Algoritmos Genéticos.

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

Download "Algoritmos Genéticos."

Transcripción

1 Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain de Octubre de 2011

2 Temario del Curso Temario a la Computación Evolutiva. Aplicaciones a Problemas Científicos y Tecnológicos. Algoritmos Genéticos. Algoritmos Basados en Evolución Diferencial. Algoritmos Evolutivos para Problemas Multiobjetivo. RND y EA Modelos Basados en Adaptación Social: abejas, hormigas y enjambres.

3 Tabla de Contenidos 1 Tabla de Contenidos 2 3 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada 4 5 Exploración - Explotación Evitar la convergencia prematura 6

4

5 I Los algoritmos genéticos: Son algoritmos de optimización que usan la búsqueda y el aprendizaje. Están inspirados en los procesos de evolución natural y evolución genética Los algoritmos genéticos no son: La solución a todos los problemas de optimización

6 II Los algoritmos genéticos: Se inspiran en la evolucion biológica Hacen evolucionar poblaciones Modificaciones aleatorias de las características de los individuos Selección de los mejores individuos Modelo iterativo

7 Componentes Los algoritmos genéticos: Población Selección Reproducción Reemplazo

8 Componentes

9 Modelos Modelo Generacional En cada iteración se crea una población completa nueva La nueva población reemplaza a la anterior

10 Modelos Modelo estacionario En cada iteración, se seleccionan dos o más padres y se aplican los operadores genéticos sobre ellos Los nuevos individuos reemplazan a uno o varios (pero no a todos) de los padres Es un modelo elitista (los mejores individuos se suelen mantener de una iteración a otra) que puede tener una convergencia alta

11 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Modelos Pasos para construir un AG Diseñar una representación Decidir cómo inicializar una población Diseñar una forma de evaluar un individuo Diseñar un operador de mutación adecuado Diseñar un operador de cruce adecuado Decidir cómo seleccionar los individuos para ser padres Decidir cómo reemplazar a los individuos Decidir la condición de parada

12 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Modelos Requisitos Debe permitir representar todo el espacio de búsqueda No debería permitir representar soluciones infactibles Debe estar ajustada al problema que representa (pequeños cambios en el individuo deben producir pequeños cambios en la solución) Debe ser fácil de decodificar Una vez que se ha decidido la codificación, se puede comenzar a definir el operador que se usará

13 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Representación Binaria La representación de un individuo se puede hacer mediante una codificación discreta, y en particular binaria

14 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Representación Real Una forma natural de codificar una solución es utilizando valores reales Muchas aplicaciones tienen esta forma natural de codificación

15 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Inicialización Aleatoria Debe ser uniforme sobre el espacio de búsqueda: Cadena binaria: 0 o 1 con probabilidad 0.5 Representación real: uniforme sobre un intervalo dado

16 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Inicialización desde una población anterior También se puede elegir la población a partir de los resultados de una heurística previa

17 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Inicialización desde una población anterior Este es el paso más costoso para una aplicación real Puede ser una subrutina, un simulador, o cualquier proceso externo Se pueden utilizar funciones aproximadas para reducir el coste de la evaluación Cuando hay restricciones, éstas se pueden introducir en el coste como penalización Con múltiples objetivos se busca una solución de compromiso

18 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Diseño de la función Procedimiento desarrollado íntegramente Uso de una aplicación ya desarrollada con anterioridad Conjunto de aplicaciones

19 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Selección Objetivo: Simular el proceso de selección natural en base a la calidad Requisitos Los individuos más aptos deben tener mayor probabilidad de ser elegidos Los individuos menos aptos deben tener oportunidad de ser elegidos Presión Selectiva: se utiliza para mejorar la convergencia. Ocurren cuando se utilizan métodos basados en el fitness

