5.66. AI368. Computación Evolutiva (Obligatorio)

• Semestre: 10mo Sem. Créditos: 4
• Horas del curso: Teoría: 2 horas; Práctica: 2 horas; Laboratorio: 2 horas;

• Prerrequisitos:

  • AI264. Aprendizaje Profundo (7mo Sem)

5.66.1. Justificación

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

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)

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

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

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]

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]

Referencias Bibliográficas: [Eiben and Smith, 2015, Deb, 2001]

Temas

1.

Estrategias de Evolución (ES): mecanismos de selección (μ,λ) y (μ + λ).

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]

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

[Eiben and Smith, 2015]

[Back, 1996]

[Mitchell, 1998]

[Deb, 2001]