UNIVERSIDAD NACIONAL DE INGENIERA

FACULTAD DE INGENIERA INDUSTRIAL Y DE SISTEMAS

CURSO:
INVESTIGACIN DE OPERACIONES II - V
TEMA DE INVESTIGACIN:
ALGORITMOS GENTICOS
PROFESOR:
Ing. EYZAGUIRRE TEJADA, Roberto
INTEGRANTES:
20124058E/APARI BACILIO, Edson Diego
20121251I /PAYANO YALE, Richard Cristian
20101187C/ROJAS TICONA, Cesar Jose

2014

Contenido
I. INTRODUCCIN............................................................................................ 2
III. FUNDAMENTO TERICO............................................................................. 2
IV. DESCRIPCIN DEL PROBLEMA...................................................................2
V. ANTECEDENTES.......................................................................................... 2
VI. EVALUACIN DEL PROBLEMA CON ALGORITMOS GENTICOS..................2
VII. RESULTADOS............................................................................................ 2
VIII. CONCLUSIONES....................................................................................... 2
IX. REFERENCIAS BIBLIOGRAFICAS................................................................2

I. INTRODUCCIN
P g i n a 2 | 18

El problema de enrutamiento adaptativo consiste en la eleccin de una ruta

no peor pero no necesariamente ptima al tratar de visitar n lugares (n
dinmico), siendo inmediata la reaccin del agente mvil tras variar n, cabe
decir el dron. Entendamos como ruta ptima al mnimo recorrido del dron
para visitar las n ciudades, traducindose como la suma mnima de las
distancias entre los lugares, pero examinar y determinar la ruta mnima
podra tardar desde minutos hasta aos, dependiendo fundamentalmente de
n que representa el nmero de lugares a visitar, si analizamos

18

lugares(distintos) tendramos alrededor de 3,628,800 rutas; mientras el valor

de n crezca las posibles rutas por su parte tambin, incluso si se busca esta
solucin con una computadora moderna, esta tardara en hallarla por el
cuantioso nmero de operaciones que calculara, resultando intil si es de
inters aquella ruta inmediatamente, y peor an si este parmetro cambia.
Por el problema expuesto nos enfocamos resolverlo utilizando algoritmos
genticos; aunque si bien esto no nos garantiza una solucin ptima, se
podra utilizar la mejor solucin que se haya encontrado al atravesar por una
variacin de n, o al momento de pedirlo.

II. FUNDAMENTO TERICO

Algoritmos Genticos
Definicin
Un algoritmo es una serie de pasos organizados que describe el proceso que se debe
seguir, para dar solucin a un problema especfico. En los aos 1970, de la mano

P g i n a 3 | 18

de John Henry Holland, surgi una de las lneas ms prometedoras de la inteligencia

artificial, la de los algoritmos genticos. Son llamados as porque se inspiran en la
evolucin biolgica y su base gentico-molecular. Estos algoritmos hacen evolucionar
una poblacin de individuos sometindola a acciones aleatorias semejantes a las que
actan en la evolucin biolgica, as como tambin a una seleccin de acuerdo con
algn criterio, en funcin del cual se decide cules son los individuos ms adaptados,
que sobreviven, y cules los menos aptos, que son descartados. Los algoritmos
genticos se enmarcan dentro de los algoritmos evolutivos, que incluyen tambin
las estrategias evolutivas, la programacin evolutiva y la programacin gentica.

Problemtica
En la naturaleza los individuos de una poblacin compiten entre s en la bsqueda de
recursos tales como comida, agua y refugio. Incluso los miembros de una misma
especie compiten a menudo en la bsqueda de un compaero. Aquellos individuos
que tienen ms xito en sobrevivir y en atraer compaeros tienen mayor probabilidad
de generar un gran nmero de descendientes. Por el contrario individuos poco dotados
producirn un menor nmero de descendientes. Esto significa que los genes de los
individuos mejor adaptados se propagarn en sucesivas generaciones hacia un
nmero de individuos creciente. La combinacin de buenas caractersticas
provenientes de diferentes ancestros, puede a veces producir descendientes
"superindividuos", cuya adaptacin es mucho mayor que la de cualquiera de sus
ancestros.