20 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Selección Aleatoria (RS) Tipos de Selección Selección por Torneo (TS): escoge al individuo de mejor fitness de entre N individuos seleccionados aleatoriamente (N = 2, 3,... ) Orden Lineal (LR): la población se ordena en función de su fitness y se asocia una probabilidad de selección a cada individuo que depende de su orden Emparejamiento Variado Inverso (NAM): escoge un padre aleatoriamente. Para el otro selecciona N padres y escoge el más lejano al primero (N = 3, 5,... ) Selección por Ruleta: asigna una probabilidad de selección proporcional al valor del fitness del individuo

21 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Selección por torneo Para cada padre a seleccionar: Escoger aleatoriamente N individuos Seleccionar el mejor de ellos N es el tamaño del torneo. A mayor N, mayor presión selectiva y viceversa

22 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Emparejamiento Variado Inverso en Binario Cruzar A con más de lejano: BCDE A B diferencias C diferencias D diferencias E diferencias

23 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce

24 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce Podríamos tener uno o más operadores de cruce para nuestra representación Algunos aspectos importantes a tener en cuenta son: Los hijos deberían heredar algunas características de cada padre. Si éste no es el caso, entonces estamos ante un operador de mutación Se debe diseñar de acuerdo a la representación La recombinación debe producir cromosomas válidos Se utiliza con una probabilidad alta de actuación sobre cada pareja de padres a cruzar (entre 0.6 y 0.9)

25 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en binario Cruce en un punto en binario

26 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en un punto en binario Cruce en binario Cruce en dos puntos en binario

27 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en codificación real Ejemplo de operador de cruce

28 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en codificación real Tanto el operador de cruce como el de mutación debe estar adaptado al problema que se está optimizando. Puede haber múltiples de ambos en un mismo código. Se puede hacer variar ambos operadores a lo largo de las generaciones. Se puede hacer un método de prueba y error hasta encontrar los más idóneos al problema.

29 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en codificación real Ejemplos: Blend crossover (BLX) Confidence interval based crossover (CIXL1, CIXL2) Partially Matched Crossover (PMX) Cycle Crossover (CX)

30 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada BLX-a 1 select two parents X (t) and Y (t) from a parent pool 2 create two offspring X (t+1) and Y (t+1) as follows: 3 for i = 1 to n do: 1 d i = x (t) i y (t) i 2 choose a uniform random real number u from interval < min(x (t) i,y (t) i ) a d i,max(x (t) i,y (t) i ) + a d i > 3 x (t+1) = u i 4 choose a uniform random real number u from interval < min(x (t) i,y (t) i ) a d i,max(x (t) i,y (t) i ) + a d i > = u 5 y (t+1) i 4 end do where: a - positive real parameter

31 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Mutación Podemos tener uno o más operadores de mutación para nuestra representación Algunos aspectos importantes a tener en cuenta son: Debe permitir alcanzar cualquier parte del espacio de búsqueda El tamaño de la mutación debe ser controlado Debe producir cromosomas e individuos válidos

32 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Mutación en codificación binaria

33 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Mutación en codificación real Propuesta Se suele utilizar la desviación estandard de cada cromosoma en la población (o en los mejores individuos)

34 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Reemplazamiento La presión selectiva se ve también afectada por la forma en que los cromosomas de la población son reemplazados por los nuevos descendientes Existen métodos de reemplazamiento aleatorios y determinísticos Podemos decidir no reemplazar al mejor individuo de la población: Elitismo Un modelo con alto grado de elitismo consiste en utilizar una población intermedia con todos los padres N y todos los descendientes y seleccionar los N mejores

35 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Estrategias En modelos estacionarios existen diferentes opciones: Reemplazar al peor de la población (RW): genera alta presión selectiva Torneo Restringido (RTS): se reemplaza al más parecido de entre N (N = 3,... ). Mantiene una cierta diversidad Peor entre semejantes (WAMS): se reemplaza el peor cromosoma del conjunto de los N (N = 3,... ) padres más parecidos al descendiente generado (seleccionados de toda la población). Busca equilibrio entre diversidad y presión selectiva Algoritmo de Crowding Determinístico (DC): el hijo (si mejora) reemplaza a su padre más parecido. Mantiene diversidad

