Heurísticas y Algoritmos Genéticos: Optimización y Búsqueda de Soluciones, Resúmenes de Ingeniería

¡Descarga Heurísticas y Algoritmos Genéticos: Optimización y Búsqueda de Soluciones y más Resúmenes en PDF de Ingeniería solo en Docsity!

Materia:

Procesos de

desarrollo de

software

Turno:

Matutino (IS21)

Alumna:

Dayana Elizabeth

Gómez Ruiz

Realizaras una investigación de los siguientes puntos:  Definir el concepto de heurística.  Explicar los procesos y condiciones heurísticos de optimización y medición de tiempos de ejecución.  Definir el concepto de algoritmo genético y explicar el proceso de desarrollo de algoritmo genético Heurística: Se conoce como heurísticaal conjunto de técnicas o métodos para resolver un problema. La heurística es vista como el arte de inventar por parte de los seres humanos, con la intención de procurar estrategias, métodos, criterios, que permitan resolver problemas a través de la creatividad, pensamiento divergente o lateral. Existen varios procedimientos heurísticos que se dividen en:

1. Principios heurísticos, son los que establecen sugerencias para encontrar la solución idónea al problema.
2. Reglas heurísticas, son las que señalan los medios para resolver el problema.
3. Estrategias heurísticas, son aquellas que permiten organizar los materiales o recursos compilados que contribuyen a la búsqueda de la solución del problema. Método heurístico Es el conjunto de métodos y técnicas que se emplean con el fin de encontrar y solucionar un problema en aquellos casos que es difícil hallar una solución óptima o satisfactoria. Por tal razón, en las disciplinas científicas se suele emplear el método heurístico a fin de alcanzar el mejor resultado ante un problema en específico. La heurística existe desde la antigua Grecia, sin embargo, este término lo popularizó el matemático George Pólya, en su libro “Cómo resolverlo”, en el cual explica el método heurístico a sus alumnos de matemáticas, y a todos aquellos que desearan aprender de la disciplina, citando cuatro ejemplos:
4. Si no consigues entender un problema, dibuja un esquema.
5. Si no encuentras la solución, haz como si ya la tuvieras y mira qué puedes deducir de ella (razonando a la inversa).
6. Si el problema es abstracto, prueba examinar un ejemplo concreto.
7. Intenta abordar primero un problema más general y revisar.

esto, el rendimiento de las meta-heurísticas mejora significativamente cuando se ejecuta en paralelo (Luong, 2011). La computación paralela y distribuida puede ser usada en el diseño e implementación de meta- heurísticas por las razones siguientes:  Acelerar la búsqueda: uno de los objetivos principales de paralelizar una meta-heurística es reducir el tiempo de búsqueda. Esto es un aspecto crucial para algunas clases de problemas donde tenemos requisitos en los tiempos de búsqueda.  Mejorar la robustez: una meta-heurística paralela podría ser más robusta en correspondencia con solucionar problemas de optimización diferentes y ejemplos diferentes de un problema en particular de una manera eficaz. La robustez también puede ser medida en relación con la sensibilidad de la meta-heurística hacia sus parámetros.  Mejorar la calidad de las soluciones obtenidas: algunos modelos de meta-heurísticas paralelas permiten mejorar la calidad de la búsqueda. Ciertamente, intercambiar información entre meta- heurísticas cooperativas modificará su comportamiento en términos de búsqueda en el ámbito asociado al problema. El objetivo principal de una cooperación paralela entre las meta- heurísticas es mejorar la calidad de las soluciones.  Solucionar problemas a gran escala: las meta-heurísticas paralelas permiten solucionar ejemplos complicados de problemas de optimización a gran escala. Un ejemplo de ello es solucionar más modelos matemáticos exactos relacionados con problemas de optimización diferentes. Definir el concepto de algoritmo genético y explicar el proceso de desarrollo de algoritmo genético. Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin (1859). Por imitación de este proceso, los Algoritmos Genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas. Un algoritmo genético es una búsqueda heurística que está inspirada en la teoría de la evolución natural de Charles Darwin. Este algoritmo refleja el proceso de selección natural donde los individuos más aptos son seleccionados para la reproducción con el fin de producir descendencia de la próxima generación. Cinco fases en un algoritmo genético:  Población inicial  Función de aptitud  Selección  Cruzamiento  Mutación Población inicial. El proceso comienza con un conjunto de individuos que se llama Población. Cada individuo es una solución al problema que desea resolver. Un individuo se caracteriza por un conjunto de parámetros (variables) conocidos como Genes. Los genes se unen en una cuerda para formar un cromosoma (solución). En un algoritmo genético, el conjunto de genes de un individuo se representa utilizando una cuerda, en términos de un alfabeto. Por lo general, se utilizan valores binarios (cadena de 1s y 0s). Decimos que codificamos los genes en un cromosoma.

Función de aptitud La función de aptitud determina qué tan buena es una persona (la capacidad de una persona para competir con otras personas). Le da un puntaje de aptitud a cada individuo. La probabilidad de que un individuo sea seleccionado para la reproducción se basa en su puntaje de aptitud. Selección La idea de la fase de selección es seleccionar a las personas más aptas y dejarles pasar sus genes a la próxima generación. Se seleccionan dos pares de individuos en función de sus puntajes de aptitud. Las personas con una buena aptitud tienen más posibilidades de ser seleccionadas para la reproducción. Cruzamiento El cruzamiento es la fase más importante en un algoritmo genético. Para cada par de padres que se aparearán, se elige al azar un punto de cruce dentro de los genes. Los descendientes se crean intercambiando los genes de los padres entre ellos hasta que se alcanza el punto de cruce. Mutación En ciertos descendientes nuevos, algunos de sus genes pueden ser sometidos a una mutación con una baja probabilidad aleatoria. Esto implica que algunos de los bits en la cadena de bits se pueden voltear. La mutación ocurre para mantener la diversidad dentro de la población y prevenir la convergencia prematura. Terminación El algoritmo finaliza si la población ha convergido (no produce descendencia que sea significativamente diferente de la generación anterior). Luego se dice que el algoritmo genético ha proporcionado una serie de soluciones a nuestro problema. ¿Por qué usar algoritmos genéticos? Es mejor que la IA convencional porque es más robusta. A diferencia de los sistemas de IA más antiguos, no se rompen fácilmente incluso si las entradas cambiaban levemente o en presencia de ruido razonable. Además, al buscar en un gran espacio de estado multimodal o superficie n-dimensional, un algoritmo genético puede ofrecer beneficios significativos sobre una búsqueda más típica de técnicas de optimización. (programación lineal, heurística, búsqueda en profundidad y praxis) Aplicaciones en el mundo real El algoritmo genético tiene muchas aplicaciones en el mundo real. Diseño de ingeniería El diseño de ingeniería se ha basado en gran medida en la simulación y el modelado de computadoras para que el proceso del ciclo de diseño sea rápido y económico. El algoritmo genético se ha utilizado para optimizar y proporcionar una solución robusta. Enrutamiento de tráfico y envío (Problema del vendedor ambulante) Este es un problema famoso y ha sido adoptado de manera eficiente por muchas compañías basadas en ventas ya que ahorra tiempo y es económico. También se puede solucionar usando un algoritmo genético.

https://www.significados.com/heuristica/ http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227- 18992016000300004#:~:text=Un%20m%C3%A9todo%20heur%C3%ADstico%20es%20un,bue na%20soluci%C3%B3n%20de%20manera%20eficiente.