De

esta

manera,

las

especies

evolucionan

logrando

unas

caractersticas cada vez mejor adaptadas al entorno en el que viven.

Los Algoritmos Genticos usan una analoga directa con el comportamiento natural.
Trabajan con una poblacin de individuos, cada uno de los cuales representa una
solucin factible a un problema dado. A cada individuo se le asigna un valor
puntuacin, relacionado con la bondad de dicha solucin. En la naturaleza esto
equivaldra al grado de efectividad de un organismo para competir por unos
determinados recursos. Cuanto mayor sea la adaptacin de un individuo al problema,
mayor ser la probabilidad de que el mismo sea seleccionado para reproducirse,
cruzando su material gentico con otro individuo seleccionado de igual forma. Este
cruce producir nuevos individuos .Descendientes de los anteriores los cuales
comparten algunas de las caractersticas de sus padres. Cuanto menor sea la
adaptacin de un individuo, menor ser la probabilidad de que dicho individuo sea
seleccionado para la reproduccin, y por tanto de que su material gentico se
propague en sucesivas generaciones.

P g i n a 4 | 18

De esta manera se produce una nueva poblacin de posibles soluciones, la cual

reemplaza a la anterior y verifica la interesante propiedad de que contiene una mayor
proporcin de buenas caractersticas en comparacin con la poblacin anterior. As a
lo largo de las generaciones las buenas caractersticas se propagan a travs de la
poblacin. Favoreciendo el cruce de los individuos mejor adaptados, van siendo
exploradas las reas ms prometedoras del espacio de bsqueda. Si el Algoritmo
Gentico ha sido bien diseado, la, poblacin converger hacia una solucin ptima
del problema.

Ventajas y Desventajas
Ventajas
No necesitan conocimientos especficos sobre el problema que intentan resolver.

Operan de forma simultnea con varias soluciones, en vez de trabajar de forma

secuencial como las tcnicas tradicionales.

Cuando se usan para problemas de optimizacin maximizar una funcin

objetivo- resultan menos afectados por los mximos locales que las tcnicas
tradicionales.

Resulta

sumamente

fcil

ejecutarlos

en

las

modernas

vez

de

los

arquitecturas

masivamente paralelas.

Usan

operadores

probabilsticos,

en

tpicos

operadores

determinsticos de las otras tcnicas.

Desventajas

Pueden tardar mucho en converger, o no converger en absoluto, dependiendo

en cierta medida de los parmetros que se utilicen tamao de la poblacin,
nmero de generaciones, etc.

Pueden converger prematuramente debido a una serie de problemas de

diversa ndole.

P g i n a 5 | 18

Limitaciones
El poder de los Algoritmos Genticos proviene del hecho de que se trata de una
tcnica robusta, y pueden tratar con xito una gran variedad de problemas
provenientes de diferentes reas, incluyendo aquellos en los que otros mtodos
encuentran dificultades. Si bien no se garantiza que el Algoritmo Gentico encuentre la
solucin ptima, del problema, existe evidencia emprica de que se encuentran
soluciones de un nivel aceptable, en un tiempo competitivo con el resto de algoritmos
de optimizacin combinatoria. En el caso de que existan tcnicas especializadas para
resolver un determinado problema, lo ms probable es que superen al Algoritmo
Gentico, tanto en rapidez como en eficacia. El gran campo de aplicacin de los
Algoritmos Genticos se relaciona con aquellos problemas para los cuales no existen
tcnicas especializadas. Incluso en el caso en que dichas tcnicas existan, y funcionen
bien, pueden efectuarse mejoras de las mismas hibridndolas con los Algoritmos
Genticos.

Como Saber si es Posible usar un Algoritmo Gentico

La aplicacin ms comn de los algoritmos genticos ha sido la solucin de problemas
de optimizacin, en donde han mostrado ser muy eficientes y confiables. Sin embargo,
no todos los problemas pudieran ser apropiados para la tcnica, y se recomienda en
general tomar en cuenta las siguientes caractersticas del mismo antes de intentar
usarla:

Su espacio de bsqueda debe estar delimitado dentro de un cierto rango.

