IEE3664-2021 Cap5

IEE 3664 CONTROL INTELIGENTE 2021
CAPÍTULO 5: ALGORITMOS GENÉTICOS
Prof. Aldo Cipriano
aciprian@ing.puc.cl
Pontificia Universidad Católica de Chile
Agosto 2021
2
ALGORITMOS GENÉTICOS
 Contenido
 Referencias
 Fundamentos
 Software para Algoritmos Genéticos
 Aplicaciones en general
 Aplicaciones en Control
 Aplicaciones en la UC
3
 Libros
 Holland J. (1975). Adaptation in natural and artificial systems.

MIT Press.
 Goldberg D. (1989). Genetic algorithms in search, optimization,

and machine learning. Addison-Wesley.
 Coley (1999). An introduction to genetic algorithms for scientists

and engineers. World Scientific Publishing Co.
 Mitchell M. (1999). An introduction to genetic algorithms. MIT

Press.
 Chambers L. (2001). The practical handbook of genetic

algorithms. CRC Press.
4
 Libros
 Bodenhofer U. (2003) Genetic algorithms: theory and
applications. Johannes Kepler University.
 Eiben A. E., Smith J. E. (2003). Introduction to evolutionary
computing. Springer.
 Sivanandam S. and Deepa S. (2009). Introduction to genetic

algorithms. Springer.
 Popa R. (2012). Genetic algorithms in applications.

InTechopen.com.
 Roeva O. (2012). Real-world applications of genetic algorithms.

InTechopen.com.
5
 Artículos
 Holland J. (1992). Genetic algorithms. Scientific American, July

1992, pp. 66-72.
 Ribeiro Filho J. L., Treleaven P. C., Alippi C. (1994). Genetic-

algorithm programming environments. IEEE Computer
Magazine, June 1994, pp. 28-43.
 Srinivas M., Patnaik L. (1994). Genetic algorithms: a survey.

IEEE Computer Magazine, June 1994, pp. 17-26.
 Schulze-Kremer S. (1996). Molecular bioinformatics-algorithms

and applications. Walter de Gruyter, Berlin, pp. 13-108.
 Tang K., Man K., Kwong S., He Q. (1996). Genetic algorithms

and their applications. IEEE Signal Processing Magazine, vol.
13, no.6, pp.22-37.
6
 Artículos
 Marczyk A. (2004). Algoritmos genéticos y computación evolutiva.

http://the-geek.org/docs/algen
 Manikas T., Ashenayi K., Wainwright R. (2007). Genetic algorithms
for autonomous robot navigation. IEEE Instrumentation and
Measurement Magazine, December 2007, pp. 26-31.
 Del Valle Y., Venayagamoorthy G., Mohagheghi S., Hernández J.,
Harley R. (2008). Particle swarm optimization: basic concepts,
variants and applications in power systems. IEEE Transactions on
Evolutionay Computation, Vol. 12, Nº 2, April 2008, pp. 171-195.
 IEEE Transactions on Evolutionary Computation, desde 1997.
 IEEE World Congress on Computational Intelligence, The
Congress on Evolutionary Computation, CEC2020.
7
 Referencias en Internet
 http://en.wikipedia.org/wiki/Genetic_algorithm
 http://math.hws.edu/xJava/GA/
 www.myreaders.info/09_Genetic_Algorithms.pdf
 www.mathworks.com/products/global-optimization/index.html
 www.palisade.com
 American Association for Artificial Intelligence, www.aaai.org

8
 Referencias en Internet
 Baba A., An Introduction to Genetic Algorithm,

https://mch.thk.edu.tr
 Eiben A., Smith J., Introduction to Evolutionary

Computing,
www.cs.vu.nl/~gusz/ecbook/ecbook-course.html
 Zaritsky A., Introduction to Genetic Algorithms,

www.cs.bgu.ac.il/~assafza
9
 Motivación
Porqué incluir Algoritmos Genéticos en el curso?
Debido a que su principal aplicación es la optimización no lineal, y

muchos ámbitos importantes del Control Automático están
relacionado con esa disciplina, entre ellos:
 Calibración de modelos dinámicos.
 Sintonía y autosintonía de controladores, considerando índices de

