UNIVERSIDAD NACIONAL ABIERTA

VICERRECTORADO ACADEMICO
SUBPROGRAMA DISEÑO ACADÉMICO
AREA INGENIERÍA

PLAN DE CURSO
I.

Identificación

Nombre:

COMPUTACIÓN EVOLUTIVA

Código:

350

U.C:

4

Carrera:

Ingeniería de Sistemas

Código:

236

Semestre :

Formación Profesional

Prelaciones:

Investigación de Operaciones II (348)

Autor:

MSc. María Eugenia Mazzei

Asesores:

MSc. Carmen Z. Maldonado
Lic. Carmen Velásquez
Dr. Antonio Alfonzo

Nivel Central
Caracas, Julio 2013

la organización de enjambres de abejas. de distribución y los problemas de redes estáticas y dinámicas. En el campo de la Ingeniería. entre otros.2 II. Los problemas de optimización surgen en situaciones en las cuales se requiere hallar la mejor solución bajo ciertas condiciones y contemplan la administración de recursos en forma eficiente. de ubicación. La asignatura Computación Evolutiva pertenece al grupo de asignaturas de Formación Profesional y puede cursarse a partir del séptimo semestre. la recombinación. es preciso que el estudiante haya cursado las asignaturas obligatorias Computación Evolutiva (Cód. de Investigación de Operaciones o de optimización en general. se inspira en conceptos y maneras de organización que pertenecen al campo de la biología. la presión o el peso. hormigas y aves. de asignación. no obstante. entre ellos están: las poblaciones. existen problemas de diseño de dispositivos o de estructuras. entre otros.2013 de . Debido a su naturaleza esencialmente algorítmica. El diseño de algoritmos estándares para hallar la solución de problemas. llevados al diseño de algoritmos. la capacidad. El curso de Computación Evolutiva que se presenta es una introducción al empleo de conceptos bio-inspirados. la supervivencia del más apto. María Eugenia Mazzei Investigación – UNA . Son ejemplos típicos del campo de la Investigación de Operaciones: los problemas de producción. en los cuales se requiere optimizar el espesor. 350) pertenecientes al bloque de Elaborado por: Msc. las mutaciones. con el fin de resolver problemas. de programación de cursos. para la resolución de problemas de ingeniería. de planificación. se le concibe dentro del bloque de Computación. FUNDAMENTACIÓN La Computación Evolutiva es una vertiente de la Computación que se basa en la imitación de los procesos evolutivos y en el comportamiento de organizaciones sociales existentes en la naturaleza. Estos algoritmos están basados en la utilización de técnicas heurísticas y proveen un enfoque sencillo y novedoso para su tratamiento y solución a través del computador. en el contexto evolutivo.

y por otra. digitalizado (MIA): “Computación Evolutiva”. en formato PDF. o Libro de consulta. pues se emplean conceptos tomados de la naturaleza para fortalecer las destrezas computacionales adquiridas en cursos anteriores. Para la administración del curso se cuenta con el siguiente paquete instruccional: o Plan de curso. disponible en formato PDF: Introducción a la Computación Evolutiva (Notas de Curso). cuya asimilación es fundamental para su aplicación. El curso es de carácter teórico-práctico. por una parte comprende un conjunto de conceptos y técnicas. 350) Elaborado por: Msc. 2011.2013 . Coello. Cabe destacar que esta relación entre la Computación y la Optimización es una tendencia actual. o Presentaciones digitalizadas en formato PDF. Computación Evolutiva (Cód. 2011.3 Operaciones. Carlos A. Se espera que esta asignatura contribuya con la formación del estudiante de Ingeniería de Sistemas. se espera que el estudiante posea las destrezas básicas de programación adquiridas en los semestres iniciales de la carrera. el empleo de estos para la implementación y pruebas de algoritmos en el computador. María Eugenia Mazzei – UNA . Como condición para alcanzar un buen desempeño. ya que existe una estrecha vinculación entre el tipo de problema abordado y el área de investigación de operaciones. o Material instruccional de apoyo. así como las técnicas de optimización aprendidas en los semestres medios. 2004. la cual se ha de poner en práctica a través de este curso. en el sentido de ofrecer una nueva manera de resolver problemas.