Debe poderse definir una funcin de aptitud que nos indique qu tan buena o
mala es una cierta respuesta.

Las soluciones deben codificarse de una forma que resulte relativamente fcil
de implementar en la computadora.

El primer punto es muy importante, y lo ms recomendable es intentar resolver

problemas que tengan espacios de bsqueda discretos aunque stos sean muy
grandes. Sin embargo, tambin podr intentarse usar la tcnica con espacios de
bsqueda continuos, pero preferentemente cuando exista un rango de soluciones
relativamente pequeo.

P g i n a 6 | 18

La funcin de aptitud no es ms que la funcin objetivo de nuestro problema de

optimizacin. El algoritmo gentico nicamente maximiza, pero la minimizacin puede
realizarse fcilmente utilizando el recproco de la funcin maximizante. Una
caracterstica que debe tener esta funcin es que tiene ser capaz de "castigar" a las
malas soluciones, y de "premiar" a las buenas, de forma que sean estas ltimas las
que se propaguen con mayor rapidez.
La codificacin ms comn de las soluciones es a travs de cadenas binarias,
aunque se han utilizado tambin nmeros reales y letras. El primero de estos
esquemas ha gozado de mucha popularidad debido a que es el que propuso
originalmente Holland, y adems porque resulta muy sencillo de implementar.

Funcionamiento
Los algoritmos genticos funcionan entre el conjunto de soluciones de un problema
llamado fenotipo, y el conjunto de individuos de una poblacin natural, codificando la
informacin de cada solucin en una cadena, generalmente binaria, llamada
cromosoma. Los smbolos que forman la cadena son llamados los genes. Cuando la
representacin de los cromosomas se hace con cadenas de dgitos binarios se le
conoce como genotipo. Los cromosomas evolucionan a travs de iteraciones,
llamadas generaciones. En cada generacin, los cromosomas son evaluados usando
alguna medida de aptitud. Las siguientes generaciones, son generadas aplicando
los operadores

genticos repetidamente,

siendo

estos

los

operadores

de seleccin, cruzamiento, mutacin y reemplazo.

Un algoritmo gentico puede presentar diversas variaciones, dependiendo de cmo se
aplican los operadores genticos, de cmo se realiza la seleccin y de cmo se decide
el reemplazo de los individuos para formar la nueva poblacin. En general,
el pseudocdigo consiste de los siguientes pasos:

P g i n a 7 | 18

Algoritmo
evaluacin, ?:
Se: seleccin,
mutacin, Re:

gentico i: inicializacin, f(X):

condicin de trmino,
Cr: cruzamiento, Mu:
reemplazo, X*: mejor solucin.

Inicializacin:

Se

genera aleatoriamente la poblacin inicial, que est constituida por un conjunto

de cromosomas los cuales representan las posibles soluciones del problema.
En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de
la poblacin inicial, se tenga la diversidad estructural de estas soluciones para
tener una representacin de la mayor parte de la poblacin posible o al menos
evitar la convergencia prematura.
Evaluacin: A cada uno de los cromosomas de esta poblacin se aplicar la
funcin de aptitud para saber cmo de "buena" es la solucin que se est
codificando.
Condicin de trmino El AG se deber detener cuando se alcance la solucin
ptima, pero sta generalmente se desconoce, por lo que se deben utilizar
otros criterios de detencin. Normalmente se usan dos criterios: correr el AG un
nmero mximo de iteraciones (generaciones) o detenerlo cuando no haya
cambios en la poblacin. Mientras no se cumpla la condicin de trmino se
hace lo siguiente:
o

Seleccin Despus de saber la aptitud de cada cromosoma se procede

a elegir los cromosomas que sern cruzados en la siguiente
generacin. Los cromosomas con mejor aptitud tienen mayor
probabilidad de ser seleccionados.

Recombinacin o Cruzamiento La recombinacin es el principal

operador gentico, representa la reproduccin sexual, opera sobre dos
cromosomas a la vez para generar dos descendientes donde se
combinan las caractersticas de ambos cromosomas padres.

