Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades
- Autores
- Vilanova, Gabriela; Márquez, E.; Pandolfi, Daniel; Mac Donald, E.; Lorenzetti, Héctor Daniel
- Año de publicación
- 1999
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- La adaptación de de parámetros y operadores es una de las más improtantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema mientras se resuelve el mismo. En los algoritmos genéticos (AGs) no solo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del (AG) de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar 'a mano' valores apropiados de parámetros y probabilidades de operadores para un AG que afecten la performance del algoritmo de una manera significativa, es una tarea que implica consumo de tiempo y esfuerzo considerable. Ello ha motivado la automatización de dicho proceso. En los (AGs), las soluciones tentativas del espacio de búsqueda son codificadas o representadas tradicionalmente por medio de cadenas binarias, el Gray coding es una representación alternativa a la codificación estándar de potencias de 2. Bajo esta codificación los puntos adyacentes difieren en sólo un bit. Como uno de los principales operadores genéticos, el crossover permite que dos individuos con alto valor de fitness o adaptabilidad puedan combinar las mejores características de cada uno. Los nuevos individuos se crean por crossover alineando los padres escogidos y creando dos nuevos individuos por intercambio de subcadenas detemiinadas en un punto aleatorio de corte (one-point crossover). Otra alternativa es seleccionar 2 o más puntos de corte (two-point y multi-point crossover). También es de uso corriente el uniform crossover que intercambia aleatoriamente bits entre ambos padres. En el presente trabajo se analiza la relación. entre las representaciones de los individuos y los métodos de crossover a los cuales son sometidos, partiendo de una población inicial en la que a cada individuo se le asocia aleatoriamente una probabilidad de cruzamiento. A medida que evoluciona el (AG), las probabilidades que heredan los individuos hijos se adaptan dinámicamente en función de una regla determinística. De esta manera no solo se logra una evolución en el fitness de los individuos sino también en las probabilidades de cruzamiento.
Eje: Redes y sistemas inteligentes
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
algoritmos genéticos
adaptación
Algorithms
representación
crossover - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/22215
Ver los metadatos del registro completo
id |
SEDICI_0c02bd21cb2f54b6ed5ab06b41e63f34 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/22215 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidadesVilanova, GabrielaMárquez, E.Pandolfi, DanielMac Donald, E.Lorenzetti, Héctor DanielCiencias InformáticasARTIFICIAL INTELLIGENCEalgoritmos genéticosadaptaciónAlgorithmsrepresentacióncrossoverLa adaptación de de parámetros y operadores es una de las más improtantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema mientras se resuelve el mismo. En los algoritmos genéticos (AGs) no solo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del (AG) de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar 'a mano' valores apropiados de parámetros y probabilidades de operadores para un AG que afecten la performance del algoritmo de una manera significativa, es una tarea que implica consumo de tiempo y esfuerzo considerable. Ello ha motivado la automatización de dicho proceso. En los (AGs), las soluciones tentativas del espacio de búsqueda son codificadas o representadas tradicionalmente por medio de cadenas binarias, el Gray coding es una representación alternativa a la codificación estándar de potencias de 2. Bajo esta codificación los puntos adyacentes difieren en sólo un bit. Como uno de los principales operadores genéticos, el crossover permite que dos individuos con alto valor de fitness o adaptabilidad puedan combinar las mejores características de cada uno. Los nuevos individuos se crean por crossover alineando los padres escogidos y creando dos nuevos individuos por intercambio de subcadenas detemiinadas en un punto aleatorio de corte (one-point crossover). Otra alternativa es seleccionar 2 o más puntos de corte (two-point y multi-point crossover). También es de uso corriente el uniform crossover que intercambia aleatoriamente bits entre ambos padres. En el presente trabajo se analiza la relación. entre las representaciones de los individuos y los métodos de crossover a los cuales son sometidos, partiendo de una población inicial en la que a cada individuo se le asocia aleatoriamente una probabilidad de cruzamiento. A medida que evoluciona el (AG), las probabilidades que heredan los individuos hijos se adaptan dinámicamente en función de una regla determinística. De esta manera no solo se logra una evolución en el fitness de los individuos sino también en las probabilidades de cruzamiento.Eje: Redes y sistemas inteligentesRed de Universidades con Carreras en Informática1999-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/22215spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:54:57Zoai:sedici.unlp.edu.ar:10915/22215Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:54:57.34SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
title |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
spellingShingle |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades Vilanova, Gabriela Ciencias Informáticas ARTIFICIAL INTELLIGENCE algoritmos genéticos adaptación Algorithms representación crossover |
