jueves, 14 de agosto de 2008
miércoles, 13 de diciembre de 2006
Nueva Pregunta Grupo 1 por Carla Carrera (Pitu)
Describa los aspectos importantes de una cadena Heredada
martes, 12 de diciembre de 2006
IMPORTANTE
EL BLOG HA SIDO CAMBIADO PARA QUE CUALQUIERA PUEDA DEJAR SU OPINION; POR TANTO, SI RESPONDE UNA PREGUNTA NO OLVIDE DE IDENTIFICARSE CON SU NOMBRE Y EL GRUPO AL QUE PERTENECE.
domingo, 10 de diciembre de 2006
viernes, 8 de diciembre de 2006
Respuesta a la pregunta 6 del grupo 2
1.Primero, se genera aleatoriamente la población inicial, que está constituida por un conjunto de cromosomas, que representan las posibles soluciones del problema. En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la población inicial, se tenga la diversidad estructural de estas soluciones para tener una representación de la mayor parte de la población posible o al menos evitar la convergencia prematura.
2.A cada uno de los cromosomas de esta población se aplicará la función de aptitud para saber qué tan "buena" es la solución que se está codificando.
3.Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán cruzados en la siguiente generación.
4.Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados.
5.El cruzamiento es el principal operador genético, representa la reproducción sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las características de ambos cromosomas padres.
6.El AG se deberá detener cuando se alcance la solución óptima, pero ésta generalmente se desconoce, por lo que se deben utilizar otros criterios de detención. Normalmente se usan dos criterios: correr el AG un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la población.
7.Como se mencionó, el problema de selección de variables se puede ver como un problema de optimización, ya que queremos encontrar, bajo alguna heurística, el subconjunto de variables que potencialicen la diferenciación y las semejanzas de objetos de clases diferentes y de la misma clase respectivamente.
2.A cada uno de los cromosomas de esta población se aplicará la función de aptitud para saber qué tan "buena" es la solución que se está codificando.
3.Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán cruzados en la siguiente generación.
4.Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados.
5.El cruzamiento es el principal operador genético, representa la reproducción sexual, opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las características de ambos cromosomas padres.
6.El AG se deberá detener cuando se alcance la solución óptima, pero ésta generalmente se desconoce, por lo que se deben utilizar otros criterios de detención. Normalmente se usan dos criterios: correr el AG un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la población.
7.Como se mencionó, el problema de selección de variables se puede ver como un problema de optimización, ya que queremos encontrar, bajo alguna heurística, el subconjunto de variables que potencialicen la diferenciación y las semejanzas de objetos de clases diferentes y de la misma clase respectivamente.
Respuesta a la pregunta 4 del grupo 2
Una ventaja es la adaptibilidad para situaciones cambiantes. Cuando se debe encontrar la solución más adecuada a un problema, pueden surgir inconvenientes debido a diferentes circunstancias, haciendo que la solución original del problema ya no sea la mejor debido a estos percances.
En muchos procedimientos de optimización tradicionales, para estos casos se tendría que reiniciar el calculo si cualquier variale en el problema cambia, esto es computacionalmente caro. Con un algoritmo evoluptivo, la población inicial sirve como un repositorio de conocimiento almacenado que puede ser aplicado al paso, en un ambiente dinámico, por lo tanto comenzar desde el principio no es necesario.
En muchos procedimientos de optimización tradicionales, para estos casos se tendría que reiniciar el calculo si cualquier variale en el problema cambia, esto es computacionalmente caro. Con un algoritmo evoluptivo, la población inicial sirve como un repositorio de conocimiento almacenado que puede ser aplicado al paso, en un ambiente dinámico, por lo tanto comenzar desde el principio no es necesario.
Suscribirse a:
Entradas (Atom)