P g i n a 8 | 18

Mutacin modifica al azar parte del cromosoma de los individuos, y

permite alcanzar zonas del espacio de bsqueda que no estaban
cubiertas por los individuos de la poblacin actual.

Reemplazo una

vez

aplicados

los

operadores

genticos,

se seleccionan los mejores individuos para conformar la poblacin de la

generacin siguiente.

Comparacin con otros mtodos de optimizacin

Algoritmos Genticos y Matemticos
Existen problemas de optimizacin que pueden ser resueltos por la implementacin de
un algoritmo tradicional. En este caso lo ms conveniente es utilizarlo.

Ecuacin 1

Para resolver un problema que requiera como solucin saber solamente cual nmero
es ms grande, resulta ms eficaz utilizar el algoritmo matemtico directamente.
Sin embargo, stos no son aplicables a problemas que posean algunas de estas
caractersticas:

La funcin representativa del problema no es continua. En este caso el mismo

no es computable. Los algoritmos genticos pueden trabajar con todo tipo de
funciones ya que encontrarn un mnimo aceptable si no es posible encontrar
el ptimo.

La funcin representativa es dinmica: La relacin entre las variable cambia

dependiendo de los valores que tomen las mismas. Esta relacin puede ser
advertida o no. Las reglas del tipo:
"X es igual a Y si el valor de X es chico;
X es 1.5 de y si el valor de X es grande
No se sabe que pasa para valores medios de X"

P g i n a 9 | 18

No pueden ser convertidas en un algoritmo algebraico ya que existen valores que se

desconocen. A diferencia de un algoritmo tradicional, un algoritmo gentico puede ser
diseado para trabajar bajo estas condiciones.

Algoritmos Genticos y Mtodos Enumerativos

Existe la posibilidad terica de encontrar soluciones a problemas a optimizacin
enumerando todas las soluciones posibles para todos los casos y posteriormente
buscando la misma en la base de datos resultante. Los problemas se limitan entonces
a un sistema de bsqueda eficiente del caso concreto. Por ejemplo los libros con
tablas de logaritmos tradicionales constan de una larga serie de clculos para todos
los valores usuales. La solucin consiste simplemente en buscar en la lista el nmero
decimal y retornar el logaritmo dado.
La memorizacin de las tablas de multiplicar que se ensean a los nios es otro
ejemplo usual. Se espera que ante la pregunta Cunto es siete por cinco? los nios
respondan instantneamente "35" sin tener que estar calculando mentalmente la
multiplicacin.
Este mtodo es factible siempre que el nmero de valores sea manejable. De otra
manera el simple clculo de los mismos se vuelve imposible. Ejemplo: Generar una
tabla que contenga todas las movidas de todos los partidos posibles de un juego de
damas resultara imposible de hacer en la prctica.
La " memorizacin " de una serie de datos no es otra cosa que la construccin en la
memoria del equivalente a una base de datos en donde se busca la pregunta y se
encuentra automticamente la respuesta.
Los algoritmos genticos usan heurstica para la resolucin de problemas, lo cual
limita drsticamente el nmero de datos a utilizar.

Algoritmos Genticos y Sistemas Expertos

Un Sistema Experto es un programa de computadora que encuentra soluciones a
problemas del tipo condicional con la estructura:
Si ocurren los hechos A, B, C, D, cul sera el valor del suceso E
Ejemplo: Si un anlisis mdico detecta los sntomas A, B, C y D en un paciente, Cul
ser la enfermedad del sujeto?

