Aunque, como se ha comentado, el
Algoritmo que se utilizó en el apartado anterior
es muy simple, ha servido para que los estudios realizados en torno a él, se hayan aplicado
a diversos problemas y modelos en ingeniaría, y en la ciencia en general7. Cabe destacar
entre ellos:
Optimización: Se trata de un campo especialmente abonado para el uso de los
Algoritmos Genéticos, por las características intrínsecas de estos problemas. No en
vano fueron la fuente de inspiración para los creadores estos algoritmos. Los
Algoritmos Genéticos se han utilizado en numerosas tareas de optimización,
incluyendo la optimización numérica, y los problemas de optimización
combinatoria.
Programación automática: Los Algoritmos Genéticos se han empleado para
desarrollar programas para tareas específicas, y para diseñar otras estructuras
computacionales tales como el autómata celular, y las redes de clasificación.
Aprendizaje máquina: Los algoritmos genéticos se han utilizado también en
muchas de estas aplicaciones, tales como la predicción del tiempo o la estructura de
una proteína. Han servido asimismo para desarrollar determinados aspectos de
sistemas particulares de aprendizaje, como pueda ser el de los pesos en una red neuronal, las reglas para sistemas de clasificación de aprendizaje o sistemas de
producción simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para modelizar
procesos de innovación, el desarrollo estrategias de puja, y la aparición de mercados
económicos.
Sistemas inmunes: A la hora de modelizar varios aspectos de los sistemas inmunes
naturales, incluyendo la mutación somática durante la vida de un individuo y el
descubrimiento de familias de genes múltiples en tiempo evolutivo, ha resultado útil
el empleo de esta técnica.
Ecología: En la modelización de fenómenos ecológicos tales como las carreras de
armamento biológico, la coevolución de parásito-huesped, la simbiosis, y el flujo de
recursos.
Genética de poblaciones: En el estudio de preguntas del tipo “¿Bajo qué
condiciones será viable evolutivamente un gene para la recombinación?”
Evolución y aprendizaje: Los Algoritmos Genéticos se han utilizado en el estudio
de las relaciones entre el aprendizaje individual y la evolución de la especie.
Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas sociales,
tales como la evolución del comportamiento social en colonias de insectos, y la
evolución de la cooperación y la comunicación en sistemas multi-agentes.
Aunque esta lista no es, en modo alguno, exhaustiva, sí transmite la idea de la
variedad de aplicaciones que tienen los Algoritmos Genéticos. Gracias al éxito en estas y
otras áreas, los Algoritmos Genéticos han llegado a ser un campo puntero en la
investigación actual.
Fuente: Rodríguez Piedad Tolmos; Introducción a los algoritmos genéticos y sus aplicaciones. Paginas 3-4. Disponible en: http://www.uv.es/asepuma/X/J24C.pdf
es muy simple, ha servido para que los estudios realizados en torno a él, se hayan aplicado
a diversos problemas y modelos en ingeniaría, y en la ciencia en general7. Cabe destacar
entre ellos:
Optimización: Se trata de un campo especialmente abonado para el uso de los
Algoritmos Genéticos, por las características intrínsecas de estos problemas. No en
vano fueron la fuente de inspiración para los creadores estos algoritmos. Los
Algoritmos Genéticos se han utilizado en numerosas tareas de optimización,
incluyendo la optimización numérica, y los problemas de optimización
combinatoria.
Programación automática: Los Algoritmos Genéticos se han empleado para
desarrollar programas para tareas específicas, y para diseñar otras estructuras
computacionales tales como el autómata celular, y las redes de clasificación.
Aprendizaje máquina: Los algoritmos genéticos se han utilizado también en
muchas de estas aplicaciones, tales como la predicción del tiempo o la estructura de
una proteína. Han servido asimismo para desarrollar determinados aspectos de
sistemas particulares de aprendizaje, como pueda ser el de los pesos en una red neuronal, las reglas para sistemas de clasificación de aprendizaje o sistemas de
producción simbólica, y los sensores para robots.
Economía: En este caso, se ha hecho uso de estos Algoritmos para modelizar
procesos de innovación, el desarrollo estrategias de puja, y la aparición de mercados
económicos.
Sistemas inmunes: A la hora de modelizar varios aspectos de los sistemas inmunes
naturales, incluyendo la mutación somática durante la vida de un individuo y el
descubrimiento de familias de genes múltiples en tiempo evolutivo, ha resultado útil
el empleo de esta técnica.
Ecología: En la modelización de fenómenos ecológicos tales como las carreras de
armamento biológico, la coevolución de parásito-huesped, la simbiosis, y el flujo de
recursos.
Genética de poblaciones: En el estudio de preguntas del tipo “¿Bajo qué
condiciones será viable evolutivamente un gene para la recombinación?”
Evolución y aprendizaje: Los Algoritmos Genéticos se han utilizado en el estudio
de las relaciones entre el aprendizaje individual y la evolución de la especie.
Sistemas sociales: En el estudio de aspectos evolutivos de los sistemas sociales,
tales como la evolución del comportamiento social en colonias de insectos, y la
evolución de la cooperación y la comunicación en sistemas multi-agentes.
Aunque esta lista no es, en modo alguno, exhaustiva, sí transmite la idea de la
variedad de aplicaciones que tienen los Algoritmos Genéticos. Gracias al éxito en estas y
otras áreas, los Algoritmos Genéticos han llegado a ser un campo puntero en la
investigación actual.
Fuente: Rodríguez Piedad Tolmos; Introducción a los algoritmos genéticos y sus aplicaciones. Paginas 3-4. Disponible en: http://www.uv.es/asepuma/X/J24C.pdf
No hay comentarios:
Publicar un comentario