Algoritmos Geneticos

Los Algoritmos Genticos (AGs) son mtodos adaptativos que pueden usarse para resolver
problemas de bsqueda y optimizacin. Estn basados en el proceso gentico de los
organismos vivos.
Un algoritmo gentico consiste en una funcin matemtica o una rutina de software que toma
como entradas a los ejemplares y retorna como salidas cuales de ellos deben generar
descendencia para la nueva generacin.
Ventajas y Desventajas
No necesitan conocimientos especficos sobre el problema que intentan resolver.
Operan de forma simultnea con varias soluciones, en vez de trabajar de forma
secuencial como las tcnicas tradicionales.
Cuando se usan para problemas de optimizacin maximizar una funcin
objetivo- resultan menos afectados por los mximos locales (falsas soluciones) que las
tcnicas tradicionales.
Resulta sumamente fcil ejecutarlos en las modernas arquitecturas
masivamente paralelas.
Usan operadores probabilsticos, en vez de los tpicos operadores
determinsticos de las otras tcnicas.
Pueden tardar mucho en converger, o no converger en absoluto, dependiendo
en cierta medida de los parmetros que se utilicen tamao de la poblacin, nmero de
generaciones, etc.-.
Pueden converger prematuramente debido a una serie de problemas de diversa
ndole.
Algoritmos Genticos y Sistemas Expertos
Un Sistema Experto es un programa de computadora que encuentra soluciones a problemas
del tipo condicional con la estructura:
Si ocurren los hechos A,B,C,D , cual sera el valor del suceso E
Ejemplo: Si un anlisis mdico detecta los sntomas A , B , C y D en un paciente , Cual ser la
enfermedad del sujeto?
Ejemplo: Si el anlisis geolgico de una capa de suelo detecta la presencia de los compuestos
qumicos A , B , C y D Es factible que exista petrleo en la misma?.
Si bien existen en la literatura ejemplos de la utilidad de sta tcnica , las reglas deben ser
provistas por un especialista ( o varios ) en el tema. Por ende , se requiere que los
conocimientos estn disponibles, que sean estructurados o factibles de ser estructurados
( convertidos a reglas heursticas ) y que los hechos de la realidad sean relativamente estticos
, es decir que las causas para arribar a una determinada conclusin no cambien , ya que cada
vez que esto sucede , los expertos deben reelaborrar las reglas , lo cual dificulta y retarda
considerablemente la operatoria del sistema.

Los Sistemas Expertos tuvieron su apogeo en la dcada de los 80`s , aproximadamente de 1979
a 1985. En esa poca se los lleg a considerar verdaderas panaceas que resolveran muchos
de los problemas cotidianos del hombre. Incluso se formaron en ese entonces varias
compaas con el objeto especfico de realizarlos y comercializarlos. Algunos fueron exitosos y
funcionaron bien , pero las dificultades planteadas anteriormente no tardaron en aparecer. En
particular:
Existen temas en los cuales el conocimiento no es esttico , sino que la
aparicin de nueva informacin altera las pautas o reglas de inferencia de los
resultados. La necesidad permanentes de reevaluar las reglas por medio de expertos
humanos lleva al sistema a una operatoria lenta y burocrtica. Cada conocimiento
nuevo implica reentrenar manualmente el sistema. Los Sistemas Expertos demostraron
no ser tiles en este campo.
Existen temas en los cuales la interrelacin de ciertas variables no es conocida.
Si la informacin disponible de cierto asunto es limitada , y no se conoce el
comportamiento de algunas de sus variables , el Sistema experto tendr grandes
dificultades de programarse ya que sus reglas sern imprecisas.
El Cuadro GA5 muestra las condiciones bsicas necesarias para la implementacin efectiva de
un sistema experto
Condiciones bsicas necesarias para la implementacin efectiva de un sistema experto

 Los expertos no siempre estructuran su conocimiento. Existen numerosas

personas que razonan por mtodos empricos. Esto hace que les resulte muy difcil
traducir sus pensamientos o su mtodo deductivo a reglas que la computadora pueda
interpretar. Un Sistema experto no podr llegar a resultados valederos cuando los
especialistas en un tema no puedan tener estructurados sus pensamientos. Por
ejemplo: supngase que se quiera programar un sistema experto para calificar obras de
arte. Difcilmente se encontrar un crtico de arte que pueda estructurar las razones por
las cuales considera "buena" o "mala" a una obra de arte. En general las palabras que
pueda decir resultarn a los odos del programador del Sistema como una serie de
subjetividades imposibles de sistematizar.
Luego de observar todo esto, se empez a considerar a los Sistemas expertos como aptos
solamente para entornos reducidos y con condiciones de ejecucin acotadas. La idea del
Sistema Experto como " resolvedor universal de problemas " qued sepultada.
Si bien la investigacin bsica de los algoritmos genticos es contempornea a la de los
sistemas expertos , la renovada importancia que se les dio en el mbito cientfico se produjo en
paralelo a la desvalorizacin que sufrieron estos ltimos.
Los algoritmos genticos se revalorizaron ya que poseen las siguientes ventajas competitivas:
Solo necesitan asesoramiento del experto cuando se agregan o suprimen
variables al modelo. Los Sistemas Expertos requieren la presencia del mismo ante cada
modificacin del entorno.
Los algoritmos genticos solo requieren el asesoramiento del experto para
identificar las variables pertinentes , aunque no es necesario que stos definan sus
valores ni sus relaciones (las reglas) iniciales o finales. Los Sistemas Expertos solo
trabajan con las reglas y valores que les dictan los seres humanos.

PROGRAMACIN GENTICA
La Programacin Gentica (Genetic programming, GP) es un paradigma de computacin
evolutiva para encontrar programas de ordenador que realicen una tarea definida por el
usuario. Se trata de una especializacin de los algoritmos genticos donde cada individuo es
un programa de ordenador. Por tanto, puede considerarse una tcnica de aprendizaje
automtico usada para optimizar una poblacin de programas de ordenador segn una
heurstica definida en funcin de la capacidad del programa para realizar una determinada
tarea computacional, definida por el usuario.
Los primeros resultados de la aplicacin de la GP fueron reportados por Stephen F. Smith
(1980) y Nichael L. Cramer (1985). Sin embargo, John R. Koza es considerado el padre de este
paradigma, siendo quien lo aplic a la resolucin de varios problemas complejos de
optimizacin y bsqueda.
GP es un paradigma con grandes exigencias desde el punto de vista computacional. Por esta
razn, en los aos 90 slo se aplic a problemas relativamente sencillos. En la actualidad, las
mejoras en el hardware y en la propia GP estn permitiendo resolver problemas en reas tales
como la computacin cuntica, diseo electrnico, programacin de juegos, bsqueda y otros.
Algunos de estos resultados han sido incluso patentados.