P g i n a 10 | 18

Ejemplo: Si el anlisis geolgico de una capa de suelo detecta la presencia de los

compuestos qumicos A, B, C y D Es factible que exista petrleo en la misma?
Si bien existen en la literatura ejemplos de la utilidad de sta tcnica, las reglas deben
ser provistas por un especialista en el tema. Por ende, se requiere que los
conocimientos estn disponibles, que sean estructurados o factibles de ser y que los
hechos de la realidad sean relativamente estticos, es decir que las causas para
arribar a una determinada conclusin no cambien, ya que cada vez que esto sucede,
los expertos deben reelaborar las reglas, lo cual dificulta y retarda considerablemente
la operatoria del sistema.
Los Sistemas Expertos tuvieron su apogeo en la dcada de los 80`s , aproximadamente
de 1979 a 1985. En esa poca se los lleg a considerar verdaderas panaceas que
resolveran muchos de los problemas cotidianos del hombre. Incluso se formaron en
ese entonces varias compaas con el objeto especfico de realizarlos y
comercializarlos. Algunos fueron exitosos y funcionaron bien, pero las dificultades
planteadas anteriormente no tardaron en aparecer. En particular:

Existen temas en los cuales el conocimiento no es esttico, sino que la

aparicin de nueva informacin altera las pautas o reglas de inferencia de los
resultados. La necesidad permanentes de reevaluar las reglas por medio de
expertos humanos lleva al sistema a una operatoria lenta y burocrtica. Cada
conocimiento nuevo implica reentrenar manualmente el sistema. Los Sistemas
Expertos demostraron no ser tiles en este campo.

Existen temas en los cuales la interrelacin de ciertas variables no es conocida.

Si la informacin disponible de cierto asunto es limitada, y no se conoce el
comportamiento de algunas de sus variables, el Sistema experto tendr
grandes dificultades de programarse ya que sus reglas sern imprecisas.

Condiciones bsicas necesarias para la implementacin efectiva de un sistema experto

P g i n a 11 | 18

Los expertos no siempre estructuran su conocimiento. Existen numerosas

personas que razonan por mtodos empricos. Esto hace que les resulte muy
difcil traducir sus pensamientos o su mtodo deductivo a reglas que la
computadora pueda interpretar. Un Sistema experto no podr llegar a
resultados valederos cuando los especialistas en un tema no puedan tener
estructurados sus pensamientos. Por ejemplo: supngase que se quiera
programar un sistema experto para calificar obras de arte. Difcilmente se
encontrar un crtico de arte que pueda estructurar las razones por las cuales
considera "buena" o "mala" a una obra de arte. En general las palabras que
pueda decir resultarn a los odos del programador del Sistema como una serie
de subjetividades imposibles de sistematizar.

Luego de observar todo esto, se empez a considerar a los Sistemas expertos como
aptos solamente para entornos reducidos y con condiciones de ejecucin acotadas. La
idea del Sistema Experto como " resolvedor universal de problemas " qued sepultada.
Si bien la investigacin bsica de los algoritmos genticos es contempornea a la de
los sistemas expertos, la renovada importancia que se les dio en el mbito cientfico se
produjo en paralelo a la desvalorizacin que sufrieron estos ltimos.
Los algoritmos genticos se revalorizaron ya que poseen las siguientes ventajas
competitivas:

Solo necesitan asesoramiento del experto cuando se agregan o suprimen

variables al modelo. Los Sistemas Expertos requieren la presencia del mismo
ante cada modificacin del entorno.

P g i n a 12 | 18

Los algoritmos genticos solo requieren el asesoramiento del experto para

identificar las variables pertinentes, aunque no es necesario que stos definan
sus valores ni sus relaciones (las reglas) iniciales o finales. Los Sistemas
Expertos solo trabajan con las reglas y valores que les dictan los seres
humanos.

