mediante dos de los pasos principales de los AE: Selección de la nueva población Una nueva población de candidatos de solución se selecciona al final de cada generación para servir como población de la siguiente generación. Una nueva población puede ser seleccionada solamente a partir de las crías, o ambas, los padres y las crías. El operador de selección debe asegurar que buenos individuos sobrevivan a las siguientes generaciones. 20
21 Selección Reproducción Las crías son creadas a través de la aplicación de la cruza y/o operadores de mutación. En términos de cruza, los individuos superiores deberían tener más oportunidades de reproducirse para asegurar que las crías contengan material genético de los mejores individuos. En el caso de la mutación, los mecanismos de selección deben enfocarse en los individuos débiles. La esperanza es que la mutación de los individuos débiles resultará en la introducción de mejores características en los individuos débiles, incrementando sus probabilidades de supervivencia. 21
22 Presión Selectiva Los operadores de selección se caracterizan por su presión selectiva, también referida como el tiempo de takeover. Es la velocidad a la que la mejor solución ocupará la población entera mediante la aplicación repetida de los operadores de selección únicamente. Un operador con una alta presión selectiva decrementa la diversidad de la población más rápidamente que otros operadores con baja presión selectiva, lo que puede llevar a convergencia prematura a soluciones subóptimas. 22
23 Presión Selectiva Una alta presión selectiva limita las habilidades de exploración de la población. 23
24 Selección Aleatoria Es el operador de selección más simple, donde cada individuo tiene la misma probabilidad de (donde es el tamaño de la población inicial) de ser seleccionado. No se utiliza ninguna información de la aptitud. Los mejores y los peores individuos tienen exactamente la misma probabilidad de sobrevivir a la siguiente generación. Tiene la menor presión selectiva de entre los operadores de selección. 24
25 Selección Proporcional Predispone la selección hacia los individuos más aptos. Una distribución de probabilidad proporcional a la aptitud es creada y los individuos son seleccionados por muestreo de la distribución Donde es el número total de individuos de la población y es la probabilidad de que sea seleccionada. es la aptitud escalada de, para producir un valor de punto flotante positivo. 25
26 Selección Proporcional Dos métodos de muestreo populares utilizados en selección proporcional son Muestreo de rueda de ruleta Muestreo universal estocástico El muestreo de rueda de ruleta es un ejemplo del operador de selección proporcional donde los valores de aptitud se encuentran normalizados (por ejemplo, dividiendo cada aptitud entre el máximo valor de aptitud). 26
27 Selección Proporcional La distribución de probabilidad puede entonces ser vista como una rueda de ruleta, donde el tamaño de cada rebanada es proporcional a la probabilidad de selección normalizada de un individuo. La selección puede asemejarse girar una rueda de ruleta y llevar registro de que rebanada queda arriba, entonces el individuo correspondiente es seleccionado. Cuando se utiliza selección de rueda de ruleta para crear crías para reemplazar a la población entera, se hacen llamadas independientes al algoritmo. 27
28 Selección Proporcional Se ha encontrado que esto resulta en una gran variación en el número de crías creadas por cada individuo. Podría ocurrir que el mejor individuo no se seleccione para producir crías durante alguna generación dada. Para prevenir este problema, se propone un muestreo universal estocástico utilizado para determinar para cada individuo el número de crías a ser producidas con sólo una llamada al algoritmo. 28
