Tipo de representación

Como se expresó anteriormente, los algoritmos genéticos, requieren que un conjunto de variables se codifique en un cromosoma. Durante los primeros años el tipo de representación utilizado era siempre binario debido a que se adapta perfectamente al tipo de operaciones y el tipo de operadores que se utilizan en la AG. Sin embargo, se empezaron a utilizar otras formas de representación en distintas aplicaciones.

CAPÍTULO 2. MATERIALES Y METODOS

32

En general, una representación ha de ser capaz de identificar las características constituyentes de un conjunto de soluciones, de forma que distintas representaciones dan a lugar a distintas perspectivas y por tanto distintas soluciones. Se pueden considerar cuatro tipos básicos de representaciones:

 Binaria: Cada gen es un valor 0 ó 1 (Ej. 10011)

 Entera: Cada gen es un valor entero. (Ej. 12 4 7 0 -5)

 Real: Cada gen representa un valor real. (Ej. 10 12,5 0,46 1,75)

 Gramatical: Cada gen es representado por letras y/o símbolos. Este tipo de codificación esta descrito ampliamente por [13] (Ej. H-3 B+3 B-1 B+3)

2.6.2 Población inicial

Se debe tener en cuenta que las poblaciones pequeñas corren el riesgo de no cubrir adecuadamente el espacio de búsqueda, mientras que el trabajo con poblaciones de gran tamaño puede acarrear problemas relacionados con el excesivo costo computacional. En la mayoría de los estudios realizados con AG habitualmente se escoge la población inicial de forma aleatoria en la población total que está constituida por un conjunto de cromosomas, que representan las posibles soluciones del problema.

En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la población inicial, se tenga la diversidad estructural de estas soluciones para tener una representación de la mayor parte de la población posible o al menos evitar la convergencia prematura hacia óptimos locales.

No existe una fórmula que permita conocer el tamaño correcto a utilizar, pero se recomienda que la selección del tamaño de la población debe estar en función del problema en estudio, es decir, que no sea lo suficiente pequeño para que el resultado final no resulte un óptimo local, pero que tampoco sea tan grande para que el costo computacional no sea muy elevado.

CAPÍTULO 2. MATERIALES Y METODOS

33

2.6.3 Función de Adaptación

Se utiliza una función de evaluación (llamada también función de error) para conocer qué tan bueno es un individuo, y esta función permite evaluar la calidad de los individuos en cada generación. En la mayoría de los casos se transforma la función de evaluación en una función de aptitud (fitness) para controlar la diversidad de la población y hacer que las evaluaciones siempre tomen valores positivos pues se busca maximizar el fitness.

2.6.4 Variantes de Selección

Al codificar todos los individuos de una generación, el algoritmo debe, al igual que lo hace la naturaleza, seleccionar a los individuos más calificados, mejor adaptados al medio, para que tengan mayor oportunidad de reproducción. De esta forma se incrementa la probabilidad de tener individuos “buenos” (con alta calificación) en el futuro. Un AG puede utilizar muchas técnicas diferentes para seleccionar a los individuos que deben copiarse hacia la siguiente generación, a continuación se describen las técnicas más usadas y se brinda una breve descripción de cada una de las mismas.

 Selección Aleatoria. Se genera dos números aleatorios entre 0 y el tamaño de la población. Será escogido como padre, aquel individuo cuya posición dentro del vector población se corresponda al número aleatorio generado.

 Selección por Ruleta. Los individuos son evaluados por su función de adaptación y se les asigna una proporción equivalente a ella en un intervalo de probabilidad acumulada. A mayor valor de fitness, mayor proporción tendrá asociada y mayor probabilidad de ser elegido como padre.

 Selección por Torneo. Este tipo de selección escoge al azar m individuos de la población, de ellos será elegido como padre el individuo que tenga el mayor valor de la función fitness. Este procedimiento se realiza dos veces, uno para cada padre.

CAPÍTULO 2. MATERIALES Y METODOS

34

2.6.5 Tipos de Cruce

Una vez seleccionados los individuos, éstos son recombinados para producir la descendencia que se insertara en la siguiente generación. Tal y como se ha indicado anteriormente el cruce es una estrategia de reproducción sexual. Su importancia para la transición entre generaciones es elevada, por tanto las tasas de cruce con las que se sueletrabajar rondan el 70% y 80%. Entre los modos de cruces que existen, se pueden observar generalmente:

 Cruce de Un Punto. Cada vez seleccionados dos padres se cortan sus cromosomas por un punto determinado para generar dos segmentos diferenciados en cada uno de ellos la cabeza y la cola. Se intercambian las colas entre dos individuos para generar los nuevos descendientes, de esta manera ambos descendientes heredan información genética de los padres. Véase la figura 2. Donde se representa lo anterior.

Figura 2. Cruce de Un Punto

 Cruce Uniforme. Para cada bit del primer descendiente se decide, según una cierta probabilidad uniforme, de cual progenitor heredará su valor de posición. El segundo descendiente recibe el correspondiente gen del otro progenitor.

CAPÍTULO 2. MATERIALES Y METODOS

35

2.6.6 Tipos de Mutación

Cuando se dice en la naturaleza que hay una mutación se refiere a una alteración accidental en el código genético de los seres vivos. El objetivo de su uso en los AG es generar nuevos individuos que exploren regiones del dominio del problema que probablemente no se han visitado aún. Esta exploración no presupone conocimiento alguno, es decir no es sesgada. Se buscan aleatoriamente nuevas soluciones posibles que quizá superen las encontradas hasta el momento. Esta es una de las características que hacen aplicables a los AG a una gran variedad de problemas: no presuponer conocimiento previo acerca del problema a resolver ni de su dominio, no solo en la mutación sino en el proceso total.