• ES Español
• EN English

5.66. Computación Evolutiva (Obligatorio)

5.66.1. Justificación ↑ Volver arriba

La Computación Evolutiva es un subcampo de la Inteligencia Artificial inspirado en la selección natural y la evolución biológica. Este curso explora algoritmos metaheurísticos de optimización como Algoritmos Genéticos, Estrategias de Evolución y Programación Genética. Estas técnicas son esenciales para resolver problemas complejos de optimización y búsqueda donde los métodos analíticos tradicionales son insuficientes. Los estudiantes aprenderán a diseñar, implementar y analizar sistemas evolutivos aplicados a ingeniería, ciencia de datos y agentes autónomos.

5.66.2. Objetivos Generales ↑ Volver arriba

1. Entender los principios de la selección natural aplicados a la computación.
2. Dominar el diseño de representaciones, operadores y funciones de aptitud (fitness).
3. Implementar y ajustar Algoritmos Genéticos y Estrategias de Evolución.
4. Analizar la convergencia y el rendimiento de algoritmos bioinspirados.
5. Aplicar técnicas evolutivas a problemas de optimización multiobjetivo.

5.66.3. Contribución a los resultados (Outcomes) ↑ Volver arriba

AG-C08) Análisis de Problemas: Identifica, formula y analiza problemas complejos de computación. (Usage)

AG-C12) Aplica la teoría de la ciencia de la computación y los fundamentos de desarrollo de software para producir soluciones basadas en computadora. (Usage)

5.66.4. Contenido ↑ Volver arriba

5.66.4.1. Fundamentos de la Computación Evolutiva (12 horas) [Habilidades AG-C08,AG-C12] ↑ Volver arriba

Referencias Bibliográficas: (Eiben and Smith, 2015; Back, 1996)

Temas

1. Introducción a los Algoritmos Evolutivos (EAs) y metáforas biológicas.
2. El ciclo general del Algoritmo Evolutivo: Inicialización, Selección, Variación, Reemplazo.
3. Componentes: Poblaciones, cromosomas, genes, alelos.
4. Paisajes de aptitud (fitness, landscapes), mapeo genotipo-fenotipo y espacios de búsqueda.

Aprendizaje esperado (Learning Outcomes)

1. Explicar la relación entre la evolución biológica y los procesos de búsqueda artificial [Familiarizarse]
2. Identificar los componentes de un algoritmo evolutivo genérico y sus roles [Usar]
3. Describir el concepto de paisajes de aptitud y su impacto en el rendimiento de los EAs [Familiarizarse]

5.66.4.2. Algoritmos Genéticos y sus Variantes (16 horas) [Habilidades AG-C08,AG-C12] ↑ Volver arriba

Referencias Bibliográficas: (Eiben and Smith, 2015; Mitchell, 1998)

Temas

1. Algoritmos Genéticos Canónicos (CGA): representación binaria, esquemas de selección (ruleta, torneo).
2. Operadores Genéticos: Cruza (un punto, uniforme, aritmética), Mutación (bit-flip, Gaussiana).
3. Teorema de Esquemas e Hipótesis de Bloques de Construcción.
4. Variantes avanzadas de AG: AG con codificación real, Programación Genética (GP) con representaciones de árbol.

Aprendizaje esperado (Learning Outcomes)

1. Diseñar representaciones y operadores apropiados para problemas específicos de optimización [Evaluar]
2. Implementar un Algoritmo Genético Canónico para optimización de funciones [Usar]
3. Aplicar Programación Genética a tareas de regresión simbólica o programación automática [Evaluar]

5.66.4.3. Estrategias de Evolución y Programación Evolutiva (18 horas) [Habilidades AG-C08,AG-C12] ↑ Volver arriba

Referencias Bibliográficas: (Eiben and Smith, 2015; Deb, 2001)

Temas

1. Estrategias de Evolución (ES): mecanismos de selección \((\mu, \lambda)\) y \((\mu + \lambda)\).
2. Auto-adaptación de parámetros de estrategia (tamaños de paso de mutación).
3. Adaptación de Matriz de Covarianza (CMA-ES).
4. Programación Evolutiva (EP) y su enfoque en la evolución de comportamiento.

Aprendizaje esperado (Learning Outcomes)

1. Implementar Estrategias de Evolución con mutación auto-adaptativa para optimización continua [Evaluar]
2. Comparar el rendimiento de AG vs ES en problemas de referencia [Usar]
3. Explicar el papel de la adaptación de parámetros de estrategia en la velocidad de convergencia [Familiarizarse]

5.66.4.4. Algoritmos Evolutivos Multiobjetivo e Híbridos (18 horas) [Habilidades AG-C08,AG-C12] ↑ Volver arriba

Referencias Bibliográficas: (Eiben and Smith, 2015; Deb, 2001)

Temas

1. Optimización Multiobjetivo: optimalidad de Pareto, relaciones de dominancia.
2. EAs Multiobjetivo: NSGA-II, SPEA2, MOEA/D.
3. Mecanismos de preservación de diversidad y estrategias de archivo.
4. Algoritmos Meméticos: Hibridización con búsqueda local.
5. Técnicas de manejo de restricciones en búsqueda evolutiva.

Aprendizaje esperado (Learning Outcomes)

1. Resolver problemas multiobjetivo usando métodos de selección basados en Pareto [Evaluar]
2. Diseñar un algoritmo memético combinando búsqueda global y local [Evaluar]
3. Evaluar las compensaciones entre convergencia y diversidad en MOEAs [Usar]

5.66.5. Referencias Bibliográficas ↑ Volver arriba

Eiben, A. E. and Smith, J. E. (2015). Introduction to Evolutionary Computing. Springer, 2nd edition.

Back, T. (1996). Evolutionary Algorithms in Theory and Practice. Oxford University Press.

Mitchell, M. (1998). An Introduction to Genetic Algorithms. MIT Press.

Deb, K. (2001). Multi-Objective Optimization using Evolutionary Algorithms. Wiley.