Implementación de un algoritmo genético mediante una aplicación informática basado en la computación neuronal y evolutiva para obtener el cromosoma mejor adaptado

##plugins.themes.bootstrap3.article.main##

María de los Ángeles Rodríguez-Cevallos
María José Andrade-Albán
Roberto Carlos Maldonado-Palacios
Cristhian Alfonso Cobos-Cevallos

Keywords

algoritmo genético, computación neuronal y evolutiva, cromosoma

Resumen

El objetivo de la investigación es implementar un algoritmo genético mediante una aplicación informática basado en la computación neuronal y evolutiva para obtener el cromosoma mejor adaptado, dicho desarrollo demanda del análisis estadístico decriptivo basado en algoritmos genéticos. Sé utilizó específicamente veinte y uno tipos de cromosomas que lo datos de ingreso serán una red en formato Pajek (* .net) y los datos de salida mencionará la partición de modularidad más alta encontrada, en formato Pajek (*.clu), y su valor correspondiente de modularidad, es decir después de la selección del cromosoma, del cruce o la mutación se realiza la evaluación para la decodificación por medio del parámetro Aptitud, seleccionando de ésta manera por medio de la Rueda de la Ruleta para obtener el cromosoma mejor adaptado.


Se utilizó específicamente veinte y uno tipos de cromosomas transformadas en formato Pajek (.net) y los algoritmos genéticos (AG) funcionan entre el conjunto de soluciones de un problema llamado fenotipo, y el conjunto de individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada cromosoma. Los símbolos que forman la cadena son llamados genes. Cuando la representación de los cromosomas se hace con cadenas de dígitos binarios se le conoce como genotipo. Los cromosomas evolucionan a través de iteraciones, llamadas generaciones. En cada generación, los cromosomas son evaluados mediante la computación neuronal y evolutiva usando alguna medida de aptitud. Las siguientes generaciones (nuevos cromosomas), son generadas aplicando los operadores genéticos repetidamente, siendo estos los operadores de selección, cruzamiento, mutación y reemplazo, para lograr obtener el cromosoma mejor adaptado.


En este artículo se explica la implementación de un algoritmo genético mediante una aplicación informática basado en la computación neuronal y evolutiva para obtener el cromosoma mejor adaptado, que parte de una población de soluciones, y en base al valor de la función de adaptación para cada uno de los individuos (soluciones) de esa población, se seleccionan los mejores individuos (según dicha función) y se combinan para generar otros nuevos. Este proceso se repite cíclicamente hasta que se cumple un criterio de parada.

Descargas

Los datos de descargas todavía no están disponibles.
Abstract 178 | PDF Downloads 81

Citas

Bäck, T. (1992) Self-Adaptation in Genetic Algorithms. En Towards a Practice of Autonomous Systems: Proceedings of the First European Conference on Artificial Life. F. J. Varela and P. Bourgine (eds.). pp. 263-271. MIT Press

Beasley, D., Bull, D. R., Martin, R. R. (1993) An Overview of Genetic Algorithms: Part 1, Fundamentals. En University Computing, 15(2) 58-69.

Biondi, J., Michel, O. (1995). From the chromosome to the neural network. En Proceedings of the International Conference on Artificial Neural Networks and
Genetic Algorithms. D.W. Pearson, N.C. Steele, and R.F. Albrecht (eds)

Cantú-Paz, E. (1997). A survey of Parallel Genetic Algorithms. Technical Report Illinois Genetic Algorithms Laboratory. University of Illinois at Urbana-Champaign.

Coello Coello, C. (2002). Theoretical and Numerical Constraint-Handling Techniques used with Evolutionary Algorithms: A survey of the state of the Art. En Computer Methods in Applied Mechanics and Engineering. 191(11-12):1245-1287

Deb, K. (2004). Genetic Algorithms for optimization. En Statistical Computing: Existing Methods and Recent Developments. D. Kundu y A. Basu (eds.). pp. 85-123. New Delhi, India: Narosa Publishing House

Fogel, R. B. (2000). La ecorregión de Neembucú: Infortunio, dignidad y sabiduría de sus antiguos pobladores. Asunción: Centro de Estudios Rurales Interdisciplinarios.

Fogel, A., Hsu, H.-C., Shapiro, A. F., Nelson-Goens, G. C., & Secrist, C. (2006). Effects of normal and perturbed social play on the duration and amplitude of different types of infant smiles. Developmental Psychology, 42(3), 459–473.

Forrest, S. (1996). Genetic Algorithms. En ACM Computer Survey. 28(1). pp. 77-80

Ilachinsky, A. (1997). Irreducible Semi-Autonomous Adaptive Combat (ISAAC): An Artificial-Life Approach to Land Combat. Research Memorandum CRM 97-61.10. Center for Naval Analyses

Joglekar, A., Tungare, M. (2001). Genetic Algorithms and their use in the design of Evolvable Hardware. Fr. Conceicao Rodrigues College of Engineering

Whitley, D. (1994). A Genetic Algorithm Tutorial. En Statistics and Computing. Vol 4, pp. 65-85.

Whitley, D. (2001). An Overview of Evolutionary Algorithms: Practical Issues and Common Pitfalls. En Journal of Information and Software Technology. Vol 43(14), pp. 817-831.

Whitley, D. (2002) Genetic Algorithms and Evolutionary Computing. En Van Nostrand's Scientific Encyclopedia.

Yao, X. (1996). An Overview of Evolutionary Computation. En Chinese Journal of Advanced Software Research. Vol 3(1), pp. 12-29, Allerton Press Inc.