Algoritmos Genticos y Redes Neuronales

Una red neuronal es el intento de poder realizar una simulacin computacional del
comportamiento de partes del cerebro humano mediante la rplica en pequea escala
de los patrones que ste desempea para la formacin de resultados a partir de los
sucesos percibidos. El cerebro consta de unidades llamadas neuronas, las cuales
estn conectadas entre s formando una red.
Concretamente, se trata de poder analizar y reproducir el mecanismo de aprendizaje
de sucesos que poseen los animales ms evolucionados.
La red simula grupos de neuronas, llamados " capas " las cuales estn relacionadas
unas con otras. Los datos se introducen en la primera capa, llamada "capa de
entradas" Cada capa transfiere la informacin a sus vecinas., teniendo un peso o
ponderacin para los valores, lo que va modificando los mismos en su paso a travs
de la red. Cuando los datos llegan a la ltima de las capas, llamada " capa de salida "
el valor resultante es tomado como el resultado de la red. La red puede ser entrenada
para diversos usos, entre ellos como mecanismo de optimizacin. En este sentido, se
puede expresar que seran un modelo alternativo competitivo con los algoritmos
genticos, si se las programara para este fin. En rigor de verdades, la literatura sugiere
que se podran hacer modelos mixtos o hbridos en donde se combinen las ventajas
de las redes neuronales y los algoritmos genticos, aunque hay muy poco material
disponible en este campo. Tal vez esto se deba al hecho que los GA y el estudio de las
redes forman dos ramas o escuelas separadas dentro de la inteligencia artificial, por lo
que existe una preferencia en los investigadores en perfeccionar alguno de los dos
modelos antes que tratar de unirlos.

P g i n a 13 | 18

Aplicaciones

Diseo automatizado, incluyendo investigacin en diseo de materiales y

diseo multiobjetivo de componentes automovilsticos: mejor comportamiento ante
choques, ahorros de peso, mejora de aerodinmica, etc.

Diseo automatizado de equipamiento industrial.

Diseo automatizado de sistemas de comercio en el sector financiero.

Construccin de rboles filogenticos.

Optimizacin de carga de contenedores.

Diseo de sistemas de distribucin de aguas.

Diseo de topologas de circuitos impresos.

Diseo de topologas de redes computacionales.

En Teora de juegos, resolucin de equilibrios.

Anlisis de expresin de genes.

P g i n a 14 | 18

Aprendizaje de comportamiento de robots.

Aprendizaje de reglas de Lgica difusa.

Anlisis lingstico, incluyendo induccin gramtica, y otros aspectos

de Procesamiento de lenguajes naturales, tales como eliminacin de ambigedad
de sentido.

Infraestructura de redes de comunicaciones mviles.

Optimizacin de estructuras moleculares.

Planificacin de produccin multicriteria.

Prediccin.

Aplicacin de Algoritmos Genticos al Dilema del prisionero Iterado

Optimizacin de sistemas de compresin de datos, por ejemplo, usando

wavelets.

Prediccin de Plegamiento de protenas.

Optimizacin de Layout.

Prediccin de estructura de ARN.

En bioinformtica, Alineamiento mltiple de secuencias.

Aplicaciones en planificacin de procesos industriales, incluyendo planificacin

Job-shop.

Seleccin ptima de modelos matemticos para la descripcin de sistemas

biolgicos.

Manejo de residuos slidos.

Ingeniera de software.

P g i n a 15 | 18

Construccin de horarios en grandes universidades, evitando conflictos de

clases.

Problema del viajante.

Hallazgo de errores en programas.

Optimizacin de produccin y distribucin de energa elctrica.

Diseo de redes geodsicas.

Calibracin y deteccin de daos en estructuras civiles

V. ANTECEDENTES
La primera solucin reportada para resolver el problema del Agente Viajero fue en
1954, cuando George Dantzig, Ray Fulkerson, y Selmer Johnson publicaron la
descripcin de un mtodo de solucin del PAV (Problema del Agente Viaje o sus siglas
en ingls TSP Travel Sailsman Problem) titulado Solutions of a large scale traveling
salesman problem (Soluciones de gran escala para el problema del agente viajero)
para resolver una instancia de 49 ciudades donde un agente viajero desea visitar un
conjunto de ciudades, asignndoles un costo por visitar ciudades contiguas (distancia
de traslado entre dos ciudades). Para esta solucin se propusieron 2 condiciones:
regresar a

la misma ciudad de la cual parti y no repetir ciudades con el objetivo de

encontrar una ruta o un camino con el menor costo posible

El investigador de Inteligencia artificial, Marco Dorigo describi en 1997 un mtodo que

