Questions and Answers
¿Cuál de los siguientes NO es un criterio de convergencia común en los algoritmos genéticos?
Un algoritmo genético ha estado funcionando durante 100 generaciones sin ninguna mejora en la aptitud promedio de la población. ¿Qué criterio de convergencia se ha alcanzado?
En la selección por torneo, ¿cómo se selecciona un individuo?
¿Cuál es la diferencia clave entre una función objetivo y una función de aptitud?
Signup and view all the answers
En el cruce de un solo punto, ¿dónde se intercambia la información genética entre los padres?
Signup and view all the answers
¿Cuál de los siguientes es un operador de mutación común?
Signup and view all the answers
¿Qué tipo de función de aptitud se utiliza para optimizar múltiples objetivos?
Signup and view all the answers
En el cruce uniforme, ¿cómo se crea la descendencia?
Signup and view all the answers
¿Cuál de los siguientes NO es un método de selección común en los algoritmos genéticos?
Signup and view all the answers
En la mutación gaussiana, ¿cómo se modifica un gen?
Signup and view all the answers
Study Notes
Convergence Criteria
- Define when a genetic algorithm has converged:
- Fitness convergence: average fitness of the population reaches a plateau
- Diversity convergence: population diversity falls below a certain threshold
- Number of generations: algorithm terminates after a fixed number of generations
- Common convergence criteria:
- Stagnation: no improvement in fitness for a specified number of generations
- Fitness threshold: population's average fitness reaches a target value
Selection Methods
-
Roulette Wheel Selection:
- Each individual is assigned a portion of the wheel based on its fitness
- Selection is random, with fitter individuals more likely to be chosen
-
Tournament Selection:
- Select a random subset of individuals and choose the fittest
- Repeat until the desired number of individuals is selected
-
Rank Selection:
- Rank individuals based on their fitness
- Select individuals based on their rank, with fitter individuals more likely to be chosen
Fitness Functions
- Objective function: defines the problem's objective, e.g., maximize or minimize a value
- Fitness function: maps the objective function to a fitness value, e.g., raw scores, normalized scores, or rank-based scores
-
Types of fitness functions:
- Single-objective: optimizes a single objective
- Multi-objective: optimizes multiple objectives, often using Pareto dominance
Crossover Techniques
-
Single-Point Crossover:
- Select a random crossover point
- Swap genetic information between parents at the crossover point
-
Multi-Point Crossover:
- Select multiple crossover points
- Swap genetic information between parents at each crossover point
-
Uniform Crossover:
- Randomly select genetic information from each parent
- Combine the selected information to create offspring
Mutation Operators
-
Bit Flip Mutation:
- Randomly select a gene
- Flip the bit (0 becomes 1, or 1 becomes 0)
-
Random Mutation:
- Randomly select a gene
- Replace the gene with a random value
-
Gaussian Mutation:
- Randomly select a gene
- Add a random value from a Gaussian distribution to the gene
Criterios de Convergencia
- Se define que un algoritmo genético ha convergido cuando:
- La convergencia de fitness: el promedio de aptitud de la población alcanza un plateau
- La convergencia de diversidad: la diversidad de la población cae por debajo de un umbral determinado
- Número de generaciones: el algoritmo termina después de un número fijo de generaciones
- Criterios de convergencia comunes:
- Estancamiento: no hay mejora en la aptitud durante un número especificado de generaciones
- Umbral de fitness: la aptitud promedio de la población alcanza un valor objetivo
Métodos de Selección
-
Selección por Ruleta:
- Cada individuo se asigna una parte de la ruleta basada en su aptitud
- La selección es aleatoria, con individuos más aptos más propensos a ser elegidos
-
Selección por Torneo:
- Se selecciona un subconjunto aleatorio de individuos y se elige el más apto
- Se repite hasta seleccionar el número deseado de individuos
-
Selección por Rango:
- Se ordenan los individuos según su aptitud
- Se seleccionan individuos según su rango, con individuos más aptos más propensos a ser elegidos
Funciones de Aptitud
- Función objetiva: define el objetivo del problema, como maximizar o minimizar un valor
- Función de aptitud: asigna un valor de aptitud a la función objetiva, como puntuaciones crudas, puntuaciones normalizadas o puntuaciones basadas en rangos
-
Tipo de funciones de aptitud:
- Monoobjetivo: optimiza un objetivo único
- Multiobjetivo: optimiza múltiples objetivos, a menudo utilizando dominancia de Pareto
Técnicas de Cruce
-
Cruce de Un Punto:
- Se selecciona un punto de cruce aleatorio
- Se intercambia información genética entre los padres en el punto de cruce
-
Cruce de Múltiples Puntos:
- Se seleccionan múltiples puntos de cruce
- Se intercambia información genética entre los padres en cada punto de cruce
-
Cruce Uniforme:
- Se selecciona información genética aleatoria de cada padre
- Se combina la información seleccionada para crear descendientes
Operadores de Mutación
-
Mutación de Flip de Bit:
- Se selecciona un gen aleatorio
- Se cambia el bit (0 se convierte en 1, o 1 se convierte en 0)
-
Mutación Aleatoria:
- Se selecciona un gen aleatorio
- Se reemplaza el gen con un valor aleatorio
-
Mutación Gaussiana:
- Se selecciona un gen aleatorio
- Se agrega un valor aleatorio de una distribución gaussiana al gen
Studying That Suits You
Use AI to generate personalized quizzes and flashcards to suit your learning preferences.
Description
Aprende a determinar cuando un algoritmo genético ha convergido, incluyendo la convergencia de aptitud, diversidad y número de generaciones. Conoce los criterios comunes como estancamiento y umbral de aptitud.