desempeño como IAE, ITAE y similares.
 Desacoplamiento óptimo, control óptimo y control predictivo.
 Identificación de funciones de pertenencia y reglas de control

difuso.
10
 Fundamentos
 Inspirados en los principios de la evolución biológica, utilizan

conceptos de Selección Natural y Herencia Genética (Darwin,
1859).
 Conforman una clase de algoritmos de optimización

probabilística, especialmente adecuados para problemas de
optimización difíciles en los que se conoce poco acerca del
espacio de solución.
 Desarrollados originalmente por John Holland (1975), en la

actualidad se utilizan ampliamente en ingeniería, ciencia y
negocios.
11
 Fundamentos: Técnicas de Búsqueda
12
 Fundamentos
 Un Algoritmo Genético considera una población de potenciales

soluciones para el problema (cromosomas), y hace evolucionar la
población aplicando un conjunto de operadores estocásticos.
 Los operadores estocásticos se agrupan en:
• Operadores de Selección. Replican las soluciones más exitosas que
forman parte de la población, proporcionalmente a una tasa de
calidad relativa (concepto de “fitness” o función de aptitud).
• Operadores de Recombinación. Descomponen dos soluciones
distintas y las mezclan aleatoriamente para formar una nueva
solución.
• Operadores de Mutación. Perturban aleatoriamente a un candidato a
solución.
13
 Fundamentos
Cromosomas y genes
Cada cromosoma consiste en un cierto número de genes y cada gen es
representado por un “0” o un “1”.
Decodificación y Evaluación
Estos mecanismos propios de los Algoritmos Genéticos permiten,
respectivamente, representar los cromosomas mediante secuencias de
genes y medir el desempeño de cada cromosoma mediante su función
de aptitud.
14
 Fundamentos
Los procesos evolutivos existentes en la naturaleza inspiraron la creación
de algoritmos capaces de adaptarse a su ambiente y de aprender de la
experiencia a resolver problemas de manera más eficiente; estos
algoritmos se agrupan bajo el término “Evolutionary Programming”.
Los algoritmos genéticos, cuyas bases fueran propuestas por John

Holland en 1975, presentan en sus diferentes variantes una estructura
similar, en que una población inicial de posibles soluciones o
cromosomas se procesa en forma iterativa en cuatro pasos principales:
Evaluación o Prueba, Selección, Recombinación y Reemplazo. La
iteración finaliza cuando se cumple una condición de término.
El principal ámbito de aplicación de los algoritmos genéticos es la
optimización, si bien también existen aplicaciones en clasificación.
15
 Fundamentos
Fases en la optimización genética:
 Fase inicial con población distribuida

aleatoriamente.
 Fase intermedia con población

concentrada en las colinas
 Fase final con la población

concentrada en las colinas elevadas.
16
 Fundamentos
Los algoritmos genéticos descansan en dos pilares:
 Aumentar la diversidad de la población mediante

recombinaciones y mutaciones  novedad.
 Disminuir la diversidad de la población, mediante selección de

padres y sobrevivientes  calidad.
17
 Fundamentos
18
 Representación o codificación
Un algoritmo genético requiere que previamente se codifiquen los

elementos del conjunto de búsqueda en cromosomas.
Como estos algoritmos pueden aplicarse tanto a elementos
numéricos como a elementos simbólicos, por ejemplo patrones en
una imagen, existen muchas alternativas de codificación.
Por ejemplo, en problemas en que se busca determinar los nodos

por los que debe pasar la trayectoria de un robot que debe ir de un
punto inicial a un punto final, la codificación puede ser binaria, y cada
cromosoma será un conjunto de “0” y “1”, que precisarán si un nodo
pertenece o no a la trayectoria óptima.
Este mismo procedimiento de codificación puede aplicarse a otros

problemas del tipo si-no.
19
 Codificaciones posibles
 Secuencias de bit (0101 …1100)
 Números reales (43.2 -33.1, …, 0.0 89.2)
 Permutaciones de elementos (E11 E3 E7 … E1 E15)
 Listas de reglas (R1 R2 R3 … R22 R23)
 Elementos de programas (programación genética)
 Otras estructuras de datos.

