Presentación del grupo 7027 - 2010-2.

El campo de los Algortimos Evolutivos (EAs – Evolutionary Algorithms), constituido básicamente por la Programación Evolutiva (EP – Evolutionary Programming) de Fogel et al [1] en 1966, los Algoritmos Genéticos (GAs – Genetic Algorithms) de Holland [2] en 1975 y las Estrategias Evolutivas (ES – Evolution Strategies) de Rechenberg [3] en 1973, se inspira en los mecanismos de evolución de los sistemas biológicos naturales a diferentes niveles de abstracción. La idea se basa en la existencia de un conjunto de individuos en un entorno biológico, los cuáles, evolucionan de generación en generación con la finalidad de adaptarse a las dificultades que su medio ambiente les impone.

El proceso de evolución se lleva a cabo mediante la reproducción, variación aleatoria, competencia y selección del material genético de cada individuo (cromosomas). Este proceso de selección natural es un mecanismo de aprendizaje que a lo largo del tiempo, genera individuos aptos para sobrevivir en un ambiente definido.En un contexto heurístico, el entorno biológico es un problema de optimización. Cada individuo o cadena cromosómica o cromosoma equivale a una solución alterna al problema en cuestión, el conjunto de individuos en una generación se denomina población; cada cromosoma se conforma por un conjunto de genes (equiparables al vector de variables del problema) que toman ciertos valores (alelos) de un alfabeto genético, la información contenida en dichas variables en su representación original es denominada genotipo, y su traducción a rasgos visibles fenotipo. A cada individuo se le asocia un valor de aptitud que define qué tan bien adaptado esta al entorno.

Los GAs son el enfoque más conocido dentro de los EAs, involucran procesos de apareamiento, mutación y selección que guían al perfeccionamiento de los individuos a lo largo del tiempo, su abstracción de la teoría evolutiva es a nivel de individuo. Por otra parte, las ES son una abstracción de la teoría evolutiva a nivel de individuo, por lo que implican de manera natural los procesos de apareamiento y mutación. En cuanto a la EP, ésta visualiza la inteligencia como un comportamiento adaptativo, por lo que representa una abstracción de la teoría evolutiva a nivel de especies, individuos de distintas especies no pueden cruzarse entre sí. Debido a esto, la EP no requiere un proceso de apareamiento, ya que enfatiza los lazos de comportamiento entre padres e hijos, en vez de emular operadores genéticos específicos.

Otros enfoques recientes, también desarrollados bajo el esquema evolutivo son: Programación Genética (GP – Genetic Programming) de Koza [4] en 1990, Algoritmos Culturales (CA - Cultural Algorithms) de Reynolds [5] en 1994 y Evolución Diferencial (DE – Differential Evolution) de Price & Store [6] en 1995.Dados los objetivos del curso, los esquemas evolutivos que serán estudiados en clase por su aplicación en optimización numérica, clasificación y predicción son: AGs, EP, ES y GP.

^{[1] L.J. Fogel, A.J. Owens and M.J. Walsh, Artificial intelligence through simulated evolution. New York: Wiley, 1966.}

^{[2] H.J. Holland, Adaptation in Natural and Artificial Systems, Ann arbor, MI: Univ. of Michigan Press, 1975.}

^{[3] Ingo Rechenberg, Evolutionsstrategie, Friedrich Frommann Verlag, 1973.}

^{[4] John R. Koza, Genetic Programming: A Paradigm for Genetically Breeding Populations of Computer Programs to Solve Problems, Stanford University Computer Science Department technical report STAN-CS-90-1314, 1990.}