UNIVERSIDAD NACIONAL

“SANTIAGO ANTÚNEZ DE MAYOLO”
FACULTAD DE CIENCIAS
ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE SISTEMAS E
INFORMÁTICA

SIMULACION DE SISTEMAS
“ALGORITMOS GENÉTICOS”
AUTORES





HUAMAN CAMONES CLINTON YEFERSON
SOLORZANO ANDAGUA HUGO GENIX
TORRE SALVADOR RODER ARNOL
VERDE ALLAUCA ROONY MARVYN
VILLANUEVA COCHACHIN MELITON JUNIOR
PAUCAR MELGAREJO ROFELIO

ASESOR
Ing° Msc. ALBERTO MEDINA VILLACORTA
HUARAZ – PERU
2016

ÍNDICE
No se encontraron entradas de tabla de contenido.

TECNOLOGIA CLIENTE. Definición 3.3.1. Historia 3. Introducción 2. Esquema Básico UNASAM 2 .2. Componentes 3. ¿Qué son los Algoritmos Genéticos? 3.SERVIDOR SISTEMAS DISTRIBUIDOS 1.

Se suele emplear un mecanismo de selección estocástico:  Los mejores individuos es más probable que se seleccionen (aunque nada lo garantiza).1. Selección proporcional (“ruleta”) Idea: Los mejores individuos tienen más posibilidades de reproducirse Implementación: Ruleta  A cada individuo se le asigna una parte proporcional de la  ruleta.2.5. 7. Mutación Mecanismo de Selección La selección suele considerar la población en su conjunto y la probabilidad de reproducción se define sobre la generación actual de la población. fitness(B)=1 fitness(C)=2 Selección de supervivientes UNASAM 3 .TECNOLOGIA CLIENTE.2.4. Ejemplo: fitness(A)=3 7. rueda de ruleta 6. Representación Características Técnicas de Representación Operadores Genéticos (Elementos) 6. 6. SISTEMAS DISTRIBUIDOS 3.SERVIDOR 4.1. selección y muestreo 6.4. esquemas de selección y muestreo 6. Cruce 6. 7. 5. Se asignan probabilidades de selección a los individuos de la población (padres) en función de su fitness.  Incluso el peor individuo de la población puede ser seleccionado. Se gira la ruleta n veces para seleccionar una población de n individuos.3.

 de selección) El método de muestreo (el muestreo sin reemplazo aumenta  la presión selectiva) Si el mejor individuo siempre gana (determinista) o si esto sucede con probabilidad p (probabilística).2. En ocasiones.TECNOLOGIA CLIENTE.SERVIDOR SISTEMAS DISTRIBUIDOS La selección final suele ser determinística:  Basada en el fitness (sólo los mejores sobreviven). 8. El conjunto completo de padres es reemplazado. Operadores de cruce Cruce de orden: se preserva el orden relativo de los elementos UNASAM 4 . Repetir las veces que haga falta. que reemplaza a un miembro de la población inicial Selección por torneo Seleccionar k miembros al azar y escoger el mejor. generación. La probabilidad de seleccionar un individuo dependerá de  El ranking del individuo. por lo que los operadores de mutación deben cambiar al menos dos valores y los de cruce han de diseñarse específicamente para problemas de este tipo.1.  Basada en la edad (la generación de descendientes sustituye  por completo a sus padres). Operadores de mutación Inversión: Seleccionar dos alelos aleatoriamente e invertir la cadena entre ellos Revuelto: Seleccionar un subconjunto de genes y reordenar aleatoriamente los alelos (el subconjunto no tiene por qué ser contiguo). mayor presión 7. Operadores de mutación 8.  El tamaño de la muestra k (cuanto mayor sea k. sea padre o hijo) Modelos poblacionales Modelo generacional: Cada individuo vive durante una única 7. Modelo estacionario: En cada generación se crea un único descendiente.3. 8.4. se combinan fitness y edad(el mejor individuo siempre sobrevive. Permutaciones Los operadores de cruce y mutación habituales dan lugar a soluciones inadmisibles.

TECNOLOGIA CLIENTE. Fundamentos de AG 10.SERVIDOR SISTEMAS DISTRIBUIDOS PMX [Partially-Mapped Crossover]: Cruce de ciclos: 9. Ventajas y Desventajas AG UNASAM 5 .

14.es/decsai/computationalintelligence/slides/G2%20Genetic%20Algorithms. 13.pdf UNASAM 6 .ugr. 12.SERVIDOR 11.TECNOLOGIA CLIENTE. SISTEMAS DISTRIBUIDOS Ejemplos AG Aplicaciones AG Conclusiones Bibliografía http://elvex.