29 Selección Proporcional Dado que la selección es directamente propocional a la aptitud, es posible que los individuos más fuertes dominen en la producción de crías, limitando la diversidad de la nueva población. La selección proporcional tiene una alta presión selectiva. 29
30 Selección de Torneo Selecciona un grupo de individuos aleatoriamente de la población, donde ( es el número total de individuos en la población). El desempeño de los seleccionados es comparado y el mejor individuo del grupo es seleccionado y devuelto por el operador. Para la cruza de dos padres, la selección de torneo es hecha dos veces, una para la selección de cada padre. 30
31 Selección de Torneo Si el tamaño del torneo no es demasiado grande, la selección de torneo previene al mejor individuo de dominar, teniendo por lo tanto una menor presión de selección. Por otra parte, si es demasiado pequeño, las probabilidades de que malos individuos sean seleccionados se incrementan. 31
32 Selección de Torneo Aún cuando la selección de torneo utiliza la información de la aptitud para seleccionar al mejor individuo de un torneo, la selección aleatoria de los individuos que forman el torneo reduce la presión selectiva comparado con la selección proporcional. Sin embargo, la presión selectiva está directamente relacionada con. Si, siempre se va a seleccionar al mejor individuo, resultando en una presión selectiva muy alta. De otra formal si, se obtiene selección aleatoria. 32
33 Elitismo Se refiere al proceso de asegurar que los mejores individuos de la población actual sobrevivan a la siguiente generación. Los mejores individuos son copiados a la nueva población sin ser mutados. Mientras mas individuos sobrevivan a la siguiente generación, menos diversa será la nueva población. 33
34 Salón de la Fama Esquema de selección similar a la lista de los mejores jugadores de un arcade game. Para cada generación se selecciona al mejor individuo y se inserta en el salón de la fama. El salón de la fama entonces contendrá un archivo de los mejores individuos encontrados desde la primera generación. 34
35 Salón de la Fama El salón de la fama puede ser utilizado como: Una alberca de padres para el operador de cruza o, En la última generación, el mejor individuo es seleccionado como el mejor del salón de la fama. 35
ALGORITMOS EVOLUTIVOS
ALGORITMOS EVOLUTIVOS Curso 2010 Centro de Cálculo, Instituto de Computación, Facultad de Ingeniería, Universidad de la República, Uruguay. III ALGORITMOS GENÉTICOS Introducción. Conceptos biológicos.
Más detallesALGORITMO DE OPTIMIZACIÓN BASADO EN EL APAREAMIENTO DE LAS ABEJAS(HBMO). UN NUEVO ENFOQUE HEURÍSTICO DE OPTIMIZACIÓN.
DE OPTIMIZACIÓN BASADO EN EL APAREAMIENTO DE LAS (HBMO). UN NUEVO ENFOQUE HEURÍSTICO DE OPTIMIZACIÓN. OMID BOZORG HADDAD, ABBAS AFSHAR, MIGUEL A. MARIÑO Víctor Fernández Mora Manuel Sifón Miralles Raquel
Más detallesALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES
ALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES CRISTIAN C. FORERO 23 ALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES CRISTIAN C. FORERO* Recibido: 7 de agosto
Más detallesMejoras a algoritmos genéticos. Inteligencia Computacional Blanca A. Vargas Govea Sep 25, 2012
Mejoras a algoritmos genéticos Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 25, 2012 Conocer las mejoras usuales a algoritmos genéticos 2 1. Diseñar una representación 2.
Más detallesIDENTIDAD EN PRECISIÓN VARIABLE