20
 Representación o codificación
21
En problemas de optimización numérica o en entrenamiento de redes
neuronales se utiliza codificación en base a vectores de números
reales.
Así, el conjunto de pesos asociados de la red neuronal puede ser
codificado en un solo cromosoma, en el cual cada gen corresponde a
un peso de una neurona.
En un sistema difuso, se puede codificar las funciones de pertenencia
en base a vectores de números reales que se modifican para
identificar el sistema minimizando una función de error.
Schulze-Kremer formuló un algoritmo genético para predecir la

estructura tridimensional de una proteína, basándose en la secuencia
de aminoácidos que la componen.
El algoritmo genético de Schulze-Kremer utiliza números reales para
representar los ángulos de torsión entre los enlaces peptídicos que
conectan a los aminoácidos.
22
Otro método de codificación consiste en representar a los individuos
de un algoritmo genético como cadenas de letras, donde cada letra,
representa un aspecto específico de la solución.
Un ejemplo de esta técnica es el método basado en codificación

gramática, en el que a un algoritmo genético se le encarga la tarea de
evolucionar en un sencillo conjunto de reglas llamadas gramática libre
de contexto.
Una vez codificado el espacio de búsqueda se define una población

inicial de cromosomas, generados en forma aleatoria o en base a
algún conocimiento previo del sistema.
Mientras mayor sea el número de cromosomas, mayor es el número
de soluciones posibles de evaluar en forma simultánea, pero también
es mayor el requerimiento computacional.
23
 Etapas en un Algoritmo Genético
24
 Evaluación o Prueba
Cada cromosoma se evalúa mediante una función objetivo, que

corresponde en general a un valor numérico que permite comparar
todos los cromosomas en cuanto a su aptitud o “fitness” para
solucionar el problema.
 Selección
La selección de los padres de la futura generación de cromosomas

se puede realizar de múltiples formas, escogiendo por ejemplo sólo
los más aptos, o bien incluyendo también a aquellos que no lo son,
en la esperanza que los genes de estos últimos puedan contribuir a
los cromosomas futuros.
25
 Selección
A continuación se describen algunas formas de selección.

26
Selección elitista
Se seleccionan los miembros más aptos de cada generación.
Selección proporcional a la aptitud

Los individuos más aptos tienen más probabilidad de ser
seleccionados, pero no la certeza.
Selección por rueda de ruleta

Es una forma de selección proporcional a la aptitud según la cual la
probabilidad de que un individuo sea seleccionado es proporcional a
la diferencia entre su aptitud y la de sus competidores.
Esto puede representarse como un juego de ruleta en el que cada
individuo posee una sección de la ruleta.
Luego la ruleta se hace girar, y se elige al individuo que posee la
sección en la que la ruleta se detiene.
27
Selección escalada
Al incrementarse la aptitud media de la población, la fuerza de la
presión selectiva también aumenta y la función de aptitud se hace
más discriminadora.
Este método puede ser útil para seleccionar cuando todos los
individuos tienen una aptitud relativamente alta y sólo se distinguen
pequeñas diferencias en la aptitud.
Selección por torneo

Se eligen subgrupos de individuos de la población, y los miembros
de cada subgrupo compiten entre ellos.
Sólo se elige a un individuo de cada subgrupo para la reproducción.
28
Selección generacional
La descendencia de los individuos seleccionados en cada
generación se convierte en toda la siguiente generación.
No se conservan individuos entre las generaciones.
Selección por estado estacionario

La descendencia de los individuos seleccionados en cada
generación vuelven al acervo genético preexistente, reemplazando a
algunos de los miembros menos aptos de la siguiente generación.
Se conservan algunos individuos entre generaciones.
29
Selección jerárquica
Los individuos atraviesan múltiples rondas de selección en cada
generación.
Las evaluaciones de los primeros niveles son más rápidas y menos
discriminatorias, mientras que los que sobreviven hasta niveles más
altos son evaluados más rigurosamente.
La ventaja de este método es que reduce el tiempo total de cálculo al
utilizar una evaluación más rápida y menos selectiva para eliminar a
la mayoría de los individuos que se muestran poco prometedores, y
sometiendo a una evaluación de aptitud más rigurosa y
computacionalmente más costosa sólo a los que sobreviven a esta
prueba inicial.
Colonia de abejas (“queen bee”)

