Uploaded by Eulerianos Hamiltonianos

Taxonomía de un algoritmo genético (IA)

advertisement
Taxonomía de un
algoritmo genético
Adaptado de “Genetic algorithms”, Dr. Angel Kuri Morales, 1998
Categoría
Codificación
Clasificación
Primaria
Secundaria
Numérica
Pesada
No pesada
No numérica
Población
inicial
Aleatoria
Dirigida
Por genoma
Por solución
Mixta
Evaluación
Directa
Normalizada
Selección
Probabilística
Uniforme
Normal
Nietzsche
Supervivencia Uno a uno
Mutación
Migración
Individuos al azar
¿Cómo determinar el número de
individuos con los cuáles empezar
la simulación y cómo generarlos?
“Prototipos”: 1*, 0*, (10)*
Individuos selectos a genomas
60% +20% +20%
(Ver fórmulas en recuadro)
¿Cómo se procesa el desempeño
obtenido a fin de seleccionar
luego?
Torneo
Distribución gaussiana
(% desempeño)
Variedad: Mejor  Peor
Desempeño: Mejor  Siguiente
Una vez determinado el
desempeño de cada individuo de
la generación, ¿cómo decidir
cuántas veces y con quién será
cruzado para generar los
descendientes de la generación?
P  M  O, A
El tamaño de la generación, ¿se
mantiene constante o varía?
Uno a muchos
Lineal
Bit a bit
Anular
Intercambio por bloques
Intercambio por bits
Corrimiento de bits
¿Cómo se producen individuos
nuevos a partir de individuos ya
existentes?
0.005  Pm  0.01
Gauss
“Mutación inteligente”
¿Cómo se introduce –y mantiene–
la variedad genética de las
poblaciones y ampliar la
búsqueda?
Sin elitismo
Parcial
Completa
Todos mueren
¿Qué ocurre con los individuos
que van quedando atrás en una
generación? ¿Se guarda a los
mejores o también desaparecen?
Sin migración
Débil
Un solo núcleo poblacional
Aleatoria
Fuerte
Criterio de
paro
¿Cómo representar en una cadena
genética (genoma) una posible
solución a un problema
determinado?
P “juega” más de una vez
Uniforme
Normal
Dirigida
Elitismo
Conceptos y comentarios
Código binario posicional
Código de Gray
Conexión entre dos nodos
dados de un grafo
Bits, “Trits”, …
Tomar el desempeño tal cual
Determinística Vasconcelos
Cruzamiento
Ejemplos
Algunos mueren
Nadie muere
Aleatoria
Período fijo
Aleatoria
Período fijo
Número de generaciones
Desempeño
Desviación
Razón mejor/media
Se intercambian individuos al
azar
Se intercambian individuos
seleccionados
Digamos 100
Ya se encontró al mejor
Durante x generaciones las
poblaciones no varían mucho
El mejor ya no lo es tanto
¿Cómo mantener la variedad
genética de las poblaciones y
aprovechar las ventajas del
procesamiento paralelo?
¿Cuándo finalizar la simulación
del algoritmo genético?
Download