2 Los objetivos correspondientes a cada unidad están ponderados.edu. 8 8 1 1 Aplicar los conceptos y técnicas relacionados con los enjambres de hormiga para la resolución de problemas. 5 6 7 5 6 7 Aplicar técnicas de Programación Genética en la resolución de problemas. La escala de ponderación de esta asignatura es de 1 a 5 puntos.5. PLAN DE EVALUACION MODALIDAD OBJETIVO CONTENIDO Orientaciones generales: Las pruebas son de modalidad presencial y de desarrollo. 1 1 I Aplicar conceptos bio-inspirados en la realización de abstracciones a problemas. Primera prueba Módulo I: U 1.7 parcial Módulo III: U 6 y 7 de la asignatura y los objetivos terminales de las asignaturas sobre las que existe prelación. Resolver un problema del mundo real. 350) Elaborado por: Msc. María Eugenia Mazzei (Especialista en Contenido) Dirección de correo electrónico: mmazzei@una.3. debe retirar un ejemplar de 5. el objetivo terminal 4. Si el estudiante no va a presentar esta prueba. Esta ponderación está determinada por la Segunda prueba Módulo II: U 4 y 5 incidencia de los objetivos evaluables en: el perfil de la carrera.6. 3 parcial Módulo II: U 3 en la asignación de peso a los objetivos evaluables de la asignatura. Las especificaciones del trabajo práctico se suministran con la primera prueba Prueba integral Módulo II: U 3.4 III. lo cual consiste 1.4. 2 3 4 5 6 7 8 1 3 2 2 2 2 5 Peso acumulado: Calificación 1 -9 1 Peso máximo: 18 puntos Criterio de dominio académico: 14 puntos Computación Evolutiva (Cód. Nivel Corrector: Está totalmente asignado al Nivel Central.2. Trabajo práctico Módulo IV: unidad 8 8 Responsable: MSc.2013 10 2 11 3 12 4 13 5 14 6 15 7 16 8 17 9 18 10 .6. empleando los conceptos y técnicas relacionados con los algoritmos evolutivos. María Eugenia Mazzei – UNA . de acuerdo con la importancia y/o complejidad que tienen. 3 3 II III IV Objetivo: Peso: 4 4 Aplicar estrategias evolutivas en la resolución de problemas. El estudiante consignará el trabajo resuelto con la prueba integral. 2 2 Aplicar algoritmos genéticos en la resolución de problemas.ve Teléfono: (0212) – 5552376 M U O OBJETIVOS Aplicar métodos tradicionales y/o métodos basados en heurísticas en la resolución de problemas de optimización.5 parcial.2 1. la inteligencia social o enfoques afines.7 Módulo III: U 6 y 7 estas en el lugar de presentación. 2.4. Aplicar los conceptos y técnicas relacionados con los enjambres de partículas para la resolución de problemas. Módulo I: U 1.

se recomienda buscar el tema en Internet.2013 . Ante cualquier duda. Consulte las direcciones electrónicas especificadas en el MIA. El software de programación a emplear para la realización de ejercicios y del trabajo práctico es de libre elección. en el Material de Apoyo. Lea las instrucciones que aparecen en el MIA. María Eugenia Mazzei – UNA .5 ORIENTACIONES GENERALES El material instruccional recomendado para este curso está disponible en formato PDF. Consulte otros libros sugeridos en la bibliografía complementaria. 350) Elaborado por: Msc. Si desea hacer algún comentario o sugerencia acerca del curso. Si no se hacen referencias específicas. consulte con su asesor en su Centro Local. en la Biblioteca Digital UNA. comuníquese con el profesor que lo administra a través de la dirección de correo electrónico suministrada por la carrera. Realice los ejercicios propuestos en cada unidad. Computación Evolutiva (Cód. Contacte con otros estudiantes del curso a fin de compartir materiales instruccionales hallados en Internet y de discutir los temas abordados. empleando algún buscador.