La próxima generación de soluciones considera sólo la abeja reina,
que corresponde a la solución más apta.
30
 Recombinación o Mezcla
Una vez seleccionados los padres, estos se combinan de alguna

forma para, con una probabilidad Pc, crear el cromosoma de la
siguiente generación.
Pc varía generalmente entre 80% y 96%.
Dependiendo de la forma de codificación, surgen diferentes opciones
para la combinación, si bien existen dos estrategias básicas:
cruzamiento y mutación.
Cruzamiento (“crossover”)
Implica elegir a dos individuos para que intercambien segmentos de
su código, produciendo una descendencia artificial cuyos individuos
son combinaciones de sus padres.
Este proceso pretende simular la recombinación que se da en los
cromosomas durante la reproducción.
31
En el caso de decodificaciones binarias, una forma de cruzamiento es
el cruzamiento de un punto, en el que se establece un punto de
intercambio en un lugar aleatorio del genoma de los dos individuos.
Uno de los individuos contribuye con todo su código anterior a ese
punto y el otro individuo contribuye con todo su código a partir de ese
punto para producir una descendencia.
También se puede hacer una mezcla con varios puntos de cruce, en

el que el valor de una posición dada en el genoma de la
descendencia corresponde al valor en esa posición del genoma de
uno de los padres o al valor en esa posición del genoma del otro
padre, elegido con un 50% de probabilidad.
Otra alternativa es escoger aleatoriamente un gen de cada padre.
32
Si la codificación de los cromosomas se realiza con vectores de
números reales, se pueden utilizar puntos de cruce en el vector, o
bien mezclar algebraicamente los genes de cada vector padre.
El cromosoma hijo puede ser, por ejemplo, un promedio de ambos
cromosomas padres.
Cruzamiento, con punto de cruce entre posiciones 5 y 6 del

cromosoma:
33
Cruzamiento simple
Cruzamiento doble
34
Cruzamiento
35
Mutación
Al igual que una mutación en los seres vivos cambia un gen por otro,
una mutación en un algoritmo genético también causa pequeñas
alteraciones en puntos concretos del código de un individuo, con una
probabilidad Pm.
En problemas de optimización, esto permite una mejor exploración
del espacio de soluciones, y que el algoritmo converja a óptimos
locales.
En general Pm varía entre 0.6% y 1%.
Mutación en la posición 4:
36
Mutación
37
 Reemplazo
En esta etapa se eliminan los cromosomas de la generación anterior

y se dejan sólo los hijos.
Realizado el reemplazo, se somete la nueva población a una prueba

para determinar la aptitud de cada cromosoma, y el ciclo se repite.
Como condición de término se utiliza generalmente el número de

generaciones.
38
 Ejemplo
 Determinar el número máximo de “1” en una secuencia de 10

dígitos binarios.
 Población inicial de 6 individuos (cromosomas) obtenida

aleatoriamente mediante una moneda que se tira 60 veces al aire:
39
Primeramente se aplica el método de selección de la ruleta en que el
área es proporcional a la función de aptitud.
40
A continuación se aplica cruzamiento de a pares (s1’, s2’; s5’,s6’).
Antes:
Después:
Ahora se aplica mutación de baja probabilidad. Como resultado, en una

generación la función de aptitud mejoró de 34 a 37 (9%).
41
 Ejemplo
Consideremos maximizar f(x) = x (14 – x) , en que x es un entero.
Supongamos una población de 15 cromosomas, cada uno de 4 genes,

y restrinjamos la población inicial a 6 cromosomas.
 Población total:
42
 Población inicial y función de aptitud:
Supondremos que el algoritmo utiliza selección mediante rueda de

ruleta, y que en cada giro se eligen dos padres, que primero se cruzan
y el resultado muta.
Como probabilidad de cruzamiento usaremos Pc=0.7.
También se considera una baja probabilidad de mutación.
43
 Rueda de ruleta y función de aptitud:
44
Par de cromosomas que se
selecciona en cada par de giros:
• Primer par: x6 y x2.
• Segundo par: x1 y x5.
• Tercer par: x2 y x5.
De esta forma el promedio de la