36 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Criterio de Parada Cuando se alcanza el óptimo Recursos limitados de CPU: fijar el máximo número de evaluaciones Límite sobre la paciencia del usuario: Después de algunas iteraciones sin mejora

37 cod. binaria I Problema de optimización: minimizar f (x) = x. i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B C D

38 cod. binaria II Cruce i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B AB A 1 B C D CD 0 1 C 0 D

39 cod. binaria III Eliminación de los peores padres. i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B C D

40 cod. binaria IV Mutación. i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A A B B C D

41 cod. binaria V i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B C D

42 cod. binaria VI i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x B C BC B 1 C D A DA 0 1 D 0 A

43 cod. binaria VII i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x B C A D

44 cod. real I Minimizar f (x, y) = x 2 + y 2 ; x,y [-10,10]. i x y f (x) A B C D

45 cod. real II Cruce (a+b)/2 i x y f (x) A B AB C D CD

46 cod. real III Se eliminan los peores padres i x y f (x) A B C D

47 cod. real IV No mutación, segunda generación i x y f (x) A C AC B D BD

48 cod. real V No mutación, segunda generación i x y f (x) A C B D

49 cod. real VI Tercera generación i x y f (x) A D AD C B CB

50 cod. real VII Tercera generación i x y f (x) A D C B

51 Exploración - Explotación Evitar la convergencia prematura Exploración y Explotación Todo algoritmo de búsqueda necesita establecer un equilibrio entre dos factores aparentemente opuestos: exploración del espacio de soluciones, para realizar una búsqueda en amplitud, localizando así zonas prometedoras explotación del espacio de búsqueda, para hacer una búsqueda en profundidad en dichas zonas, obteniendo así las mejores soluciones Los algoritmos genéticos son algoritmos de búsqueda de propósito general, cuyos operadores pueden establecer un equilibrio adecuado entre exploración y explotación

52 Exploración - Explotación Evitar la convergencia prematura Convergencia y Diversidad Convergencia Centrar la búsqueda en regiones prometedoras mediante la presión selectiva La presión selectiva permite que los mejores individuos sean seleccionados para reproducirse. Es necesaria para que el proceso de búsqueda no sea aleatorio Diversidad Evitar la convergencia prematura (rápida convergencia hacia zonas que no contienen el óptimo global)

53 Exploración - Explotación Evitar la convergencia prematura Controlar la diversidad La diversidad está asociada a las diferencias entre los cromosomas en la población Falta de diversidad genética: todos los individuos en la población son parecidos Falta de diversidad convergencia prematura a óptimos locales En la práctica es irreversible. Soluciones: Inclusión de mecanismos de diversidad en la evolución Reinicialización cuando se produce convergencia prematura

54 Exploración - Explotación Evitar la convergencia prematura Evitar la convergencia prematura Propuestas Diversidad con la Mutación Diversidad con el Cruce Separación Espacial Adaptación, Auto-adaptación, Metaevolución Estrategias de Reemplazamiento

55 Exploración - Explotación Evitar la convergencia prematura Diversidad con la mutación Una alta probabilidad de mutación no soluciona la convergencia prematura Se usa una probabilidad adaptativa: Comenzar con una probabilidad alta al principio del algoritmo e ir reduciéndola conforme avanzan los ciclos. Aplicar una probabilidad alta sobre las peores soluciones y baja sobre las mejores.

56 Exploración - Explotación Evitar la convergencia prematura Diversidad con el cruce Técnicas de emparejamiento Los padres se pueden seleccionar de forma que se mantenga la diversidad de la población Prohibición de cruce basada en ascendencia. Un individuo no puede emparejarse con él mismo, ni con sus padres, ni con sus hijos, ni con sus hermanos Prohibición de incesto. Dos padres se cruzan si su distancia Hamming está por encima de cierto umbral Emparejamiento variado. Un individuo se cruza con otro que es bastante diferente

57 Exploración - Explotación Evitar la convergencia prematura (Distancia Hamming) La distancia Hamming entre y es 2. La distancia Hamming entre y es 3. La distancia Hamming entre tener y reses es 3.

