VENTAJAS Y DESVENTAJAS DE LOS ALGORITMOS GENÉTICOS.

Algunas de las ventajas destacables de los algoritmos genéticos es el procesamiento paralelo de las soluciones contrario a algoritmos convencionales que trabajan en serie y solo pueden explorar soluciones en una dirección al mismo tiempo, la fácil programación (con respecto a un AG simple) y la potencialidad de los algoritmos genéticos. Los algoritmos genéticos simples (AGS) descritos en este trabajo abarcan solo dos representaciones de búsqueda y quedan limitados a lo establecido por un algoritmo genético simple, la potencialidad depende en gran medida a la complejidad empleada en la utilización de los AG, este trabajo reporta un AGS visualizado en la figura 3.6. La ventaja del trabajo paralelo es la exploración y explotación del espacio de soluciones en múltiples direcciones, si un camino resulta ser un callejón sin salida puede eliminarlo y continuar el trabajo en caminos más prometedores, proporcionándoles una mayor probabilidad en cada ejecución de encontrar una mejor solución. Como se menciono en el enunciado anterior una de las principales ventajas es permitir factores que proporcionan la mayoría de las metas heurísticas [3] el permitir la explotación y exploración de diferentes zonas (diversificación e intensificación como en TS) del espacio de búsqueda permitiendo salir de un óptimo local a los AG, no siempre se encuentra el óptimo local por lo general es un punto cercano al óptimo global o en demasiadas ocasiones se trata de un óptimo local muy alto concluyendo que no siempre podemos asegurar que se ha encontrado el óptimo global a través del recurso proporcionado por una meta heurística, por ejemplo pensemos en un paisaje (como ejemplo ventajoso de los algoritmos genéticos)[14] contamos con un avión militar que transporta un escuadrón de paracaidistas que serán desembarcados sobre un paisaje con las ordenes de buscar el pico más alto, el operador mutación y cruzamiento realizarán trabajos individuales con asociación de información la mutación sobre un individuo permitirá que este explora colinas más altas cercanas a sus proximidades donde la selección enfoca el progreso, guiando a la descendencia del algoritmo cuesta arriba hacia zonas más prometedoras del espacio de soluciones mientras que el operador de cruzamiento que desempeña quizás el papel más importante durante la búsqueda evitar que los paracaidistas consideren solo una dirección en las rutas intercambiando información con los demás miembros del escuadrón .

Las desventajas principales de los AG no están relacionados con su funcionamiento básico sino con el entorno del dominio demostrando como los individuos Suelen desenvolverse en la naturaleza, un humano no podría ser capaz de cargar un camión para desplazarlo de un lugar a otro pero si es lo suficientemente inteligente para tener la destreza de ocupar herramientas al alcance, las desventajas suelen ser consideradas con la

robustez del problema porque al crear un algoritmo genético la principal desventaja es la representación del propio problema. El lenguaje utilizado para especificar las soluciones candidatas debe ser robusto; es decir ser capaz de tolerar cambios aleatorios que no produzcan constantemente errores fatales o resultados sin sentido. Otro problema es como escribir la función aptitud (función objetivo de cada individuo) debe considerarse cuidadosamente porque los AG pueden trabajar con funciones aptitud engañosas y la calidad de la solución sea equivocada. La convergencia prematura y el utilizar el tamaño de poblaciones muy pequeñas podría incluso extinguir a dichas poblaciones o mermar la diversidad de la población demasiado pronto, traducido en la aparición de un individuo demasiado apto a sobrevivir comparado con el resto de los individuos, lo que provocaría dirigir la búsqueda hacia el óptimo local de tal individuo, evitando zonas que pudieran ser más prosperas. Como se ha mencionado los AG son técnicas de optimización evolutivas que nos permiten imitar la evolución viviente y transmitirla a problemas reales, otra desventaja que se puede presentar al igual que la naturaleza es la caracterización molecular existen individuos que no están listos para resistir estructuras biológicas que otros individuos podrían resistir, si la caracterización del dominio es equivoca para un problema en particular los algoritmos realizarán lo que uno indique pero la búsqueda arrojará resultados indeseables.

La última desventaja mencionada en este trabajo y recomendada bajo la literatura existente acerca del funcionar de los algoritmos genéticos tiene que ver con no utilizar los AG en problemas resolubles de manera analítica. No es que los algoritmos genéticos no puedan encontrar soluciones buenas para estos problemas; simplemente los métodos analíticos tradicionales consumen mucho menos tiempo y potencia computacional que los AG, esta demostrado matemáticamente que ofrecen una solución única exacta, por supuesto como no existe una solución matemática perfecta para ningún problema de adaptación biológica, este problema no aparece en la naturaleza.

3.5. ESQUEMAS.

Existe una notación que representa los individuos en una forma diferente hasta el momento descrita, llamados esquemas son utilizados para representar conjuntos de cadenas binarias [7] [16], recordando que las cadenas binarias están compuestas de 1 y 0 pueden existir conjuntos con similitudes en ciertas posiciones como A{1000101110} y B{1010100111} las posiciones con diferentes valores pueden representarse por el símbolo * ∴puede representar 10*010111* representa los conjuntos A y B. Como cualquier descripción matemática tiene sus variables representativas de algunas medidas como o(H) se denomina orden del esquema, donde H es el esquema, la distancia entre la primera y la última posición explícita se denomina longitud de definición y se simboliza por δ(H), a continuación se describen estos conceptos:

Figura 3.6. Conceptos generales utilizados en un esquema.

1 0 * * 1 1 * δ(H) Esquema δ(H) = 6-1 = 5 o(H) = 4 1 2 3 4 5 6 7

BÚSQUEDA POR TABÚ Y