Cómputo Evolutivo Grupo01
Dr. Nestor Velasco Bermeo
Unidad 1. Introducción al Cómputo Evolutivo
Open Class 1
Agenda
1) Introducción al curso
2) Inicios y Antecedentes
Historicos
3) Consideraciones Generales
4) Evolución Darwiniana
5) La gran metáfora
6) Un vistazo a los A.E.
7) Ejemplos de aplicaciones
8) Revision del Caso 1
9) Dudas
Competencias
● Identificar los fundamentos del cómputo
evolutivo mediante la aplicación de
estrategias para la resolución de problema
de optimización.
● Definir las estrategias de algoritmos
genéticos, estrategias evolutivas y
programación evolutiva para aplicarlos en
problemas de optimización
Introduccion al curso
Docente: Dr. Nestor Velasco Bermeo.
Presentaciones del curso: [Link]
Las sesiones iniciarán 5 minutos despues de la hora agendada, al
unirse a la sesion se recomienda a los estudiantes silenciar su
microfono.
Utilizar su NOMBRE COMPLETO como su nombre de usuario en
ZOOM, de lo contrario NO se registrará su asistencia.
Sobre las actividades del curso
Enviar correo en caso de que se realice alguna actividad fuera de tiempo con
el fin de agilizar la evaluación/retroalimentación de la misma.
Evitar el PLAGIO en cualquier actividad realizada (Foro de discusión, Análisis
de caso, Evidencia de Participación en OC).
Citar todas las referencias en formato APA.
Utilizar los formatos de entrega provistos en el apartado de
Forma de Evaluación para las actividades del curso (Texto, Hoja de cálculo,
Presentación).
Enviar archivos en formato PDF; matricula_actividad.PDF
Inicios
50’s y 60’s diferentes investigadores coincidieron
en que la evolución podría usarse como una
herramienta de optimización para problemas de
ingeniería.
Primero en proponer dicho
acercamiento?
Antecedentes Historicos
1948, Turing: propone la “búsqueda genética o
evolutiva”
1962, Bremermann: optimización a través de la
evolución y la recombinación
1964, Rechenberg: describe las estrategias evolutivas
1965, L. Fogel, Owens and Walsh: introduce la
Programación Evolutiva.
Antecedentes Historicos
1975, Holland: descubre los Algoritmos Genéticos
1992, Koza: describe la Programación Genética
Consideraciones Generales
Es parte de las ciencias computacionales
No es parte de la biología
La biología brindó inspiración y terminología.
Se puede aplicar en la investigación biológica (no
es exclusivo de ingeniería o computación)
Evolucion Darwiniana
Considera:
Todos los ambientes son finitos (recursos).
Puede mantener a un numero finito de individuos.
Instinto natural es la reproducción.
Por lo tanto la selección es inevitable.
Evolucion Darwiniana
Aquellos individuos que compiten por los recursos de
manera más efectiva tienen mayores posibilidades de
reproducción.
Desarrollar una población de soluciones candidatas a
un problema dado, utilizando operadores inspirados en
variación genética natural y selección natural
Evolucion Darwiniana (cont)
La población está formada por un conjunto diverso
de individuos.
Las combinaciones de rasgos que se adaptan
mejor tienden a aumentar la representación en la
población
Los individuos son “unidades de selección”
Evolucion Darwiniana (cont)
Las variaciones ocurren a través de cambios
aleatorios que originan diversidad.:
La población es la “unidad de evolución”
Desarrollar una población de soluciones candidatas
a un problema dado, utilizando operadores
inspirados en variación genética natural y selección
natural
Evolucion Darwiniana (Ejemplos)
Evolucion Darwiniana (Ejemplos)
La gran metáfora
EVOLUCIÓN SOLUCIÓN DE PROBLEMAS
Ambiente
Problema
Individuo
Solución Candidata
Aptitud(Fitness*)
Calidad*
Fitness = probabilidad de supervivencia y reproducción
Calidad = probabilidad de generar nuevas soluciones
Entonces...
Se busca desarrollar una población de soluciones
candidatas a un problema dado, utilizando operadores
inspirados en variación genética natural y selección natural.
Aumenta la complejidad de los problemas a resolver
Disminuye el tiempo para el análisis exhaustivo de
problemas
Se necesita una tecnología robusta para resolver dichos
problemas...
Un vistazo a los algoritmos evolutivos*
Inicializar Selección
Selecciónpara
para Descendientes
Descendientes
Población Reprodución
Reprodución por
porrecombinación
recombinación
Descendientes
Descendientes
por
porMutación
Mutación
Selección
Selecciónpara
para
Terminación Supervivencia
Supervivencia
Ejemplos de Aplicaciones
Modelo de credibilidad del solicitante de préstamo
Banco desarrolla un modelo de credibilidad para
predecir el comportamiento de pago de préstamos de
los nuevos solicitantes (datos sociogeográficos,
estados financieros de hipotecas, préstamos,seguros,
detalles de uso tarjetas)
Ejemplos de Aplicaciones
Evolución: modelos de predicción
Fitness: precisión del modelo en información histórica
Ejemplos de Aplicaciones
Sociedades Artificiales [Epstein, 1996]
Simulación de comercio, competencia económica,
para entrenar y ajustar modelos
Uso de los modelos para optimizar estrategias y
políticas
Economía evolutiva
CASO
Caso 1: Caso 1: Máquina de Estados Finitos
DUDAS
RECURSOS ADICIONALES
Recursos Adicionales
●
Mitchell, M., & Taylor, C. E. (1999). Evolutionary
computation: an overview. Annual Review of Ecology
and Systematics, 30(1), 593-616.
●
Koza, J. R. (1997). Genetic programming.
Banzhaf, W., Nordin, P., Keller, R. E., & Francone, F. D.
(1998). Genetic programming: an introduction: on the
automatic evolution of computer programs and its
applications. Morgan Kaufmann Publishers Inc..
Recursos Adicionales
Marqués Marzal, A. I., García Jiménez, V., & Sánchez
Garreta, J. S. (2013). A literature review on the
application of evolutionary computing to credit scoring.
Mitchell, M. (1998). An introduction to genetic
algorithms. MIT press.
Koza, J. R. (1994). Genetic programming II (Vol. 17).
Cambridge: MIT press.