58 Exploración - Explotación Evitar la convergencia prematura Separación espacial Separación espacial Los métodos de preservación de la diversidad basados en separación espacial han sido propuestos para evitar la convergencia prematura. Los más representativos son los AGs distribuidos y los AGs celulares

59 Exploración - Explotación Evitar la convergencia prematura Adaptación, Auto-adaptación, Metaevolución Adaptación Consiste en la adaptación de determinados elementos de los AGs a lo largo de la ejecución en función de su estado o información disponible sobre el espacio de búsqueda. Se utilizan diferentes herramientas para su aplicación: Funciones sobre parámetros, por ejemplo una función lineal asociada a las iteraciones para disminuir la probabilidad de mutación Sistemas de control basados en reglas difusas Coevolución de sistemas de control basados en reglas difusas,...

60 Exploración - Explotación Evitar la convergencia prematura Adaptación, Auto-adaptación, Metaevolución Auto-adaptación Evolución de los parámetros de acuerdo al comportamiento del algoritmo Metaevolución Considera la búsqueda del mejor AG para resolver un problema como un problema de optimización y se utiliza otro AG para resolverlo Un AG-metanivel opera sobre una población de AGs (cada AG es un individuo) que intentan resolver el problema en cuestión

61 Exploración - Explotación Evitar la convergencia prematura Estrategias de Reemplazamiento Objetivo Introducir mayor diversidad o convergencia en la población en función del mecanismo de reemplazamiento. Son de interés en los modelos estacionarios o cuando se introducen mecanismos de competición entre padres o hijos. Alternativas Métodos de multitud, se basan en la similitud genotípica y reemplazan al individuo más similar al generado (Modelo Estacionario) Métodos de competición entre descendientes y los padres u otros individuos de la población

62 - Resumen basados en una metáfora biológica: evolución gran potencialidad de aplicación muy populares en muchos campos muy potentes en diversas aplicaciones altas prestaciones a bajo costo

63

64 Gracias Gracias Preguntas? Más preguntas?

Algoritmos Genéticos

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. 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. 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

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

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

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

&$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 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

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

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

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

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 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

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 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

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

[ 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

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

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

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

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

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

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

SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS

SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS 62 CAPITULO 3 SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS En este capítulo se describe de manera general lo que es SISI / TS / AG / SR y se explica cada una de las opciones que

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 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

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

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

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

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

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

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

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

Modelo de un Algoritmo Genético con Selección Discriminatoria de Individuos bajo un Esquema de Ponderación de Probabilidades de Mutación

Modelo de un Algoritmo Genético con Selección Discriminatoria de Individuos bajo un Esquema de Ponderación de Probabilidades de Mutación Modelo de un Algoritmo Genético con Selección Discriminatoria de Individuos bajo un Esquema de Ponderación de Probabilidades de Mutación Victor Manuel Arroyo Apaza Orientador: Dr. Yván Jesús Túpac Valdivia

Más detalles

Universidad Veracruzana Facultad de Física e Inteligencia Articial

Universidad Veracruzana Facultad de Física e Inteligencia Articial Universidad Veracruzana Facultad de Física e Inteligencia Articial Estudio Empírico de Operadores de Cruza en Algoritmos Genéticos para resolver Problemas de Optimización con Restricciones Documento de

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

An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem

An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem Maria L. Ivanissevich UNPA Antonio S. Cofiño José Manuel Gutiérrez Universidad de Cantabria http://personales.unican.es/~gutierjm

