CONCLUSIONES
1. Los algoritmos genéticos permiten realizar una simulación muy versátil del
crecimiento de una población, haciendo unas pequeñas modificaciones a
los operadores del algoritmo genético básico y aumentando algunos
operadores.
2. Al utilizar únicamente dos hijos en las simulaciones, la población se
mantiene constante o decrece, mientras que al realizar las simulaciones
con un mayor número de hijos, la población muestra un crecimiento.
3. En la simulación, el uso del crossover uniforme dará mejores resultados
que el crossover en un sólo punto, ya que habrá una gran parte de la
población que se reproducirá, mientras que en el crossover en un punto,
al fallar la probabilidad, ninguno se reproducirá.
4. En la simulación, la mutación en un punto, da como resultado un conjunto
de datos que representan una curva más suave.
5. No existen cambios relevantes utilizar el elitismo o al no hacerlo.
6. Al exigir la mutación en cada individuo e iteración de la población, se
observará un decrecimiento, debido a una baja tasa de natalidad.
7. Al utilizar el método de selección del torneo, la población mostrará una
alta tasa de natalidad.
8. En los algoritmos genéticos el operador de mayor importancia es el
operador de selección, ya que éste permite una mejor convergencia en
menor tiempo de ejecución si es bien implantado; pero puede suceder lo
contrario si se lo implanta mal.
9. En los algoritmos genéticos la función de adaptación es la misma función
que se desea optimizar; pero puede utilizarse algún conocimiento
matemático para optimizar el tiempo de ejecución.
10. En los algoritmos genéticos el crossover se encarga de buscar mejores
individuos mediante el intercambio de bits y la mutación permite la
diversificación de la población para evitar la convergencia prematura; pero
el abuso de la mutación provoca una búsqueda aleatoria.
11. Al utilizar un mayor número de individuos se puede abarcar un mayor
número de puntos discretos en el intervalo de búsqueda, y por lo tanto se
obtendrá estimadores más cercanos a los que se obtienen mediante
métodos convencionales o búsquedas heurísticas.
12. Los modelos poblacionales tienen crecimiento que puede modelarse
bastante bien mediante el modelo exponencial y el modelo logístico; pero
un modelo lineal es muy malo para predecir la tendencia de los mismos.
13. Los estimadores de 0 y 1 de los modelos exponenciales y logísticos que
se obtienen mediante los algoritmos genéticos son casi los mismos que
se obtienen mediante el método convencional de los mínimos cuadrados,
siempre que se tome en cuenta el intervalo de búsqueda de estos
estimadores.
14. La selección de un modelo que explique la regresión de la mejor manera
mediante algoritmos genéticos es una de las principales utilidades que
estos algoritmos presentan, ya que cuando existe un gran número de
posibles modelos, los algoritmos genéticos pueden encontrar un modelo
de gran explicación en menor tiempo que en búsquedas heurísticas.
15. El tiempo de ejecución de los algoritmos genéticos crece
exponencialmente y es directamente proporcional al de acuerdo al
número de individuos de la población o nodos de la búsqueda, así como
al número de iteraciones.
16. Considero que el mejor uso que puede dársele a los algoritmos genéticos
aplicándolos a los modelos poblacionales es en la selección de un mejor
modelo que dependa de varias variables.
RECOMENDACIONES
1. La selección debe realizarse utilizando como dominio sólo los individuos
con mejores aptitudes para obtener una mejor convergencia en menor
tiempo. El elitismo también es muy bueno para realizar la selección
porque garantiza que se tomarán únicamente los mejores individuos.
2. La función de adaptación debe ser lo más sencilla posible, ya que cuando
depende del número de datos, así como en los modelos poblacionales, el
tiempo de ejecución aumenta excesivamente.
3. Para la obtención de 0 y 1 en los modelos poblacionales, debe utilizarse
una probabilidad de crossover mayor a 0.80, para que pueda convergerse
a una respuesta adecuada. También debe usarse una probabilidad de
mutación que se encuentre entre 0.10 y 0.40 para evitar la convergencia a
un punto mínimo local.
4. El tamaño del intervalo de búsqueda y la precisión deseada de los
resultados debe ser directamente proporcional al número de nodos o
número de individuos que se utilizarán.
5. Antes de escoger y decidir si un modelo de crecimiento poblacional es
logístico o exponencial, debe observarse la tendencia de los datos de la
población.
6. Los algoritmos genéticos aplicados a los modelos poblacionales deben
programarse de la forma más óptima y eficientemente posible, utilizando
listas enlazadas para almacenar todos los tipos de datos, y debe
minimizarse el acceso a archivos de texto o a bases de datos.
7. Sería apropiado investigar un poco más acerca de los algoritmos
genéticos aplicándolos en diferentes ámbitos de la estadística, así como a
la investigación de operaciones.
8. Además debe investigarse más sobre los autómatas celulares, ya que es
necesario tratar ciertas aplicaciones de la vida artificial que permiten
experimentar mediante la simulación.