Contenido INTRODUCCIÓN 3 Motivación 5 Objetivos 9 Conocimiento actual y problemas abiertos 13 Formulación del problema y propuesta de solución 25 IDENTIDAD EN PRECISIÓN VARIABLE 35 Representación de los
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS 1. ALGORITMOS GENÉTICOS. INTRODUCCIÓN 2. CÓMO SE CONSTRUYE? 3. SOBRE SU UTILIZACIÓN 4. ALGUNAS CUESTIONES: DIVERSIDAD, EXPLORACIÓN vs EXPLOTACIÓN 5. MODELOS: GENERACIONAL vs ESTACIONARIO
Más detallesIntroducción a la Geometría Computacional
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 8 de enero del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Introducción a la GC 8 de enero del 2013 1 / 17 1 Introducción a la Geometría Computacional
Más detallesAlgunas ventajas asociados comúnmente a ellos son:
CAPITULO 3 ALGORITMOS GENÉTICOS Charles Darwin construyó la Teoría de la Evolución, en la cual afirma que las especies naturales van evolucionando para adaptarse al medio en que viven. Aquellos individuos
Más detallesSus socios en ISO 9000. Manual de Calidad
Sus socios en ISO 9000 Manual de Calidad ESTRUCTURA DE DOCUMENTACION GERENCIA NIVEL 1: Manual de Calidad - Políticas (Política de la compañía, autorización y alcance del sistema ) NIVEL 2: Procedimientos
Más detalles3. Métodos clásicos de optimización lineal
3. Métodos clásicos de optimización lineal Uso del método Simplex El problema que pretende resolverse es un problema de optimización lineal sujeto a restricciones. Para el modelo construido para el problema
Más detalles1. 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 detallesEVOLUCIÓN Y GENÉTICA Fernando Tuya, Departamento Biología, Planta 1, oficina b-107,
Bloque Temático III EVOLUCIÓN Y GENÉTICA Fernando Tuya, Departamento Biología, Planta 1, oficina b-107, E-mail: fernando.tuya@ulpgc.es, www.fernandotuya.org Tema 10. Introducción a la Genética. Conceptos
Más detallesTema 05: Tablas hash. M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom
Tema 05: Tablas hash M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom (Prof. Edgardo A. Franco) 1 Contenido Tablas hash o de dispersión Función
Más detallesLa herramienta ArtEM: Aritmética Entera y Modular
La herramienta ArtEM: Aritmética Entera y Modular 1. Introducción La herramienta ArtEM (Aritmética Entera y Modular) es una aplicación informática programada en Visual Basic y desarrollada con el fin de
Más detallesApplying fuzzy logic and genetic algorithm in robot navigation. GONZALO LUZARDO M.
Applying fuzzy logic and genetic algorithm in robot navigation GONZALO LUZARDO M. gluzardo@espol.edu.ec gonchalox@gmail.com INDICE INDICE...1 1. Introducción...2 2. Control Borroso...2 3. Evolución del
Más detallesTema 2: Algoritmos Genéticos
Tema 2: Algoritmos Genéticos p. 1/3 Tema 2: Algoritmos Genéticos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País
Más detallesUniversidad Nacional del Sur Av. Alem 1253 CP 8000 - Bahía Blanca ARGENTINA
Tópico: Computación Evolutiva UN ALGORITMO GENÉTICO BASADO EN NÚMEROS DIFUSOS TRIANGULARES Jessica Carballido 1, Ignacio Ponzoni 1 y Diana Brignole 2 1 Departamento de Ciencias de la Computación Universidad
Más detallesII Unidad EL ALGORITMO GENETICO BINARIO. Rafael Vazquez Perez
II Unidad EL ALGORITMO GENETICO BINARIO Rafael Vazquez Perez Contenido 2.1.- Algoritmos Genéticos: La Selección Natural en una Computadora 2.2.- Componentes de un Algoritmo Genético 2.2.1.- Selección de
Más detallesESTADÍSTICA DESCRIPTIVA Bosqueja o describe las diversas características de un conjunto de datos.
CONCEPTOS BÁSICOS DE ESTADÍSTICA INDICADOR DE LOGROS Aplicarás y explicarás la estadística descriptiva, utilizando la terminología básica, con seguridad e interés. Aplicarás y explicarás con interés y