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

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

Matemáticas Evolutivas: Algoritmos Genéticos

Matemáticas Evolutivas: Algoritmos Genéticos Matemáticas Evolutivas: Algoritmos Genéticos María Teresa Iglesias Otero Departamento de Matemáticas Universidade da Coruña Cuál es la mejor forma de...? cuál es el camino más corto a...? cuál es la más

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

Distribución Óptima de Horarios de Clases utilizando la técnica de Algoritmos Genéticos

Distribución Óptima de Horarios de Clases utilizando la técnica de Algoritmos Genéticos Distribución Óptima de Horarios de Clases utilizando la técnica de Algoritmos Genéticos Tesis Profesional Que para obtener el Título de Ingeniero en Computación Presenta CARLA LENINCA PACHECO AGÜERO Acatlima,

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

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo?

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo? Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera

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

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

OBJETIVOS. Estudiar los conceptos básicos de transmisión de señales de video y datos sobre redes de cable coaxial y fibra óptica.

OBJETIVOS. Estudiar los conceptos básicos de transmisión de señales de video y datos sobre redes de cable coaxial y fibra óptica. OBJETIVOS Estudiar los conceptos básicos de transmisión de señales de video y datos sobre redes de cable coaxial y fibra óptica. Analizar los diferentes tipos de arquitecturas utilizadas en el diseño de

Más detalles

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS 1 Introducción ALGORITMOS GENÉTICOS Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de

Más detalles

OPTIMIZACIÓN DE RUTAS DE TRANSPORTE

OPTIMIZACIÓN DE RUTAS DE TRANSPORTE OPTIMIZACIÓN DE RUTAS DE TRANSPORTE Proyecto de Sistemas Informáticos Realizado por: Andrés Aguado Aranda, Javier Jiménez de Vega Dirigido por: José Jaime Ruz Ortiz Curso 2012/2013 2 RESUMEN En este proyecto

Más detalles

M.J. Gacto, R. Alcalá, F. Herrera. VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09)

M.J. Gacto, R. Alcalá, F. Herrera. VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09) VI Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB'09) Algoritmo Genético Multi-Objetivo Avanzado para el ajuste de un sistema difuso aplicado al Control de Sistemas

Más detalles

Algoritmos Genéticos aplicados a la resolución de problemas de optimización

Algoritmos Genéticos aplicados a la resolución de problemas de optimización 1 Algoritmos Genéticos aplicados a la resolución de problemas de optimización Luis Marco Giménez lmarcogimenez@gmail.com http://www.luismarco.nom.es RESUMEN Los Algoritmos Genéticos, como paradigma principal

Más detalles

Algoritmo Genético en Ruteamiento Dinámico en WRON

Algoritmo Genético en Ruteamiento Dinámico en WRON Algoritmo Genético en Ruteamiento Dinámico en WRON Francisco Raddatz Rodrigo Von Hausen Introducción Basados en el principio Darwiniano de la evolución. un mecanismo de búsqueda altamente paralela y adaptativa

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

PROYECTO FIN DE CARRERA

PROYECTO FIN DE CARRERA UNIVERSIDAD DE CASTILLA LA MANCHA ESCUELA SUPERIOR DE INGENIERÍA INFORMÁTICA INGENIERÍA EN INFORMÁTICA PROYECTO FIN DE CARRERA Optimización y modelado del movimiento de un robot bípedo NAO usando técnicas

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

Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos

Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos TESIS DOCTORAL Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos Autor Bernabé Dorronsoro Díaz Director Dr. Enrique Alba Torres Departamento Lenguajes y Ciencias de la

Más detalles

Obtención de Sistemas Basados en Reglas Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo

Obtención de Sistemas Basados en Reglas Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo Obtención de Sistemas Basados en Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo R. Alcalá, J. Alcalá-Fdez, M. J. Gacto y F. Herrera Departamento de Ciencias de la Computación

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

Regresión simbólica con slp s.