con sentido analítico y creativo. Fundamentos de los Algoritmos de Enjambres de Partículas. Algoritmo Estándar. Cruce. Ventajas Generalidades. Algoritmo estándar. Caso de Estudio: Algoritmo Genético. Algoritmo Estándar. 6 Computación Evolutiva (Cód. Formulación Matemática del GA. Generalidades. Poblaciones. Fundamentos. Aplicación de GP en la resolución de problemas. Variantes del algoritmo. Redes de Neuronas Artificiales. Algoritmos. DISEÑO DE LA INSTRUCCIÓN DEL CURSO Objetivo del curso: Resolver problemas de optimización. Operadores de Variación. Aplicación del Algoritmo ACO en la resolución de problemas. Vecindad. Autómata Celular: El Juego de la Vida. Algoritmo ACO. Mutación. Fundamentos. 7 Generalidades de los sistemas sociales artificiales. Conceptos biológicos y su analogía con la computación. a través de la aplicación los conceptos y técnicas de la Computación Evolutiva. Generaciones. Operadores de Cruce y de Mutación. Pasos de un Algoritmo Evolutivo. Aplicación de EE en la resolución de problemas.6 IV. Tipos de Estrategias Evolutivas. Aplicación del GA para la resolución de problemas. Función de evaluación (o de fitness). Aplicación del Algoritmo PSO en la resolución de problemas. 8 Temas incluidos: Vida Artificial. María Eugenia Mazzei – UNA . Representación de los individuos en árboles.2013 . Algoritmo PSO. Métodos de búsqueda. Métodos basados en heurísticas: Recocido Simulado y Búsqueda Tabú. 350) Elaborado por: Msc. Computación Evolutiva. Esquemas de representación. Fundamentos de los Algoritmos Hormiga. Operadores de Selección. Objetivo 1 2 3 4 5 Contenido El problema de optimización.

en el MIA. prueba Integral. en heurísticas. Material instruccional de apoyo.ugr. Actividades a realizar: Lea el capítulo 1. Resuelva los ejercicios y autoevaluación propuestos en el material instruccional.7 OBJETIVO 1 Aplicar métodos tradicionales y/o métodos basados en heurísticas en la resolución de problemas de optimización. Intercambie ejemplos de problemas de búsqueda con otros Primera estudiantes del curso.es/~jmerelo/tutoriales/heuristics101/ Procedimiento: Se valorará la abstracción realizada para resolver el problema y la correcta aplicación del método. Vea la presentación.2013 . desarrollo donde se empleando algún lenguaje de programación de propósito general. Compare los resultados obtenidos al ejecutar Momento: prueba parcial y la los programas. aplicará un método Pruebe el algoritmo con ejemplos de funciones a optimizar en un tradicional o uno basado intervalo. ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE EVALUACIÓN Materiales Instruccionales: Producto: Solución a un problema dado. sección 1. 350) Elaborado por: Msc. empleando un método Software: lenguaje de programación de propósito general tradicional o uno basado Presentación: “Optimización” en heurísticas: Recocido Direcciones electrónicas suministradas en el MIA Simulado o Búsqueda Tabú. hasta el Método de Ascenso de Colinas Estocástico (inclusive). Instrumento: Una prueba presencial de Implemente los algoritmos de Recocido Simulado y Búsqueda Tabú. Consulte la dirección electrónica (sección 1): http://geneura. María Eugenia Mazzei – UNA . Computación Evolutiva (Cód.1.

2. Consulte la dirección electrónica (sección 2): http://geneura. sección 1. Software: lenguaje de programación de propósito general Presentación: “Optimización” Direcciones electrónicas suministradas en el MIA Actividades a realizar: 2 Aplicar conceptos bio-inspirados en la realización de abstracciones a problemas. Momento: Primera prueba parcial y la prueba Integral. en el MIA. Resuelva los ejercicios y autoevaluación propuestos en el material instruccional. Investigue sobre problemas a los cuales se les pueda dar un tratamiento para su solución. Computación Evolutiva (Cód. 350) Lea el capítulo 1.2013 ESTRATEGIAS DE EVALUACIÓN Producto: Aplicación de conceptos bio-inspirados en una abstracción del problema.8 OBJETIVO ESTRATEGIAS INSTRUCCIONALES Materiales Instruccionales: Material instruccional de apoyo.es/~jmerelo/tutoriales/heuristics101/ Elaborado por: Msc. Instrumento: Una prueba presencial de desarrollo donde se aplicará un concepto proveniente de la biología a una situación dada. Implemente algoritmos que generen poblaciones de individuos. empleando conceptos bio-inspirados. María Eugenia Mazzei – UNA . Procedimiento: Se valorará la correcta aplicación del concepto de inspiración biológica. Vea en la presentación.ugr. los métodos de búsqueda bio-inspirados. .