Más detallesGUÍAS. Módulo de Razonamiento cuantitativo SABER PRO 2014-1
GUÍAS Módulo de Razonamiento cuantitativo SABER PRO 2014-1 GUÍAS Módulo Razonamiento cuantitativo Este módulo evalúa competencias relacionadas con las habilidades matemáticas que todo ciudadano debe tener,
Más detallesGUÍAS. Módulo de Razonamiento cuantitativo SABER PRO 2013-1
Módulo de Razonamiento cuantitativo Este módulo evalúa competencias relacionadas con las habilidades en la comprensión de conceptos básicos de las matemáticas para analizar, modelar y resolver problemas
Más detallesDefiniciones. Definiciones. Simulación
Simulación Prof. Mariela J. Curiel Octubre 2003 Definiciones La simulación se puede definir como la creación de un modelo computacional de un sistema real o propuesto, sobre el cual se realizan experimentos
Más detallesUnidad 7: Muestreo de aceptación
Unidad 7: Muestreo de aceptación Cap 12. Gutiérrez Liliana Recchioni Unidad 7: 7.1. Tipos de planes de muestreo. 7.2. Variabilidad y curvas características (CO). 7.3. Diseño de un plan de muestreo simple
Más detallesConjuntos disjuntos (Relaciones de equivalencia)
Conjuntos disjuntos (Relaciones de equivalencia) Una relación R se define en un conjunto C si para todo par de elementos (a,b),a,b C,a R b es verdadera o falsa. Una relación de equivalencia es una relación
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución
Más detallesTutorías: 10:00 a 14:00 de lunes a viernes en el L (Solicitud mediante )
1 José María Font Fernández jm.font@upm.es Tutorías: 10:00 a 14:00 de lunes a viernes en el L-3101. (Solicitud mediante email) http://dl.dropbox.com/u/1074349/computacionevolutiva.pdf 2 o La Computación
Más detallesIntroducción al análisis numérico
Introducción al análisis numérico Javier Segura Universidad de Cantabria Cálculo Numérico I. Tema 1 Javier Segura (Universidad de Cantabria) Introducción al análisis numérico CNI 1 / 26 Contenidos: 1 Sistemas
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesFACULTAD DE INGENIERIA MECANICA Y ELECTRICA DIVISION DE ESTUDIOS DE POST-GRADO
1020149435 FACULTAD DE INGENIERIA MECANICA Y ELECTRICA DIVISION DE ESTUDIOS DE POST-GRADO APLICACION DE LA TECNICA DE ALGORITMOS GENETICOS AL PROBLEMA DE DESPACHO ECONOMICO TESIS EN OPCION AL GRADO DE
Más detallesProgramación Matemática. Profesor: Juan Pérez Retamales
Programación Matemática Profesor: Juan Pérez Retamales Capítulo 2: Optimización Lineal en la Práctica Programación Matemática Procesos de Toma de Decisiones Marco de Trabajo: Decisiones Estratégicas Decisiones
Más detallesCentro Asociado Palma de Mallorca. Tutor: Antonio Rivero Cuesta
Centro Asociado Palma de Mallorca Arquitectura de Ordenadores Tutor: Antonio Rivero Cuesta Unidad Didáctica 1 Representación de la Información y Funciones Lógicas Tema 2 Aritmética y Codificación Aritmética
Más detalles3. Algoritmo genético
3. Algoritmo genético 3.1 Antecedentes El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin. Se presentarán aquí los conceptos básicos más importantes para entender
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesCuál es la frecuencia de acceso de una memoria de acceso aleatorio con un tiempo de acceso de 80 nseg. y un tiempo de ciclo de 100 nseg.?.
Cuál es la frecuencia de acceso de una memoria de acceso aleatorio con un tiempo de acceso de nseg. y un tiempo de ciclo de nseg.?. f A Hz t 9 C seg Petición de lectura t A Información disponible t C Información
Más detallesDISEÑO LOGICO CON DISPOSITIVOS LOGICOS PROGRAMABLES (PLD S) ING. LUIS F. LAPHAM CARDENAS PROFESOR INVESTIGADOR DIVISION DE ELECTRONICA C.E.T.I.