Regresión simbólica con slp s. Regresión simbólica con slp s. Cruz Enrique Borges Hernández y José Luis Montaña 1 2 Departamento de Matemáticas, Estadística y Computación Universidad de Cantabria 7 de abril de 2011 This work is licensed

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

Propuesta de un algoritmo evolutivo aplicado a problemas de optimización

Propuesta de un algoritmo evolutivo aplicado a problemas de optimización Propuesta de un algoritmo evolutivo aplicado a problemas de optimización Javier Izetta Riera 1 y Nilda M. Pérez Otero 1 1 Grupo de Investigación y Desarrollo en Informática Aplicada, Facultad de Ingeniería,

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

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

Inteligencia Artificial para desarrolladores Conceptos e implementación en C#

Inteligencia Artificial para desarrolladores Conceptos e implementación en C# Introducción 1. Estructura del capítulo 19 2. Definir la inteligencia 19 3. La inteligencia de los seres vivos 22 4. La inteligencia artificial 24 5. Dominios de aplicación 26 6. Resumen 28 Sistemas expertos

Más detalles

M O N O G R Á F I C O: D A R W I N

M O N O G R Á F I C O: D A R W I N http://www.sinewton.org/numeros ISSN: 1887-1984 Volumen 71, agosto de 2009, páginas 29 47 Resumen Palabras clave Abstract Keywords 1. Introducción Algoritmos Genéticos. Una visión práctica Belén Melián

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

Implementación del algoritmo UEGO sobre el entorno Matlab como alternativa al toolbox de optimización

Implementación del algoritmo UEGO sobre el entorno Matlab como alternativa al toolbox de optimización Implementación del algoritmo UEGO sobre el entorno Matlab como alternativa al toolbox de optimización Victoria Plaza Leiva Universidad de Almería Abstract Global optimization algorithms are widely used

Más detalles

Optimización inspirada en la naturaleza

Optimización inspirada en la naturaleza Optimización inspirada en la naturaleza Efrén Mezura-Montes Laboratorio Nacional de Informática Avanzada (LANIA AC) Xalapa, Veracruz, MEXICO emezura@lania.mx http://www.lania.mx/~emezura 10ª feria de Posgrados

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 EVOLUTIVOS CELULARES CON RATIO VECINDARIO-POBLACIÓN DINÁMICA

ALGORITMOS EVOLUTIVOS CELULARES CON RATIO VECINDARIO-POBLACIÓN DINÁMICA ALGORITMOS EVOLUTIVOS CELULARES CON RATIO VECINDARIO-POBLACIÓN DINÁMICA Realizado por: Bernabé Dorronsoro Díaz Dirigido por: Enrique Alba Torres Departamento: LENGUAJES Y CIENCIAS DE LA COMPUTACIÓN Titulación:

Más detalles

Metaheurísticas: una visión global *

Metaheurísticas: una visión global * Metaheurísticas: una visión global * Belén Melián, José A. Moreno Pérez, J. Marcos Moreno Vega DEIOC. Universidad de La Laguna 38271 La Laguna {mbmelian,jamoreno,jmmoreno}@ull.es Resumen Las metaheurísticas

Más detalles

INSTITUTO TECNOLÓGICO DE LA PAZ

INSTITUTO TECNOLÓGICO DE LA PAZ SUBSECRETARÍA DE EDUCACIÓN SUPERIOR DIRECCIÓN GENERAL DE EDUCACIÓN SUPERIOR TECNOLÓGICA INSTITUTO TECNOLÓGICO DE LA PAZ INSTITUTO TECNOLÓGICO DE LA PAZ UN ALGORITMO HÍBRIDO PARA LA OPTIMIZACIÓN EN PARALELO

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

Belgrano. Las tesinas UNIVERSIDAD DE BELGRANO. Departamento de Investigación Abril 2003. Facultad de Ingeniería y Tecnología Informática

Belgrano. Las tesinas UNIVERSIDAD DE BELGRANO. Departamento de Investigación Abril 2003. Facultad de Ingeniería y Tecnología Informática UNIVERSIDAD DE BELGRANO Las tesinas de Belgrano Facultad de Ingeniería y Tecnología Informática Optimización evolutiva de trayectorias de plataformas robóticas Nº 72 Pablo Luis Pettis Tutor: Raimundo O.