función de aptitud pasa de 36.3 a
50.7.
45
 Algoritmo
46
 Algoritmo
47
 Ejemplo
Maximizar
Los parámetros x, y varían entre -3, +3 y cada uno se representará

mediante 8 bits binarios:
Aleatoriamente se elegirá una población inicial de 6 cromosomas y a

continuación se calculará la función de aptitud utilizando los números
reales correspondientes, por ejemplo
48
Entonces:
A partir de los valores de x, y se calcula la respectiva función de

aptitud.
49
La figura muestra la convergencia que permite obtener el máximo de
la función f después de 100 generaciones.
50
 Ventajas de los Algoritmos Genéticos
 Los algoritmos genéticos son intrínsecamente paralelos.
 Los algoritmos genéticos se desenvuelven bien en problemas

caracterizados por un ambiente adaptivo complejo, por ejemplo
aquéllos en que la función de aptitud es discontinua, ruidosa,
cambia con el tiempo, o tiene muchos óptimos locales.
 Los algoritmos genéticos son hábiles para manipular muchos

parámetros simultáneamente.
 Los algoritmos genéticos no utilizan información a priori acerca

de los problemas que debe resolver.
51
 Desventajas de los Algoritmos Genéticos
 Se requiere definir una representación del problema.
 Se necesita definir la función de aptitud.
 Se debe elegir cuidadosamente los parámetros del algoritmo,

por ejemplo el tamaño de la población, el ritmo de mutación y de
cruzamiento, el tipo y fuerza de la selección.
 Existencia de funciones de aptitud “engañosas” respecto a

dónde se encuentra el óptimo global.
 Convergencia prematura, esto es, un individuo más apto que la

mayoría de sus competidores emerge muy pronto, mermando la
diversidad de la población y provocando que el algoritmo
converja hacia el óptimo local que representa ese individuo.
52
 Software para Algoritmos Genéticos
 Evolver, www.palisade.com/evolver
 GeneHunter, www.wardsystems.com/genehunter.asp
 Genetic Programming, www.geneticprogramming.com
 MATLAB, Genetic Algorithm and Direct Search Toolbox

www.mathworks.com/products/global-optimization.html#genetic-
algorithm
 Otros en CMU AI Repository:

www.2.cs.cmu.edu/afs/cs/project/airepository/ai/areas/genetic/g
systm/0.html
53
 Aplicaciones en general
 Diseñar una sala de conciertos con propiedades acústicas

óptimas, maximizando la calidad del sonido para la audiencia,
para el director y para los músicos del escenario.
 Diseñar sistemas de control activos de ruido, que definen la

posición de múltiples altavoces y eliminan el sonido no deseado.
 Diseñar la configuración del ala de un avión supersónico,

minimizando la resistencia aerodinámica a velocidades de vuelo
supersónicas, la resistencia a velocidades subsónicas y la carga
aerodinámica.
 Determinar las órbitas de satélites, minimizando la pérdida de

cobertura.
54
 Diseñar un brazo para transportar carga que se pone en órbita y
se utiliza con satélites, estaciones espaciales y otros elementos
aeroespaciales.
 Determinar la curva de rotación de una galaxia basándose en las

velocidades rotacionales observadas de sus componentes, el
periodo de pulsación de una estrella variable basándose en
series de datos temporales, y los valores de los parámetros
críticos de un modelo magnetohidrodinámico del viento solar.
 Diseñar fármacos, empleando química combinatoria.
 Diseñar automáticamente moléculas que se ajustan a un

conjunto de especificaciones dado.
55
 Diseñar un circuito reconocedor de voz que distingue y responde
a órdenes habladas utilizando FPGA (Field Programmable Gate
Array).
 Diseñar antenas de alambre, por ejemplo una antena de siete

segmentos polarizada circularmente con cobertura hemisférica.
 Predecir el rendimiento futuro de acciones ofertadas

públicamente.
 Determinar el hipocentro de un terremoto empleando datos

sismológicos. El hipocentro es el punto bajo la superficie
terrestre en el que se origina un terremoto; el epicentro es el
punto de la superficie ubicado directamente sobre el hipocentro.
 Diseñar polímeros conductores de electricidad basados en el