DISEÑO LOGICO CON DISPOSITIVOS LOGICOS PROGRAMABLES (PLD S) ING. LUIS F. LAPHAM CARDENAS PROFESOR INVESTIGADOR DIVISION DE ELECTRONICA C.E.T.I. RESUMEN En este artículo intentamos mostrar el cambio dramático
Más detallesComplejidad de Algoritmos
Complejidad de Algoritmos Tema 5 Introducción Un algoritmo es una secuencia de instrucciones que resuelve un problema Puede tener diferentes implementaciones Para comparar las diferentes formas (algoritmos)
Más detallesPasos en el Método Simplex
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 20 El Método Simplex ICS 1102 Optimización Profesor : Claudio Seebach 16 de octubre de 2006
Más detallesMETODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD
METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes
Más detallesInstituto tecnológico de Minatitlán. Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal
Instituto tecnológico de Minatitlán Investigación de operaciones Ing. Erika Lissette Minaya mortera Unidad 3: programación no lineal Alejandra de la cruz francisco Ingeniería en sistemas computacionales
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesINTRODUCCIÓN BLOQUE I: LAS FUNCIONES DE LOS SERES VIVOS
Introducción bloque 1: Las funciones de los seres vivos página 1 INTRODUCCIÓN BLOQUE I: LAS FUNCIONES DE LOS SERES VIVOS I. QUÉ ES UN SER VIVO? Las características que comparten los seres vivos y que los
Más detallesC. SIL2 D. SIL3. Viernes, 02 de Octubre 2010 Copyright (C) CFSE.ORG Page 1 of 8
CFSP Aplicación de Proceso Sección 1: Selección Múltiple EJEMPLO Número del candidato (Sin Nombre): Por favor escriba su nombre arriba, en el espacio designado. Solo una respuesta es la correcta. Por favor
Más detallesALGORITMOS GENÉTICOS. En lugar de envidiar la naturaleza debemos emularla Holland
ALGORITMOS GENÉTICOS En lugar de envidiar la naturaleza debemos emularla Holland Algoritmos genéticos Algoritmos basados en los principios de la evolución natural Se utilizan en problemas donde no se pueden
Más detallesNIA 401 Auditoria en un ambiente de Sistemas de Información por Computadora
NIA 401 Auditoria en un ambiente de Sistemas de Información por Computadora (Con relación a la Dipa No. 1008 "Evaluación del riesgo y el control interno carácteristicas y consideraciones del CIS") (Con
Más detallesDISEÑO Diagrama Características Ventajas Estadísticos
Diseño con post prueba únicamente y grupo control R G 1 X O 1 R G 2 O 2 Grupo que recibe tratamiento y un grupo control. Manipulación de la VI; Presencia o Ausencia. Grupos de comparación, es decir, manipulando
Más detallesPoblación finita. reemplazo sobre poblaciones de tamaño finito N.
Población finita 171 El TCL y las varianzas muestrales de medias y proporciones se basan en la premisa de muestras seleccionadas con reemplazo o de una población infinita. Sin embargo, en muchos estudios
Más detallesFacultad de Ciencias Económicas y Sociales
Sistemas de Información Ciclo de Vida del Proyecto Mg. Alicia I. Zanfrillo Ciclo de vida del proyecto Ciclo de vida del proyecto clásico Ciclo de vida del proyecto semiestructurado Ciclo de vida del proyecto
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T4: Algoritmos Genéticos {jdiez, juanjo} @ aic.uniovi.es La idea es Qué pretende la IA? Producir agentes inteligentes Cuál es el mejor ejemplo de agente inteligente? El Hombre Cómo
Más detallesASIGNATURA: MÉTODOS CUANTITATIVOS PARA LA TOMA DE DECISIONES.
ASIGNATURA: MÉTODOS CUANTITATIVOS PARA LA TOMA DE DECISIONES. Nombre de la asignatura: Línea trabajo: Métodos cuantitativos para la toma de decisiones. Emprendimiento y optimización de procesos Tiempo
Más detallesDESARROLLO DE NUEVOS PRODUCTOS
DESARROLLO DE NUEVOS PRODUCTOS Qué es un nuevo producto? Existe una gran cantidad de tipos de nuevos productos. Algunos son nuevos en el mercado, otros son nuevos en la compañía y algunos en ambos sitios.