Más detalles

Computación Evolutiva: Algoritmos Genéticos

Computación Evolutiva: Algoritmos Genéticos Computación Evolutiva: Apuntes de la asignatura: Inteligencia Artificial Razonamiento Aproximado (Máster) Daniel Manrique Gamo Profesor Titular de Universidad Índice 1. Introducción 5 1.1. Bases de la

Más detalles

CAPITULO II. MARCO TEÓRICO. Actualmente todas las personas que tengan un capital considerable pueden invertir en

CAPITULO II. MARCO TEÓRICO. Actualmente todas las personas que tengan un capital considerable pueden invertir en CAPITULO II. MARCO TEÓRICO II.1. Mercados Financieros II.1.1 Marco histórico Actualmente todas las personas que tengan un capital considerable pueden invertir en acciones a fin de obtener ganancias rápidas

Más detalles

Simulación, Método de Montecarlo

Simulación, Método de Montecarlo Simulación, Método de Montecarlo Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2011 Introducción 2 Introducción............................................................

Más detalles

Simulación Simulación : Modelo de simulación: Proceso de simulación:

Simulación Simulación : Modelo de simulación: Proceso de simulación: Simulación Simulación : es el proceso de diseñar y desarrollar un modelo de un sistema o proceso para conducir experimentos con el propósito de entender el comportamiento del sistema o evaluar varias estrategias

Más detalles

Librería de Algoritmos Genéticos para Arquitectura (LAGA)

Librería de Algoritmos Genéticos para Arquitectura (LAGA) Librería de Algoritmos Genéticos para Arquitectura (LAGA) Genetic Algorithms Architectural Library Carlos Ignacio de la Barrera Poblete designemergente.com, Chile - España cidelab@gmail.com Abstract LAGA

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES

Más detalles

Generador de casos de prueba genético

Generador de casos de prueba genético Generador de casos de prueba genético Álvaro Galán Piñero Ingeniería Técnica en Informática de Sistemas, Universidad de Cádiz 24 de Septiembre 2012 1 / 42 Índice 1 Motivación y contexto 2 Planificación

Más detalles

Introducción a la Investigación Operativa. Enfoque Metodológico y los procesos decisorios

Introducción a la Investigación Operativa. Enfoque Metodológico y los procesos decisorios 1. Introducción A partir de la primera revolución industrial, se produce el crecimiento de la complejidad organizacional Surge la tendencia al crecimiento de los subsistemas en forma autónoma, con sus

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

Regulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID

Regulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID A Página 1 de 10 A Regulador PID INDICE 1. Regulador PID 3 2. Componente proporcional : P 4 3. Componente integral : I 4 4. Componente derivativa : D 4 5. Control PID 4 6. Configuración de parámetros del

Más detalles

Resumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración

Resumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración 5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)

Más detalles

REPROGRAMACIÓN DE LA ASIGNACIÓN DE CAMIONES PARA EL TRANSPORTE DE PRODUCTOS FORESTALES BAJO UN ENFOQUE MULTIOBJETIVO

REPROGRAMACIÓN DE LA ASIGNACIÓN DE CAMIONES PARA EL TRANSPORTE DE PRODUCTOS FORESTALES BAJO UN ENFOQUE MULTIOBJETIVO UNIVERSIDAD DEL BÍO-BÍO FACULTAD DE INGENIERÍA DPTO. DE INGENIERÍA INDUSTRIAL Profesor Guía: Luis Ceballos A REPROGRAMACIÓN DE LA ASIGNACIÓN DE CAMIONES PARA EL TRANSPORTE DE PRODUCTOS FORESTALES BAJO

