Fundamentos de algoritmos evolutivos
Fundamentos de la evolución natural
Teoría de la selección natural
Genética de poblaciones
Adaptación y evolución
Especiación y diversificación
Permiten a las soluciones ajustarse a los objetivos y restricciones de un problema y evolucionar gradualmente hacia soluciones más eficientes y efectivas
Es una idea fundamental en la biología evolutiva y se aplica de manera análoga en los algoritmos evolutivos para la selección de soluciones
Es importante en los algoritmos evolutivos porque permite entender cómo se propagan y combinan los genes en la población de soluciones
se pueden modelar mediante la introducción de mecanismos que promuevan la diversidad genética en la población de soluciones
Lamarckismo
creía que los organismos podían adquirir características durante su vida que luego podían transmitir a su descendencia. Teoría refutada
teoría del germoplasma
Según esta teoría, el cuerpo se divide en células germinales (o germoplasma) que pueden transmitir información hereditaria
Russell y Darwin
explica cómo las similitudes entre hijos y padres observadas en la naturaleza le sugirieron que ciertas características de las especies eran hereditarias, y que de generación a generación ocurrían cambios cuya principal motivación era hacer a los nuevos individuos más aptos para sobrevivir
teoría de la combinación
las características hereditarias de los padres se mezclaban o combinaban de alguna forma en sus hijos
quedó refutada porque no explica los cambios repentinos en una especie
Las leyes de la herencia de Mendel
La primera ley establece que para que ocurra la reproducción sexual, previo a la formación de los gametos cada alelo de un par se separa del otro miembro para determinar la constitución genética del gameto hijo
La segunda ley concluyó que diferentes rasgos son heredados independientemente unos de otros, no existe relación entre ellos, por tanto el patrón de herencia de un rasgo no afectará al patrón de herencia de otro.
La tercera ley establece que cuando dos alelos diferentes están presentes en un individuo, uno de ellos (el dominante) se expresa en detrimento del otro
teoría de pangénesis
las características de los padres se transmitían directamente a la sangre de sus hijos
teoría de mutación
decía que no era gradual, que era espontanea y al azar
Neo-Darwinismo
establece que la historia de la vasta mayoría de la vida en nuestro planeta puede ser explicada a través de un puñado de procesos estocásticos que actúan sobre y dentro de las poblaciones y especies
ecosistemas artificiales
Vida artificial
Se enfoca en la creación de sistemas artificiales que exhiben comportamientos similares a los de los sistemas biológicos y deben de tener
una cierta capacidad para reproducirse
una cierta capacidad para cambiar a formas alternas (a través de mutaciones)
una necesidad de simbiosis (por ejemplo, a través de vida parásita) con otros genes u organismos
programación evolutiva
Consistió en hacer evolucionar autómatas de estados finitos, exponiéndolos a secuencias de símbolos de entrada y mejorando su capacidad para predecir secuencias futuras. Esta técnica se ha aplicado en predicción, control automático y otros campos, utilizando principios evolutivos como selección y mutación para mejorar gradualmente las soluciones a problemas específicos
La simulación de un ecosistema artificial jerárquico en el que organismos unicelulares estaban sujetos a una ley de conservación de la materia y competían por sobrevivir.
Estos organismos simulados demostraron capacidad para cooperar mutuamente, realizar estrategias biológicas como la recombinación genética y modificar la expresión de su genoma
Aplicaciones de los algoritmos evolutivos
Optimización de funciones matemáticas
Diseño de sistemas y procesos industriales
Aprendizaje automático y redes neuronales
Optimización de rutas y planificación de horarios
Diseño de estructuras y materiales
Ventajas y desventajas
Ventajas: capacidad de encontrar soluciones óptimas o cercanas a la óptima, flexibilidad para resolver diferentes tipos de problemas, capacidad de trabajar con múltiples objetivos
Desventajas: tiempo de cómputo elevado, dificultad para encontrar soluciones en problemas con muchas variables, sensibilidad a la selección de parámetros