Más detallesÁRBOLES FILOGENÉTICOS
ÁRBOLES FILOGENÉTICOS Por qué usar filogenias? El conocimiento del pasado es importante para poder resolver muchas cuestiones relacionadas con procesos biológicos. Las filogenias nos permiten obtener relaciones
Más detallesSesión 9.Compras y suministro
Administración electrónica de negocios Sesión 9.Compras y suministro Definición de Administración de la Cadena de Suministro Es una compleja red de relaciones entre los socios de recursos manufactura entrega
Más detallesAcoplamiento de Impedancias
Acoplamiento de Impedancias por The Siemon Company Introducción Todas las referencias de los estándares de telecomunicaciones sobre cableado balanceado especifican el parámetro impedancia a nominal. Recordemos
Más detallesCurso: Métodos de Monte Carlo Unidad 4, Sesión 9: Números aleatorios (parte 2)
Curso: Métodos de Monte Carlo Unidad 4, Sesión 9: Números aleatorios (parte 2) Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo,
Más detallesPrincipios de Psicología. Prof. Eddie Marrero, Ph. D. UPR-RUM Departamento de Ciencias Sociales
Principios de Psicología Prof. Eddie Marrero, Ph. D. UPR-RUM Departamento de Ciencias Sociales Métodos de Investigación en Psicología Tema: Poblaciones y Muestras Introducción Cuando se realiza una investigación
Más detallesMercados organizacionales y comportamiento de compra corporativo
Mercados organizacionales y comportamiento de compra corporativo Tema 5 5.1. Características de los mercados corporativos y de la compra empresarial 5.2. Factores que influyen en la compra empresarial
Más detallesEtapas para la solución de un problema por medio del computador
Algoritmos. Definición Un algoritmo se puede definir como una secuencia de instrucciones que representan un modelo de solución para determinado tipo de problemas. O bien como un conjunto de instrucciones
Más detalles1. Expliquen la relación entre el ADN, los genes y las proteínas. 2. Expliquen a través de un ejemplo la definición de fenotipo.
1. Expliquen la relación entre el ADN, los genes y las proteínas. 2. Expliquen a través de un ejemplo la definición de fenotipo. 3. Escriban dos diferencias entre la Primera y la Segunda Ley de Mendel.
Más detallesImportancia de la Demografía
Demografía Ciencia que estudia estadísticamente la composición, estado y distribución de las poblaciones humanas, en un momento determinado de su evolución histórica. La demografía ayuda a conocer la evolución
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesUn experimento binomial posee las siguientes características: 1. El experimento consiste de n ensayos repetidos.
Experimento Binomial Experimento que consiste en ensayos independientes repetidos, cada uno con dos posibles resultados que se denominan éxito y fracaso, donde la probabilidad de éxito es la misma en cada
Más detallesNIVEL 14: ESTRUCTURAS DE ACCESO DIRECTO
NIVEL 14: ESTRUCTURAS DE ACCESO DIRECTO Tablas de Hashing 2 Tablas de hashing Motivación y definiciones Posibles estructuras de implementación Área primaria y área de desbordamiento Funciones de hashing
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesTema 1: Breve Lección de biología (2)
Tema 1: Breve Lección de biología (2) Genes y Proteínas Dr. Oswaldo Trelles Universidad de Málaga La función primordial de los genes es proporcionar la información necesaria para la síntesis de proteínas.
Más detallesPRUEBA DE NIVEL DE ACCES
PRUEBA DE NIVEL DE ACCES NOMBRE Y APELLIDOS:... 1. Microsoft Access es: Una base de datos relacional. Una base de datos no relacional. Una base de datos documental. Ninguna de las afirmaciones es correcta.
Más detallesTeoría Evolutiva. Aula experiencia 2 de marzo de 2006
Teoría Evolutiva Aula experiencia 2 de marzo de 2006 Anaximandro de Mileto (611-547 a.c.) Aristóteles Estagira 384 a.c. - Calcis 322 a.c James Ussher 22 de Octubre, 4004 a.c. Charles Lyell Erasmus Darwin
Más detallesTRABAJOS PRÁCTICOS DE BIOLOGÍA C