genera heursticamente buenas soluciones para el TSP usando una simulacin de
una colonia de hormigas llamada ACS (Ant Colony System).El cual modela el
comportamiento observado en las hormigas reales de encontrar caminos cortos entre
las fuentes de comida y su nido, emergi como un comportamiento la preferencia de
cada hormiga de seguir el sendero de [Feromonas]] depositado por las otras hormigas.
ACS enva un gran nmero de hormigas (agentes virtuales) para explorar las posibles
rutas en el mapa. Cada hormiga elige probabilsticamente la prxima ciudad a visitar
basada en una heurstica, combinando la distancia a la ciudad y la cantidad de
feromonas depositadas en la arista hacia la ciudad. La hormiga exploradora, deposita
feromonas en cada arista que ella cruce, hasta que complete todo el camino. En este
punto la hormiga que complet el camino ms corto deposita feromonas virtuales a lo

P g i n a 16 | 18

largo de toda la ruta recorrida (actualizacin del camino global). La cantidad de

feromonas depositadas es inversamente proporcional a la longitud del camino: el
camino ms corto, tiene ms cantidad de feromonas.

El Problema del Agente Viajero puede resolverse de diferentes maneras:

Enumeracin de todas las soluciones factibles. Es decir, enlistar todas las

posibles soluciones al problema, calcular sus costos asociados, e identificar, por
comparacin, cul es la solucin con el costo ms conveniente.
Mtodos exactos. Tambin llamados algoritmos ptimos, intentan descartar
familias enteras de posibles soluciones, tratando as de acelerar la bsqueda y llegar a
una ptima. Los que ms se usan para resolver el TSP son Ramificacin y
Acotamiento, y Ramificacin y Corte.
Redes neuronales: Una red neuronal simula las conexiones entre los nodos
(lugares por visitar), y cada recorrido por las diferentes neuronas genera al final un
camino que involucra el tour por todas las ciudades visitadas una sola vez.
Colonia de hormigas (ACO): las hormigas encuentran el camino ms corto
entre 2 puntos; para TSP, se considera el punto de inicio como el punto final, el mismo
nodo; de esta manera, las hormigas deben recorrer todas las ciudades en un circuito,
sin pasar 2 veces por la misma ciudad.
Project Scheduling Problem (PSP): Buscar la solucin considerando
principalmente el uso mnimo de recursos durante cada recorrido.
Bsqueda Tab: consiste en buscar el vecino prximo cuyos costos de traslado
del nodo actual al siguiente, sea el de menor costo en cuanto al uso de recursos
Combinacin de propuestas: Las tcnicas de Inteligencia Artificial se pueden
combinar para crear meta heursticas, conformando diferentes soluciones tales como:
algoritmos genticos con redes neuronales, PSP con ACO, PSP con redes neuronales,
etc

VIII. CONCLUSIONES
El AG funciona y funciona correctamente, ha sido empleado desde hace ya
varias dcadas. Se mostr que el problema del TSP propuesto con diez
ciudades y sus distancias reales, fue resuelto correctamente empleando la
tcnica de manipulacin gentica

P g i n a 17 | 18

 El propsito de este trabajo no es desplazar a los mtodos existentes, sino de

ofrecer esta tcnica como otra alternativa para dar solucin a problemas de
este tipo
El principio para aplicar la tcnica debe ser el mismo, analizar el cromosoma en
busca de un gen o conjunto de genes que afecte la calidad de mi poblacin
dependiendo de lo que quiero lograr con ella, y reemplazar esa parte por una
nueva, cuidando que no altere la funcin y desempeo del individuo
El tema de los AGs es muy amplio se encuentra en constante crecimiento da a
da. Solo por el hecho de estar basados en el principio de la seleccin natural,
permiten que mtodos innovadores descubiertos por diferentes disciplinas
biologa, medicina, ingeniera gentica, puedan ser experimentados con ellos y
fusionado para mejorar sus resultados y alcances

IX. REFERENCIAS BIBLIOGRAFICAS

es.wikipedia.org/wiki/Algoritmo_gen%C3%A9tico
eddyalfaro.galeon.com/geneticos.html
www.it.uc3m.es/jvillena/irc/practicas/06-07/05.pdf
www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf
www.uv.es/asepuma/X/J24C.pdf

P g i n a 18 | 18