Lea en el capítulo 3 del libro de consulta. Coello (está en formato PDF). Vea en la presentación. María Eugenia Mazzei – UNA .2013 . prueba presencial de Resuelva los ejercicios y autoevaluación propuestos en el material desarrollo donde se instruccional.9 OBJETIVO 3 Aplicar algoritmos genéticos en la resolución de problemas. lo correspondiente a los algoritmos aplicará alguna variante del algoritmo genético.es/~jmerelo/tutoriales/heuristics101/. 350) ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE EVALUACIÓN Materiales Instruccionales: Producto: Aplicación del algoritmo genético en la Material instruccional de apoyo. C. hasta algoritmos genéticos (inclusive). resolución de un Libro de consulta: Introducción a la Computación Evolutiva. lo relacionado con el algoritmo genético. Implemente el algoritmo genético. 4 y 5): http://geneura. Elaborado por: Msc. titulado “Principales Instrumento: Una Paradigmas”. Lea el capítulo 2. Consulte la dirección electrónica (secciones: 3. prueba parcial y la Implemente funciones que simulen los operadores de selección y prueba Integral. secciones 1 a 9 en el MIA.ugr. Discuta con otros estudiantes del curso acerca de la implementación del algoritmo genético. a través de los enlaces presentados. evolutivos. de problema. en esta dirección se hace referencias a algoritmos genéticos interactivos. variación. Diseñe estructuras de datos que permitan representar soluciones en Momento: Primera forma de cromosoma. los cuales pueden accederse. Pruebe el algoritmo con diferentes ejemplos. Computación Evolutiva (Cód. Software de propósito general Presentación: “Algoritmos Evolutivos” Procedimiento: Se Direcciones electrónicas suministradas en el MIA valorará la correcta abstracción del problema Actividades a realizar: y la aplicación del algoritmo genético.

350) Elaborado por: Msc. lo referente a estrategias evolutivas. titulado “Principales Momento: Segunda Paradigmas”. C. Coello (está en formato PDF).mx/~gtoscano/clases/CE/archivos/estrategiasevolutivas. Procedimiento: Se Presentación: “Algoritmos Evolutivos”. Consulte la dirección electrónica : http://www. la resolución de un Libro de consulta: Introducción a la Computación Evolutiva. Lea en el capítulo 3 del libro de consulta. ESTRATEGIAS INSTRUCCIONALES ESTRATEGIAS DE EVALUACIÓN Materiales Instruccionales: Producto: Aplicación de estrategias evolutivas en Material instruccional de apoyo. María Eugenia Mazzei – UNA . Vea en la presentación lo correspondiente a las estrategias evolutivas. Implemente funciones en los algoritmos realizados que simulen las estrategias evolutivas aprendidas.cinvestav. valorará la correcta Direcciones electrónicas suministradas en el MIA . de problema. instruccional. Software de propósito general.2013 . Resuelva los ejercicios y autoevaluación propuestos en el material prueba parcial y la prueba Integral.pdf Computación Evolutiva (Cód.10 OBJETIVO 4 Aplicar estrategias evolutivas en la resolución de problemas. aprendidas y su descripción. el cual corresponde a desarrollo donde se Estrategias Evolutivas. sección 11. en el MIA. Actividades a realizar: Instrumento: Una prueba presencial de Lea el capítulo 2. aplicación de las estrategias evolutivas.tamps. aplicará algún tipo de Realice un cuadro que contenga las diferentes estrategias evolutivas estrategia evolutiva.