TRABAJOS PRÁCTICOS DE BIOLOGÍA C TRABAJO PRÁCTICO N 1 Actividad N 1 1) En la naturaleza las células pueden ser de dos tipos: procariotas o eucariotas. Señale con una X las características de cada una según
Más detallesObjetivos y Temario CURSO SQL SERVER 2012
Objetivos y Temario CURSO SQL SERVER 2012 OBJETIVOS Este curso está dirigido a todos los que comienzan a trabajar con SQL Server 2012. De una forma rápida y concisa obtendrá el conocimiento necesario para
Más detallesJuan Muñoz, Sistemas Integrales Santiago, 12 de abril de 2013
Sesión 2A Las limitaciones del Muestreo Aleatorio Simple y La práctica del muestreo para encuestas de hogares Por favor, conéctese al Canal 50 Juan Muñoz, Sistemas Integrales Santiago, 12 de abril de 2013
Más detallesFundamentos de Estadística y Simulación Básica
Fundamentos de Estadística y Simulación Básica TEMA 5 Simulación SIMULACIÓN: Técnicas para imitar el funcionamiento procesos reales mediante programas de ordenador. de sistemas o SIMULACIÓN: Es la representación
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesEstructuras de datos: Conjuntos disjuntos
Estructuras de datos: Dep. de Computación - Fac. de Informática Universidad de A Coruña Santiago Jorge sjorge@udc.es Referencias bibliográficas G. Brassard y T. Bratley. Estructura de datos. En Fundamentos
Más detallesPolinomios. 1.- Funciones cuadráticas
Polinomios 1.- Funciones cuadráticas Definición 1 (Función polinomial) Sea n un entero no negativo y sean a n, a n 1,..., a, a 1, a 0 número s reales con a n 0. La función se denomina función polinomial
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento 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 detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesUniversidad Rey Juan Carlos HOJA DE PROBLEMAS TEMA 3: REPRESENTACIÓN DE LA INFORMACIÓN
Universidad Rey Juan Carlos Ingeniería Técnica en Informática de Sistemas Estructura y Tecnología de Computadores HOJA DE PROBLEMAS TEMA 3: REPRESENTACIÓN DE LA INFORMACIÓN 1 6. Convertir A05B3D00 dado
Más detallesTEORÍA DE CONJUNTOS A ={ 1, 2, 3, 4, 5, 6 }
TEORÍA DE CONJUNTOS CONJUNTOS Y TÉCNICAS DE CONTEO DEFINICIÓN Y NOTACIÓN DE CONJUNTOS El término conjunto juega un papel fundamental en el desarrollo de las matemáticas modernas; Además de proporcionar
Más detallesOrganización de Computadoras 2014. Apunte 2: Sistemas de Numeración: Punto Flotante
Organización de Computadoras 2014 Apunte 2: Sistemas de Numeración: Punto Flotante La coma o punto flotante surge de la necesidad de representar números reales y enteros con un rango de representación
Más detallesCiencias de la Tierra y el Medio Ambiente. Dinámica de la población
Ciencias de la Tierra y el Medio Ambiente Dinámica de la población El tamaño de las poblaciones de seres vivos se mantiene en equilibrio, oscilando más o menos ampliamente en torno a un valor medio, en
Más detallesEl método utilizado en esta investigación será el método probabilístico ya que el universo en estudio es finito.
CAPITULO III: MARCO METODOLOGICO. 3.1 TIPO DE INVESTIGACION: El tipo de estudio que se desarrollara en la investigación es, descriptiva, porque está dirigido a determinar cómo es, cómo está la situación
Más detallesNombre de la asignatura: Probabilidad y Estadística Ambiental
Nombre de la asignatura: Probabilidad y Estadística Ambiental Créditos: 2 2-4 Aportación al perfil Proporcionar los fundamentos necesarios para el manejo estadístico de datos experimentales que le permitan
Más detallesSISTEMAS DE NUMERACIÓN
SISTEMAS DE NUMERACIÓN INDICE. 1. DEFINICIÓN DE SISTEMAS DE NUMERACIÓN.... 1 2. TEOREMA FUNDAMENTAL DE LA NUMERACIÓN... 3 3. SISTEMAS DECIMAL, BINARIO, OCTAL Y HEXADECIMAL.... 5 3.1. SISTEMA DECIMAL...
Más detallesLa simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba
Simulación Simulación La simulación implica construir una replica de algún sistema real y usarlo bajo condiciones de prueba Los modelos matemáticos se construyen y utilizan para comprobar los resultados
Más detallesGrado 5 CÓMO REALIZAN LAS CÉLULAS SUS FUNCIONES? INTRODUCCIÓN. Qué tenemos en común todos los seres vivos?
