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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/22215

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