carbono.
56
 Diseñar revestimientos ópticos multicapa para filtros que reflejan,
transmiten o absorben luz de frecuencias especificadas.
 Solucionar ecuaciones de derivadas parciales no lineales de alto

orden.
 Diseñar planes tácticos para batallas.
 Desarrollar un sistema de apoyo para la identificación y

descripción de sospechosos por testigos.
 Identificar el segmento de la proteína que está insertado en la

membrana, lo que se conoce como dominio transmembrana en
biología molecular.
57
 Desarrollar un sistema experto para predecir la probabilidad de
fuga de grupos de clientes de empresas de telecomunicaciones.
 Reconocer patrones con aplicación a la clasificación de aviones

basada en señales de radar.
 Desarrollar un equipo de fútbol robótico cuyo objetivo es vencer

al equipo humano de fútbol que sea campeón del mundo en el
año 2050.
 Diseñar horarios de exámenes.
 Determinar rutas óptimas para transmitir datos en redes de

telefonía e internet.
58
 Diseñar redes de fibra óptica que minimizan la longitud total del
cable.
 Generar programas para líneas de montaje (“job shop

scheduling”).
 Diseñar horarios de eventos en juegos paraolímpicos.
 Administrar inventario y suministro de licores.
 Programar aterrizajes en aeropuertos, por ejemplo en London

Heathrow.
 Diseñar molinos eólicos para generar energía.

59
 Optimizar la forma, orientación e intensidad del haz de los
emisores de rayos X utilizados en la radioterapia dirigida para
destruir tumores cancerosos.
 Diseñar un sistema experto para controlar un sistema de frenos

antibloqueo (ABS) en automóviles.
 Desarrollar un sistema de mejoramiento de la eficiencia de

motores diesel.
 Optimizar la disposición de los componentes de chips.
 Diseñar motores y turbinas, en particular del Boeing 777.

60
 Algunas empresas que usan algoritmos genéticos
 Lockheed Martin
 Glaxo Smith Kline
 LBS Capital Management
 First Quadrant
 Texas Instruments
 U.S. West
 John Deere & Co.
 Volvo
 Ascent Technology
 Boeing
 British Petroleum
 Ford Motor Company
 Unilever
 United Distillers and Vintners.
61
 Aplicaciones en Control
 Hwang H. et al (1992). Identification of fuzzy control rules utilizing
genetic algorithms and Its application to mobile robot. Proceedings
of the IFAC Symposium on Algorithms and Architectures for Real-
Time Control. Seoul, pp. 249-254.
 Sainz D. de D. (2001). Control de procesos basado en eventos

mediante bases de conocimiento borrosas y algoritmos genéticos.
Tesis de Doctorado U. Politécnica de Madrid.
 Fleming P., Purshouse R. (2002). Genetic algorithms in control

systems engineering. In Control Systems, Robotics and
Automation, 15 pages.
 Yusof R. et al. (2011). Optimization of fuzzy model using genetic

algorithm for process control application. Journal of the Franklin
Institute, Vol. 348, pp. 1717–1737.
62
 Aplicaciones en Control
 Alwam G. et al (2012). pH control of a wastewater treatment unit
using LabView and genetic algorithm. Proceedings of The Sixth
Jordan International Chemical Engineering Conference, 10 pages.
 Stojanovski G., Stankovski M. (2012). Model Predictive Controller

employing genetic algorithm optimization of thermal processes with
non-convex constraints. In Ropa R., Genetic Algorithms in
Application, pp. 19-34.
 Alharbi W., Gomm B. (2017). Genetic algorithm optimisation of PID

controllers for a multivariable process. IJES, Vol. 5, pp. 77-96.
 Meena D., Devanshu A. (2017). Genetic algorithm tuned PID

controller for process control. Proceedings of the International
Conference on Inventive Systems and Control, 6 pages.
63
 Aplicaciones en la UC
 Leiva Miguel Angel (2001). Localización óptima de condensadores

en un sistema de distribución eléctrico vía algoritmos genéticos.
Memoria para optar al título de Ingeniero Civil de Industrias, U.
Católica.
 Carrasco Rodrigo (2004). Detección y diagnóstico de fallas en

robots móviles cooperativos, Tesis para optar al grado de Magíster
en Ciencias de la Ingeniería, U. Católica.
 Aguado A., Cipriano A. (2009). Identificación en lazo cerrado y

ajuste de reguladores mediante algoritmos genéticos. Revista
Iberoamericana de Automática Industrial.
IEE 3664 CONTROL INTELIGENTE 2021
CAPÍTULO 5: ALGORITMOS GENÉTICOS
Prof. Aldo Cipriano
aciprian@ing.puc.cl
Pontificia Universidad Católica de Chile
Agosto 2021