title_short |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
title_full |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
title_fullStr |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
title_full_unstemmed |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
title_sort |
Representaciones básicas : Aplicación determinística y probabilística de operadores de crossover en algoritmos genéticos con adaptación dinámica de probabilidades |
dc.creator.none.fl_str_mv |
Vilanova, Gabriela Márquez, E. Pandolfi, Daniel Mac Donald, E. Lorenzetti, Héctor Daniel |
author |
Vilanova, Gabriela |
author_facet |
Vilanova, Gabriela Márquez, E. Pandolfi, Daniel Mac Donald, E. Lorenzetti, Héctor Daniel |
author_role |
author |
author2 |
Márquez, E. Pandolfi, Daniel Mac Donald, E. Lorenzetti, Héctor Daniel |
author2_role |
author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas ARTIFICIAL INTELLIGENCE algoritmos genéticos adaptación Algorithms representación crossover |
topic |
Ciencias Informáticas ARTIFICIAL INTELLIGENCE algoritmos genéticos adaptación Algorithms representación crossover |
dc.description.none.fl_txt_mv |
La adaptación de de parámetros y operadores es una de las más improtantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema mientras se resuelve el mismo. En los algoritmos genéticos (AGs) no solo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del (AG) de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar 'a mano' valores apropiados de parámetros y probabilidades de operadores para un AG que afecten la performance del algoritmo de una manera significativa, es una tarea que implica consumo de tiempo y esfuerzo considerable. Ello ha motivado la automatización de dicho proceso. En los (AGs), las soluciones tentativas del espacio de búsqueda son codificadas o representadas tradicionalmente por medio de cadenas binarias, el Gray coding es una representación alternativa a la codificación estándar de potencias de 2. Bajo esta codificación los puntos adyacentes difieren en sólo un bit. Como uno de los principales operadores genéticos, el crossover permite que dos individuos con alto valor de fitness o adaptabilidad puedan combinar las mejores características de cada uno. Los nuevos individuos se crean por crossover alineando los padres escogidos y creando dos nuevos individuos por intercambio de subcadenas detemiinadas en un punto aleatorio de corte (one-point crossover). Otra alternativa es seleccionar 2 o más puntos de corte (two-point y multi-point crossover). También es de uso corriente el uniform crossover que intercambia aleatoriamente bits entre ambos padres. En el presente trabajo se analiza la relación. entre las representaciones de los individuos y los métodos de crossover a los cuales son sometidos, partiendo de una población inicial en la que a cada individuo se le asocia aleatoriamente una probabilidad de cruzamiento. A medida que evoluciona el (AG), las probabilidades que heredan los individuos hijos se adaptan dinámicamente en función de una regla determinística. De esta manera no solo se logra una evolución en el fitness de los individuos sino también en las probabilidades de cruzamiento. Eje: Redes y sistemas inteligentes Red de Universidades con Carreras en Informática |
description |
La adaptación de de parámetros y operadores es una de las más improtantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema mientras se resuelve el mismo. En los algoritmos genéticos (AGs) no solo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del (AG) de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar 'a mano' valores apropiados de parámetros y probabilidades de operadores para un AG que afecten la performance del algoritmo de una manera significativa, es una tarea que implica consumo de tiempo y esfuerzo considerable. Ello ha motivado la automatización de dicho proceso. En los (AGs), las soluciones tentativas del espacio de búsqueda son codificadas o representadas tradicionalmente por medio de cadenas binarias, el Gray coding es una representación alternativa a la codificación estándar de potencias de 2. Bajo esta codificación los puntos adyacentes difieren en sólo un bit. Como uno de los principales operadores genéticos, el crossover permite que dos individuos con alto valor de fitness o adaptabilidad puedan combinar las mejores características de cada uno. Los nuevos individuos se crean por crossover alineando los padres escogidos y creando dos nuevos individuos por intercambio de subcadenas detemiinadas en un punto aleatorio de corte (one-point crossover). Otra alternativa es seleccionar 2 o más puntos de corte (two-point y multi-point crossover). También es de uso corriente el uniform crossover que intercambia aleatoriamente bits entre ambos padres. En el presente trabajo se analiza la relación. entre las representaciones de los individuos y los métodos de crossover a los cuales son sometidos, partiendo de una población inicial en la que a cada individuo se le asocia aleatoriamente una probabilidad de cruzamiento. A medida que evoluciona el (AG), las probabilidades que heredan los individuos hijos se adaptan dinámicamente en función de una regla determinística. De esta manera no solo se logra una evolución en el fitness de los individuos sino también en las probabilidades de cruzamiento. |
publishDate |
1999 |
dc.date.none.fl_str_mv |
1999-05 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/22215 |
url |
http://sedici.unlp.edu.ar/handle/10915/22215 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844615807859949568 |
score |
13.070432 |