PASOS PARA APLICAR EL AG

1. Generar una población de vectores (individuos).
2. Mientras no se encuentre un criterio de parada: 

• Seleccionar un conjunto de vectores padre, que serán reemplazados de la población.
• Emparejar aleatoriamente a los progenitores y cruzarlos para obtener unos vectores                           hijo.
• Aplicar una mutación a cada descendiente.
• Evaluar a los hijos.
• Introducir a los hijos en la población.
• Eliminar a aquellos individuos menos eficaces.

Normalmente este proceso finaliza después de un numero determinado de generaciones o cuando la población ya no puede mejorar. La selección de los padres se elige probabilísticamente hacia los individuos más aptos. Al igual que ocurre con en la Naturaleza, los sujetos con mayor aptitud diseminan sus características en toda la población.

Esta descripción de los AG se adapta a cada situación concreta, siendo habitual la codificación de números enteros en vez de binarios. Del mismo modo se han sofisticado los distintos operadores de cruzamiento y mutación.

APLICACIONES DEL ALGORITMO GENETICO

1.-Optimización, donde son utilizados en numerosas tareas de optimización, donde se incluyen la optimización numérica y los problemas de optimización combinatoria.

2.-Programacion automática, se emplean para el desarrollo de programas para tareas especificas y para el diseño de otras estructuras computacionales tales como el autómata celular y las redes de comunicación.

3.-Aprendizaje máquina, los algorítmos genéticos se han utilizado en la predicción del tiempo, o en la estructura de una proteína. además estos sirven para desarrollar aspectos determinados de sistemas particulares de aprendizaje, como el de los pesos de una red neuronal, las reglas para sistemas de clasificación de aprendizaje y los sensores para robots.

4.-En la economía se han hecho uso de los algoritmos genéticos para modelizar procesos de innovación, el desarrollo de estrategias, y la aparición de mercados económicos.

5.-En los sistemas inmunes, cuando se deben modelizar varios aspectos de los sistemas inmunes naturales, donde se incluye la mutación somática durante la vida de un individuo y el descubrimiento de familias de genes múltiples en tiempo evolutivo, han resultado útil el descubrimiento de esta técnica.

ALGORITMO GENETICO

Para comenzar, se definirá algoritmo como una serie de procesos que se desarrollan de forma estructurada u organizada, para dar soluciones a problemas presentados. 

    

Se puede plantear una definición dada por Goldberg  de la siguiente forma  "Los algoritmos genéticos son algoritmos  de busqueda basados en la mecánica de selección natural y de la genética natural. Combinan la supervivencia del más apto entre estructuras de secuencias con un intercambio de información estructurado, aunque aleatorizado, para construir así un algoritmo de busqueda que tenga algo de las genialidades de las búsquedas humanas ".

Para que se alcance una solución a un problema , se debe partir por un conjunto inicial de individuos, el que se le denominará población, el cual se genera de forma aleatoria. cada uno de estos individuos representará una posible solución  al problema. Estos individuos evolucionarán tomandose como base los esquemas propuestos por darwin sobre la seleccion natural, y se adaptaran con el paso de cada generación en mayor medida, a la solución requerida.

APLICACIONES DE LAS CADENAS DE MARKOV

Se aplica en el posicionamiento de marcas para describir la probabilidad de que un cliente que adquiere la marca A en un periodo, adquiere en su lugar la marca B en el siguiente y analizar la penetración en el mercado.

Se aplica para describir la probabilidad de que una maquina que funciona en un periodo determinado, continúe o falle en el siguiente.

Se aplica en la meteorología si considera el clima de una región a través de distintos días, es claro que el estado actual solo depende del último estado y no de toda la historia en sí, de modo que se pueden usar cadenas de Markov para formular modelos climatológicos básicos.

Otra aplicación son los juegos de azar, un ejemplo es de ruina del jugador, que establece la probabilidad de que una persona que apuesta en un juego de azar termine sin dinero.

CADENAS ABSORBENTES

Una cadena de Márkov que consta solamente de estados transitorios y absorbentes, se denomina CADENA DE MÁRKOV ABSORBENTE.

Pasos que se deben seguir para la construcción de una matriz de cadena absorbente:

1.  Determinar si la cadena es absorbente. Esto ocurre:

·  Si la cadena tiene por lo menos un estado absorbente (es decir que hay 1 y 0 en la matriz).

·  Si es posible pasar de un estado no absorbente a un estado absorbente.

2.  Forma la matriz de transición T. Ponga el estado absorbente al final. asegúrese de que los renglones y las columnas se encuentran en el mismo orden.

3.  Descarte los renglones que corresponden a los estados absorbentes. Esta información no se requerirá más.

4.  Forme la matriz N a partir de las columnas no absorbentes de la matriz del paso 3 y forme la matriz A partir de las columnas absorbentes.

5.  Calcule la matriz fundamental (I – N) -1. Esta matriz proporciona la cantidad esperada de periodos que se empleara en los estados no absorbentes antes de quedar absorbidos. La matriz (I – N) -1. Se obtiene de la información de un estado no absorbente, así que se denota con estados no absorbentes.

6.  Calcule y nombre a (I – N) -1 A. Esta matriz proporciona la probabilidad de ser absorbidos en cada uno de los estados no absorbentes. Los renglones de (I – N) -1 A se encuentran rotulados con los estados no absorbentes y las columnas, con los estados absorbentes.

PROCEDIMIENTO DE CADENA DE MARKOV

Un proceso de markov esta caracterizado por una funcion de probabilidad de transicion representada por T, llamada matriz de transicion que representa las probabilidades de transito de un estado a otro y un vector de probabilidad de estado inicial que representa el estado inicial del mercado.

CADENAS DE MARKOV

Las cadenas de markov son modelos probabilísticos que se usan para predecir la evolución y el comportamiento a corto y a largo plazo de determinados sistemas.

Ejemplos: reparto del mercado entre marcas; dinámica de las averías de máquinas para decidir política de mantenimiento; evolución de una enfermedad,…

Una cadena de Markov es una sucesión de ensayos similares u observaciones en la cual cada ensayo tiene el mismo número finito de resultados posibles y  en donde la probabilidad de cada resultado para un ensayo dado depende sólo del resultado del ensayo inmediatamente precedente y no de cualquier resultado previo.