lo referente a programación genética.puc. Pruebe el algoritmo con ejemplos. Vea en la presentación lo correspondiente a Programación Genética. Resuelva los ejercicios y autoevaluación propuestos en el parcial y la prueba Integral. 5 Procedimiento: Se valorará la correcta modelación y/o aplicación del algoritmo de Programación Genética. Software de propósito general. María Eugenia Mazzei – UNA . de C.2013 . Libro de consulta: Introducción a la Computación Evolutiva. Implemente funciones en los algoritmos realizados que simulen la aplicación del algoritmo de programación genética. Comparta con otros estudiantes del curso ejemplos del uso de estrategias evolutivas. material instruccional. en el MIA. Presentación: “Algoritmos Evolutivos”. ESTRATEGIAS DE EVALUACIÓN Producto: Aplicación de la programación genética en la resolución de un problema. corresponde a Programación Genética. Direcciones electrónicas suministradas en el MIA. el cual se aplicará el algoritmo de programación genética. secciones 12 a 15.pdf Actividades a realizar: Aplicar técnicas de Programación Genética en la resolución de problemas. Computación Evolutiva (Cód.cl/~jabaier/iic2622/gp. 350) Elaborado por: Msc. que permitan probar los algoritmos implementados. Consulte la dirección electrónica : http://web. Lea en el capítulo 3 del libro de consulta. Coello (está en formato PDF).ing.11 OBJETIVO ESTRATEGIAS INSTRUCCIONALES Materiales Instruccionales: Material instruccional de apoyo. Instrumento: Una prueba presencial de desarrollo donde Lea el capítulo 2. titulado “Principales Momento: Segunda prueba Paradigmas”.

350) ESTRATEGIAS DE EVALUACIÓN Producto: Aplicación de la meta-heurística basada en colonias de hormigas para la resolución de un problema. la sección sobre algoritmos basados Instrumento: Una prueba presencial de desarrollo donde en colonias de hormigas.pdf la sección que trata sobre los algoritmos hormiga. se aplicará el algoritmo basado Resuelva los ejercicios y autoevaluación propuestos en el en colonias de hormigas.uah. Consulte en la siguiente dirección electrónica : t. Lea en el MIA. Procedimiento: Se valorará la correcta modelación y/o aplicación del algoritmo. Elaborado por: Msc. Computación Evolutiva (Cód. María Eugenia Mazzei – UNA .2013 .aut.12 OBJETIVO ESTRATEGIAS INSTRUCCIONALES Materiales Instruccionales: Material instruccional de apoyo. Implemente funciones en los algoritmos realizados que simulen la aplicación del algoritmo hormiga. Momento: Segunda prueba Diseñe las estructuras de datos apropiadas para implementar parcial y la prueba Integral. capítulo 3. el algoritmo. Vea en la presentación lo correspondiente a los algoritmos hormiga.es/juanra/jornadas0809/O_Cordon. Software de propósito general Presentación: “Inteligencia Social” Direcciones electrónicas suministradas en el MIA Actividades a realizar: 6 Aplicar los conceptos y técnicas relacionados con los enjambres de hormiga para la resolución de problemas. material instruccional.

2013 .org. Diseñe las estructuras de datos apropiadas para implementar Momento: Segunda prueba el algoritmo. 350) ESTRATEGIAS DE EVALUACIÓN Producto: Aplicación de la meta-heurística basada en enjambres de partículas para la resolución de un problema.co/fileadmin/Revista_113/uno.aut.es/juanra/jornadas0809/O_Cordon. Computación Evolutiva (Cód. su generación aleatoria y su topología. optimización de partículas.pdf Consulte en la siguiente dirección electrónica : t. Implemente funciones que realicen la evaluación de las parcial y la prueba Integral.pdf la sección dedicada a los algoritmos de enjambres de partículas. la sección que corresponde a enjambres. partículas. Procedimiento: Se valorará la correcta modelación y/o Actividades a realizar: aplicación del algoritmo de Lea en el capítulo 3 del MIA.uah. Software de propósito general Presentación: “Inteligencia Social” Direcciones electrónicas suministradas en el MIA 7 Aplicar los conceptos y técnicas relacionados con los enjambres de partículas para la resolución de problemas. Elaborado por: Msc. María Eugenia Mazzei – UNA . Resuelva los ejercicios y autoevaluación propuestos en el Instrumento: Una prueba presencial de desarrollo donde material instruccional. Vea en la presentación lo correspondiente a los algoritmos de se aplicará el algoritmo basado en optimización de partículas.acis. Luego implemente el algoritmo de optimización de partículas. Optimización por enjambres de partículas.13 OBJETIVO ESTRATEGIAS INSTRUCCIONALES Materiales Instruccionales: Material instruccional de apoyo. Consulte la dirección electrónica : http://acishost. Discuta con otros estudiantes del curso aspectos relacionados con la implementación del algoritmo de enjambres de partículas.

