Algoritmos gen

1
Algoritmos genéticos
2
Algoritmos genéticos
Idea básica
Algoritmo conocido
Problema
Solución complejo

ideal

• A menudo este esquema no es realista
• Problemas NP
• Algoritmo desconocido
• Solución buena y rápida es aceptable
• ...
• Deseamos hallar un método alternativo para
  analizar un gran número
• de soluciones posibles

Aprendamos de la Naturaleza
3
Algoritmos genéticos
ADN (cristal aperiódico, Schrödinger)
Operón off/on
Guanina Adenina Tiamina Citosina
codón
gen
mRNA
20 aminoácidos stops
proteínas
mRNA tRNA
Humanos 3 109 bases 1 molécula
ADN 2 103 bases
1 gen pero 30000/40000
genes

• ADN basura
• secuencias repetidas
• genes con multiples copias

• transposición de genes
• exones, intrones
• transposones

4
Algoritmos genéticos
La reproduccion no preserva la forma exacta del
material genético Meiosis Recombinación de
material genético
crossover Mutaciones Mecanismos de
corrección protegen parcialmente la fidelidad de
la copia del ADN copiado 1
error / 10000 bases -
correcciones 1 error / 109 bases
Selección Natural Surpervivencia
del mejor adaptado antes de la
reproducción Crossover aleatorio y mutaciones
filtrados por selección natural a lo largo de
muchas generaciones lleva a especies mejor
adaptadas. Grandes
poblaciones vienen de unos pocos individuos
5
Estrategia de un Algoritmo Genético
Algoritmos genéticos
Problema
Solución Complejo

óptima
Buena
Población de soluciones
selección natural ruleta
mutaciones bajo ritmo
crossover frecuencia alta

• Los algoritmos genéticos son potentes
• AGs trabajan con una parametrización del
  problema
• AGs usan una función premio
• AGs usan reglas de transición probabilísticas