Más detalles

7. Conclusiones. 7.1 Resultados

7. Conclusiones. 7.1 Resultados 7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar

Más detalles

APRENDIZAJE HÍBRIDO DE LA BASE DE CONOCIMIENTO DE UN SISTEMA BASADO EN REGLAS DIFUSAS MEDIANTE ALGORITMOS GENÉTICOS Y COLONIAS DE HORMIGAS

APRENDIZAJE HÍBRIDO DE LA BASE DE CONOCIMIENTO DE UN SISTEMA BASADO EN REGLAS DIFUSAS MEDIANTE ALGORITMOS GENÉTICOS Y COLONIAS DE HORMIGAS APRENDIZAJE HÍBRIDO DE LA BASE DE CONOCIMIENTO DE UN SISTEMA BASADO EN REGLAS DIFUSAS MEDIANTE ALGORITMOS GENÉTICOS Y COLONIAS DE HORMIGAS J. Casillas, O. Cordón, F. Herrera P. Villar Dept. Ciencias de

Más detalles

UNIVERSIDAD NACIONAL DE TRUJILLO

UNIVERSIDAD NACIONAL DE TRUJILLO UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS ESCUELA ACADEMICO PROFESIONAL DE INFORMÁTICA DESARROLLO DE UN SISTEMA INTELIGENTE BASADO EN ALGORITMOS GENETICOS PARA INCREMENTAR

Más detalles

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 1 Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 2 ÍNDICE Introducción 3 Aplicaciones de la Simulación 3 La Metodología de la Simulación por Computadora 5 Sistemas, modelos

Más detalles

ALGORITMO GENÉTICO APLICADO AL PROBLEMA DE ASIGNACIÓN DE CANAL EN COMUNICACIONES MÓVILES CELULARES

ALGORITMO GENÉTICO APLICADO AL PROBLEMA DE ASIGNACIÓN DE CANAL EN COMUNICACIONES MÓVILES CELULARES Memorias de la XVII Semana Regional de Investigación y Docencia en Matemáticas, Departamento de Matemáticas, Universidad de Sonora, México. Mosaicos Matemáticos No. 2, agosto 27, pp. 29-36. Nivel Superior

Más detalles

Tema 11. Soporte del Sistema Operativo 11.1. REQUERIMIENTOS DE LOS SISTEMAS OPERATIVOS. 11.1.1. MULTIPROGRAMACIÓN.

Tema 11. Soporte del Sistema Operativo 11.1. REQUERIMIENTOS DE LOS SISTEMAS OPERATIVOS. 11.1.1. MULTIPROGRAMACIÓN. Tema 11 Soporte del Sistema Operativo 11.1. REQUERIMIENTOS DE LOS SISTEMAS OPERATIVOS. El sistema operativo es básicamente un programa que controla los recursos del computador, proporciona servicios a

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

Optimización de consultas Resumen del capítulo 14

Optimización de consultas Resumen del capítulo 14 Optimización de consultas Resumen del capítulo 14 Libro: Fundamentos de Bases de Datos Silberschatz et al. 5ed. Dr. Víctor J. Sosa Agenda 1. Visión general 2. Estimación de las estadísticas de los resultados

Más detalles

Grado de Ingeniería de Sistemas Audiovisuales.

Grado de Ingeniería de Sistemas Audiovisuales. Título: Autor: Titulación: Tutor: Diseño de Estrategias Óptimas en el Póker mediante Algoritmos Genéticos. Gabriel Marco Ángeles. Grado de Ingeniería de Sistemas Audiovisuales. José Miguel Leiva Murillo.

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

German Flórez Larrahondo Miguel Eduardo Torres Moreno

German Flórez Larrahondo Miguel Eduardo Torres Moreno SIMULADOR PARA LA CONSTRUCCIÓN DE CIRCUITOS COMBINACIONALES POR MEDIO DE ALGORITMOS GENÉTICOS CON APLICACIÓN A UN SUMADOR DE 3 BITS, ORIENTADO A DISPOSITIVOS REPROGRAMABLES German Flórez Larrahondo Miguel

Más detalles