UNIVERSIDAD NACIONAL DE INGENIERIA

Facultad de ingeniería mecánica

INFORME DE LABORATORIO N° 1

PENDULO FISICO Y TEOREMA DE STEINER

Integrante:

Mendoza Arteaga, Jedy Alonso 20071213A

De La Puente Ancco Victor Andres 20140203F

Cumpa Lumbre Gianfranco 20140225J

Curso: Investigacion de Operaciones I

Profesor: Roberto Eyzaguirre

Sección: “Y”

2018 –I
Indice
ORIGENES ................................................................................................................... 3

DEFINICION ................................................................................................................. 4

DESCRIPCION ............................................................................................................. 4

ALGORITMOS GENÉTICOS PARA RESOLVER PROBLEMAS DE OPTIMIZACIÓN

MULTIOBJETIVO ......................................................................................................... 6

METODOLOGIA PROPUESTA .................................................................................... 6

VENTAJAS Y DESVENTAJAS ..................................................................................... 9

APLICACIONES EN LA INGENIERIA ......................................................................... 10

APLICACIÓN EN INVESTIGACION DE OPERACIONES ........................................... 11

BIBLIOGRAFIA ........................................................................................................... 12
ORIGENES
En los últimos años, la comunidad científica internacional ha mostrado un creciente
interés en una nueva técnica de búsqueda basada en la teoría de la evolución y que
se conoce como el algoritmo genético.

Esta técnica se basa en los mecanismos de selección que utiliza la naturaleza, de

acuerdo a los cuales los individuos más aptos de una población son los que
sobreviven, al adaptarse más fácilmente a los cambios que se producen en su
entorno.

Un investigador de la Universidad de Michigan llamado John Holland estaba

consciente de la importancia de la selección natural, y a fines de los 60s desarrolló una
técnica que permitió incorporarla en un programa de computadora. Su objetivo era
lograr que las computadoras aprendieran por sí mismas. A la técnica que inventó
Holland se le llamó originalmente "planes reproductivos", pero se hizo popular bajo el
nombre "algoritmo genético" tras la publicación de su libro en 1975.
DEFINICION

Es un algoritmo matemático altamente paralelo que transforma un conjunto de objetos

matemáticos individuales con respecto al tiempo usando operaciones modeladas de
acuerdo al principio Darwiniano de reproducción y supervivencia del más apto, y tras
haberse presentado de forma natural una serie de operaciones genéticas de entre las
que destaca la recombinación sexual. Cada uno de estos objetos matemáticos suele
ser una cadena de caracteres (letras o números) de longitud fija que se ajusta al
modelo de las cadenas de cromosomas, y se les asocia con una cierta función
matemática que refleja su aptitud. (John Koza).

Un algoritmo genético es un método de búsqueda que imita la teoría de la evolución

biológica de Darwin para la resolución de problemas. Para ello, se parte de una
población inicial de la cual se seleccionan los individuos más capacitados para luego
reproducirlos y mutarlos para finalmente obtener la siguiente generación de individuos
que estarán más adaptados que la anterior generación.

DESCRIPCION

Los pasos básicos de un algoritmo genético son:

• Evaluar la puntuación de cada uno de los cromosomas generados.
• Permitir la reproducción de los cromosomas siendo los más aptos los que
tengan más probabilidad de reproducirse.
• Con cierta probabilidad de mutación, mutar un gen del nuevo individuo
generado.
• Organizar la nueva población.
Para el estudio de los algoritmos genéticos hay que tener en cuenta una serie de
parámetros:
 Tamaño de la población
 Probabilidad de cruce
 Probabilidad de mutación
ALGORITMOS GENÉTICOS PARA RESOLVER PROBLEMAS DE OPTIMIZACIÓN
MULTIOBJETIVO
Optimización
Optimizacion numérica y los problemas de optimización numérica.

Programacion Automática
Programas para tareas específicas y diseñar otras estructuras computacionales tales
como el autómata celular y las redes de clasificación.

Aprendizaje Maquina
Tales como la predicción del tiempo o la estructura de una proteína, las reglas para
sistemas clasificación de aprendizaje o sistemas de producción simbólica, y los
sensores para robots.

Sistemas Sociales
En el aspecto de sistemas evolutivos de los sistemas sociales, tales como la evolución
del comportamiento social en colonias de insectos, y la evolución de la cooperación y
la comunicación en sistemas multi-agentes.

METODOLOGIA PROPUESTA

Codificación de las Variables

• Los cromosomas de alguna manera deberán contener información acerca de la
solución que representa.
• Codificación Binaria
• Codificación Numérica
• Codificación por Valor Directo
• Codificación en Árbol
Selección
Es necesario hacer una selección con los individuos más capacitados para que éstos
sean los que se reproduzcan con más probabilidad de acuerdo con la teoría de Darwin
• Selección por Rueda de Ruleta
• Selección por Rango
• Selección Elitista
• Selección por Estado Estacionario
• Selección por Torneo
• Selección Escalada
• Selección Jerárquica
 • Otras Selecciones

Reproducción o Crossover
• Crossover 1 Punto
• Crossover 2 Puntos
• Crossover Uniforme

Mutación
Tras el cruce, tiene lugar la mutación. Si nos referimos en términos de evolución, la
mutación se manifiesta de forma extraordinaria, nada común. Las mutaciones suelen
en promedio ser beneficiosas pues contribuyen a la diversidad genética de la especie.
Además previenen a las soluciones de la población de verse limitadas por un óptimo
local. Por lo tanto la mutación consiste en modificar ciertos genes de forma aleatoria
atendiendo a la probabilidad de mutación establecida con anterioridad.

VENTAJAS Y DESVENTAJAS

VENTAJAS
Una clara ventaja es que los algoritmos genéticos son intrínsicamente paralelos, es
decir, operan de forma simultánea con varias soluciones, en vez de trabajar de forma
secuencial como las técnicas tradicionales
Cuando se usan para problemas de optimización resultan menos afectados por los
máximos locales (falsas soluciones) que las técnicas tradicionales. Muchos algoritmos
de búsqueda pueden quedar atrapados en los óptimos locales
Otra ventaja es su habilidad para manipular muchos parámetros simultáneamente

DESVENTAJAS
Definir una representación del problema. El lenguaje utilizado para especificar
soluciones candidatas debe ser robusto
Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en
cierta medida de los parámetros que se utilicen -tamaño de la población, número de
generaciones…
Pueden converger prematuramente debido a una serie de problemas. Si un individuo
que es más apto que la mayoría de sus competidores emerge muy pronto en el curso
de la ejecución

APLICACIONES EN LA INGENIERIA
La aplicación más común de los algoritmos genéticos ha sido la solución de problemas
de optimización, en donde han mostrado ser muy eficientes:

 Diseño por computadora de nuevos materiales que cumplan múltiples

objetivos.
 Optimización del la carga de containers.
 Asignación de procesos en topologías de redes con procesamiento distribuido.
 Ubicación de archivos en sistemas de almacenamiento distribuido.
 Diseño de circuitos integrados.
 Optimización de la infraestructura de telefonía celular.
 Ingeniería Aeroespacial.
 Juegos.
 Robótica
APLICACIÓN EN INVESTIGACION DE OPERACIONES
BIBLIOGRAFIA
https://www.iit.comillas.edu/aramos/simio/transpa/t_mod1_ar.pdf

http://www.redalyc.org/html/849/84920491003/

http://eddyalfaro.galeon.com/geneticos.html

https://idus.us.es/xmlui/handle/11441/43290

https://www.iit.comillas.edu/aramos/simio/transpa/t_mod1_ar.pdf