Ciencias Naturales Unidad 3 CÓMO REALIZAN LAS CÉLULAS SUS FUNCIONES? Clase: Nombre: INTRODUCCIÓN Qué tenemos en común todos los seres vivos? Todos los seres vivos tenemos una unidad fundamental y funcional
Más detallesAuditoria MUESTREO EN LA AUDITORÍA
MUESTREO EN LA AUDITORÍA Introducción El propósito de esta Norma de Auditoría (NA) es establecer normas y proporcionar lineamientos sobre el uso de procedimientos de muestreo durante la auditoría y selección
Más detallesSistemas Operativos. Clase 2: Administración de procesos.
Sistemas Operativos Clase 2: Administración de procesos. Administración de procesos Un concepto muy importante en el ambiente de diseño de todo sistema operativo, es el de proceso o tarea. De manera general,
Más detallesAlgoritmos y Diagramas de flujo
Algoritmos y Diagramas de flujo En los pasos a seguir para el desarrollo de un problema, existen básicamente dos tipos de elementos con los cuales es posible especificar un problema en forma esquemática
Más detallesAlgoritmo de. búsqueda aleatoria pura aplicado al diseño de planes de muestreo doble
28 REVISTA Universidad EAFIT. Vol. 40. No. 135 julio, agosto, septiembre 2004 REVISTA Universidad EAFIT Vol. 40. No. 135. 2004. pp. 28-39 Algoritmo de búsqueda aleatoria pura aplicado al diseño de planes
Más detallesReproducción: una introducción
Universidad de Sonora Licenciatura en Biología Curso: Ecología Reproducción: una introducción Francisco Molina Freaner freaner@unam.mx Biósfera Región Objetivo Paisaje Ecosistema Comunidad Interacción
Más detallesPLAN DE MUESTREO. Conceptos necesarios para el muestreo
PLAN DE MUESTREO El muestreo se utiliza con frecuencia en IM, ya que ofrece beneficios importantes: 1. ahorra dinero: en lugar de entrevistar a un millón de personas, una muestra se puede entrevistar de
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesBASES CELULARES Y MOLECULARES DE GENETICA HUMANA
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE CIENCIAS MEDICAS UNIDAD DIDACTICA DE BIOLOGIA BASES CELULARES Y MOLECULARES DE GENETICA HUMANA INTRODUCCIÓN El genoma humano es la totalidad de moléculas
Más detallesProblemas de Recursividad
Problemas de Recursividad Problema 1. El factorial de un número entero n 0, denotado como n!, se define! como!!! i = 1 2 n cuando n > 0, y 0! = 1. Por ejemplo 6! = 1 2 3 4 5 6 = 720 Diseñad una método
Más detallese-mail: mtoledo@dgrfsa.gov.ar
Arreglos Introducción a las Estructuras de Datos. Arreglos Unidimensionales: Vectores Vectores Estáticos en VB Vectores Dinámicos en VB Ordenando un Vector Introducción a las Estructuras de Datos. Una
Más detalles[GEOGEBRA] Innovación Educativa. Ricardo Villafaña Figueroa
2009 Innovación Educativa [GEOGEBRA] Una introducción a la geometría interactiva y cálculo visual a través de, una herramienta computacional sin costo que facilita y apoya la enseñanza y el análisis de
Más detallesPROBLEMA DEL TRANSPORTE VRP (VEHICLE ROUTING PROBLEM)
PROBLEMA DEL TRANSPORTE VRP (VEHICLE ROUTING PROBLEM) Contenido Entorno. Definición VRP. Instancia de VRP. Formulación con PLE (modelo). Ejemplo instancia VRP con PLE. Variantes del problema de VRP. Técnicas
Más detallesCapítulo 4. Administración de la información de marketing para conocer a los clientes
Capítulo 4 Administración de la información para conocer a los clientes 4-1 Objetivos de aprendizaje Presentación del capítulo Información y comprensión de los clientes Evaluación de las necesidades de
Más detallesLA POTENCIA PREDOMINANTE DE UN SISTEMA FOTOVOLTAICO
LA POTENCIA PREDOMINANTE DE UN SISTEMA FOTOVOLTAICO R. González, J. Piay Centro de Estudios de la Energía Solar (CENSOLAR) Parque Industrial PISA, Edificio CENSOLAR, 4927 Mairena del Aljarafe, Sevilla
Más detalles