·
No necesitan conocimientos específicos
sobre el problema que intentan resolver.
·
Operan de forma simultánea con varias
soluciones, en vez de trabajar de forma secuencial como las técnicas
tradicionales.
·
Cuando se usan para problemas de
optimización maximizar una función objetivo- resultan menos afectados por los
máximos locales (falsas soluciones) que las técnicas tradicionales.
·
Resulta sumamente fácil ejecutarlos en
las modernas arquitecturas masivamente paralelas.
·
Usan operadores probabilísticos, en vez
de los típicos operadores determinísticos de las otras técnicas.
·
Pueden tardar mucho en converger, o no
converger en absoluto, dependiendo en cierta medida de los parámetros que se
utilicen tamaño de la población, número de generaciones, etc.
·
Pueden converger prematuramente debido a
una serie de problemas de diversa índole.
Limitaciones
El poder de
los Algoritmos Genéticos proviene del hecho de que se trata de una técnica
robusta, y pueden tratar con éxito una gran variedad de problemas provenientes
de diferentes áreas, incluyendo aquellos en los que otros métodos encuentran
dificultades.
Si bien no se
garantiza que el Algoritmo Genético encuentre la solución óptima, del problema,
existe evidencia empírica de que se encuentran soluciones de un nivel
aceptable, en un tiempo competitivo con el resto de algoritmos de optimización
combinatoria. En el caso de que existan técnicas especializadas para resolver
un determinado problema, lo más probable es que superen al Algoritmo Genético,
tanto en rapidez como en eficacia.
El gran campo
de aplicación de los Algoritmos Genéticos se relaciona con aquellos problemas
para los cuales no existen técnicas especializadas. Incluso en el caso en que
dichas técnicas existan, y funcionen bien, pueden efectuarse mejoras de las
mismas hibridándolas con los Algoritmos Genéticos.
Fuente:
www.ecured.cu. Disponible en: http://www.ecured.cu/index.php/Algoritmos_Gen%C3%A9ticos#Ventajas_y_Desventajas
No hay comentarios:
Publicar un comentario