María Eugenia Mazzei – UNA . Lea los casos de estudio. Software de propósito general Direcciones electrónicas suministradas en el MIA y otras que traten los temas a abordar.. Momento: Entrega de las especificaciones con la primera parcial. López. Instrumento: Trabajo práctico. Documento en formato PDF: Hojas de Cálculo para la Simulación de Redes de Neuronas Artificiales(RNA). C. empleando nuevos enfoques bio-inspirados. R. la implementación del algoritmo y la obtención de la solución. M. A. L. Investigue en la web sobre estos temas y otros afines a la Computación Evolutiva. E.. por parte de la carrera y consignación del problema resuelto con la prueba Integral. J. A. Computación Evolutiva (Cód.2013 ESTRATEGIAS DE EVALUACIÓN Producto: Aplicación de algún método bio-inspirado en la resolución de un problema. Procedimiento: Se valorará la correcta modelación del problema. Romero. por parte del estudiante. Xabier Basogain. 350) Elaborado por: Msc. García. la inteligencia social o enfoques afines.. Camacho.14 OBJETIVO ESTRATEGIAS INSTRUCCIONALES Materiales Instruccionales: 8 Resolver un problema del mundo real. Libro de consulta: Redes Neuronales Artificiales y sus Aplicaciones. J.Salas. empleando los conceptos y técnicas relacionados con los algoritmos evolutivos. García. Diseñe algoritmos apropiados para la resolución de problemas de optimización. los temas expuestos. Material instruccional de apoyo.. Cantero. M.. J. Atienza. .. Actividades a realizar: Lea en el capítulo 4 del MIA.. R.

Introducción a la Computación Evolutiva (Notas de Curso).. Inteligencia Artificial. Users. E. N. Dorigo. 2007. Optimization. Goldgerg. Kennedy J. A. 1996. S. Computación Evolutiva (Cód. Swarm Intelligence. Oxford University Press. MIT Press.A. Madrid. From Natural to Artificial Systems. Material Instruccional de Apoyo: Curso Computación Evolutiva (UNA). Modern Heuristics.. Genetic Programming II. and Machine Learning. Complementaria Arrioja. D. 350) Elaborado por: Msc. Artificial Intelligence: A New Sinthesis.. Koza J. Norvig. Basogain..R. BIBLIOGRAFÍA Obligatoria Coello. 2008.. Swarm Intelligence. S. Russell. Inteligencia Artificial.. Theraulaz . Santa Fe Institute Studies in the Sciences of Complexity.. X. E. MIT Press. Michalewicz. T. Bonabeau. Ant Colony Optimization. C. Un Enfoque Moderno.. Morgan Kaufmann Publishers.2013 . Stüzle.Z . M. Addison-Wesley. Redes Neuronales Artificiales y sus Aplicaciones.1998. 2004. J. 1998.. En formato PDF. E.. María Eugenia Mazzei – UNA .. En formato PDF.. P. Pearson Educación.. M.. 1989. 2003.. 2001.1999. Morgan Kaufmann Publishers Inc. Springer. Mazzei.G.. Genetic Algorithms in Search. Eberhart R. 1994. N.. En formato PDF. .. Argentina..15 V. A. 1998. Z. M. Genetic Algorithm + Data Structures = Evolutionary ... Michalewicz. Springer .. Dorigo.. How to solve it. Nilsson. Gradi S.