IEE3664-2021 Cap5

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

IEE3664-2021 Cap5

Uploaded by

Copyright:

Available Formats

IEE 3664 CONTROL INTELIGENTE 2021

CAPÍTULO 5: ALGORITMOS GENÉTICOS

Prof. Aldo Cipriano

Pontificia Universidad Católica de Chile

 Software para Algoritmos Genéticos

 Holland J. (1975). Adaptation in natural and artificial systems.

 Goldberg D. (1989). Genetic algorithms in search, optimization,

 Coley (1999). An introduction to genetic algorithms for scientists

 Mitchell M. (1999). An introduction to genetic algorithms. MIT

 Chambers L. (2001). The practical handbook of genetic

 Sivanandam S. and Deepa S. (2009). Introduction to genetic

 Popa R. (2012). Genetic algorithms in applications.

 Roeva O. (2012). Real-world applications of genetic algorithms.

 Holland J. (1992). Genetic algorithms. Scientific American, July

 Ribeiro Filho J. L., Treleaven P. C., Alippi C. (1994). Genetic-

 Srinivas M., Patnaik L. (1994). Genetic algorithms: a survey.

 Schulze-Kremer S. (1996). Molecular bioinformatics-algorithms

 Tang K., Man K., Kwong S., He Q. (1996). Genetic algorithms

 Marczyk A. (2004). Algoritmos genéticos y computación evolutiva.

 American Association for Artificial Intelligence, www.aaai.org

 Baba A., An Introduction to Genetic Algorithm,

 Eiben A., Smith J., Introduction to Evolutionary

 Zaritsky A., Introduction to Genetic Algorithms,

Porqué incluir Algoritmos Genéticos en el curso?

Debido a que su principal aplicación es la optimización no lineal, y

 Calibración de modelos dinámicos.

 Sintonía y autosintonía de controladores, considerando índices de

 Desacoplamiento óptimo, control óptimo y control predictivo.

 Identificación de funciones de pertenencia y reglas de control

 Inspirados en los principios de la evolución biológica, utilizan

 Conforman una clase de algoritmos de optimización

 Desarrollados originalmente por John Holland (1975), en la

 Un Algoritmo Genético considera una población de potenciales

Los algoritmos genéticos, cuyas bases fueran propuestas por John

Fases en la optimización genética:

 Fase inicial con población distribuida

 Fase intermedia con población

 Fase final con la población

Los algoritmos genéticos descansan en dos pilares:

 Aumentar la diversidad de la población mediante

 Disminuir la diversidad de la población, mediante selección de

Un algoritmo genético requiere que previamente se codifiquen los

Por ejemplo, en problemas en que se busca determinar los nodos

Este mismo procedimiento de codificación puede aplicarse a otros

 Secuencias de bit (0101 …1100)

 Números reales (43.2 -33.1, …, 0.0 89.2)

 Permutaciones de elementos (E11 E3 E7 … E1 E15)

 Listas de reglas (R1 R2 R3 … R22 R23)

 Elementos de programas (programación genética)

 Otras estructuras de datos.

Schulze-Kremer formuló un algoritmo genético para predecir la

Un ejemplo de esta técnica es el método basado en codificación

Una vez codificado el espacio de búsqueda se define una población

Cada cromosoma se evalúa mediante una función objetivo, que

La selección de los padres de la futura generación de cromosomas

A continuación se describen algunas formas de selección.

Selección proporcional a la aptitud

Selección por rueda de ruleta

Selección por torneo

Selección por estado estacionario

Colonia de abejas (“queen bee”)

Una vez seleccionados los padres, estos se combinan de alguna