Algoritmos Bioinspirados Flashcards
Algoritmos genéticos, Algoritmos evolutivos avanzados, Inteligencia de Enjambre
¿Qué son los algoritmos genéticos?
Técnicas de optimización y búsqueda inspiradas en los principios de la evolución biológica y la selección natural.
¿Cuáles son los conceptos clave de los algoritmos genéticos?
- Población: conjunto de individuos que evolucionan en el tiempo.
Individuos: Quienes interactúan y representan una posible solución.
- Gen
- Fitness: para evaluar la solución
- Crossover: combinación de individuos en la que generan decendencia tomando parte de los individuos “padres”
- Mutación: alteración aleatoria
- Reemplazo: nuevos individuos sustituyendo a los anteriores
¿Cuáles son los pasos seguidos en los algoritmos geneticos?
- Inicialización: Crear una población inicial de soluciones aleatorias.
- Evaluación: Calcular la aptitud de cada individuo.
- Selección: Elegir a los individuos más aptos para reproducirse.
- Cruzamiento: Generar nuevos individuos combinando los seleccionados.
- Mutación: Aplicar mutaciones aleatorias a algunos individuos.
- Reemplazo: Formar una nueva generación con los individuos resultantes.
- Iteración: Repetir el proceso hasta cumplir un criterio de parada.
¿Qué ventaja presentan los algoritmos bioinspirados con respecto a otros?
No requieren información derivada.
Pueden explorar espacios de búsqueda grandes y complejos.
Son robustos frente a ruido y cambios en el problema.
¿Qué desventaja presentan los algoritmos bioinspirados con respecto a otros?
Pueden ser computacionalmente costosos.
No garantizan encontrar la solución óptima global.
¿Qué son los algoritmos evolutivos avanzados?
Extensiones de los algoritmos bioinspirados más complejos, esto por medio de la optimización multimodal y optimización multiobjetivo.
¿Qué es la optimización multimodal?
Una rama de los algoritmos bioinspirados en la cual se busca más de una solución, esto para poder encontrar la solución más optima globalmente y no solo localmente
¿Qué características presenta la optimización multimodal?
- Diversidad: Mantener una población diversa para explorar diferentes regiones del espacio de búsqueda.
- Nichos y especies: Técnicas para agrupar individuos similares y evitar que converjan a un único óptimo.
- Preservación de soluciones: Almacenar y proteger soluciones óptimas encontradas durante la búsqueda.
¿Cuáles son las técnicas comunes de la optimización multimodal?
Sharing fitness: Reduce la aptitud de individuos similares para promover la diversidad.
Crowding: Reemplaza individuos con otros similares en la población.
Algoritmos de nicho: Crean subpoblaciones que exploran diferentes regiones del espacio de búsqueda.
Algoritmos meméticos: Combina búsqueda global (evolutiva) con búsqueda local (como hill-climbing).
¿Qué es la optimización multiobjetivo?
Es la técnica cuando hay una situación donde no solo hay un objetivo a resolver, sino varios.
¿Cuál es la problematica con la optimización multiobjetivo?
Muchas veces cuando se mejora un cirterio se empeora otro, a esto se le conoce como Frontera de Pareto.
¿Qué tipos de conceptos hay en las soluciones de la optimización multiobjetivo?
Frontera de Pareto: Conjunto de soluciones óptimas en las que no se puede mejorar un criterio sin empeorar otro.
Dominancia de Pareto: Una solución A domina a B si A es mejor en al menos un criterio y no es peor en los demás.
Soluciones de compromiso: No hay una única mejor solución, sino un conjunto de opciones balanceadas.
¿Qué es la inteligencia de enjambre?
Algotimos bioinspirados que consisten en los individuos interactuando entre sí y siguiendo reglas simples
¿Cuáles son tres de los algoritmos de inteligencia de enjambre más importantes?
Colonia de Hormigas (ACO)
Colonia de abjeas
Optimización de enjambre de partículas
¿Cómo funciona el algoritmo de colonia de hormigas?
Primero se inicializan con X hormigas y niveles de feromona.
La hormiga elige a donde ir por medio de la cantidad de feromona que haya y una pequeña posibilidad aleatoria.
La hormiga va soltando feromona dependiendo de lo prometedor que sea su camino.
La feromona se va diluyendo con el tiempo.
Cuando la hormiga llegue al camino cada vez van a ir más hormigas reforzando la feromona en la zona.
¿Cuáles son las ventajas del algoritmo colonia de hormigas?
Encuentra soluciones cercanas al óptimo en problemas complejos.
Explora y explota eficientemente el espacio de búsqueda.
Puede adaptarse a problemas dinámicos.
¿Cuáles son las desventajas del algoritmo colonia de hormigas?
Si la solución es lejana es un algoritmo muy lento.
Se requiere mucho reajuste en los parámetros iniciales, en especial sobre la evaporación de feromona.
¿Cómo funciona el algoritmo de colonia de abejas?
Inicialización: se generan las abejas.
Busqueda local: cada abeja busca nectar en un perimetro.
Llega al nectar y lo evaluan.
Se selecciona el que este mejor evaluado y van n abejas a recolectar.
El resto de abejas siguen su busqueda para encontrar una mejor opción.
¿Cuáles son los parametros del algoritmo colonia de abejas?
Cantidad de abejas.
Cantidad de lugares a visitar.
Catidad de mejores lugares.
Cantidad de abejas que iran a los mejores lugares.
Cantidad de abejas que seguiran explorando.
Cantidad de iteraciones.
¿Cuáles son los parametros del algoritmo colonia de hormigas?
Cantidad de hormigas
Desgaste de la feromona
¿Cuáles son las ventajas del algoritmo colonia de abejas?
Buen equilibrio entre ir a explorar solución global y explotación de soluciones locales.
Funciona bien en problemas continuos
¿Cuáles son las desventajas del algoritmo colonia de abejas?
Muchos parametros ajustables.
Puede ser más lento que otros algoritmos.
¿Cómo funciona el algoritmo de optimización de enjambre de partículas (PSO)?
Se generan particulas con posiciones y velocidades aleatorias.
Se calcula la función objetivo y se evalua la posición y velocidad de las particulas.
Actualización de posiciones y velocidades basándose en:
Su mejor posición personal
La mejor posición global encontrada por el enjambre
Un factor de inercia que controla la exploración y explotación.
Iteración: Se repite hasta alcanzar un criterio de parada
¿Cuáles son las ventajas de PSO?
Fácil de implementar.
Pocos parámetros a ajustar.
Funciona bien en optimización de funciones.
¿Cuáles son las desventajas de PSO?
Puede quedar atrapado en óptimos locales.
No garantiza encontrar la solución óptima global.
