Una técnica de búsqueda estocástica basada en poblaciones, inspirada en la selección natural, que aplica iterativamente selección, cruce (recombinación) y mutación a una población de soluciones codificadas, usando una función de aptitud para sesgar la búsqueda hacia soluciones mejores.

Principio

Mantener una población diversa de genotipos, aplicar operadores de variación (cruce, mutación) para generar descendencia, evaluar la aptitud y seleccionar individuos para la siguiente generación de modo que las soluciones más aptas tengan mayor probabilidad de propagarse mientras la aleatoriedad preserva la exploración.

Demostración

Resolver un problema de planificación codificando horarios como cromosomas (p. ej., vectores de permutación), definir una aptitud que penalice conflictos y retrasos, inicializar una población, aplicar un cruce que respete la estructura de permutación y mutaciones que intercambien elementos, e iterar selección y variación hasta obtener un horario satisfactorio; monitorizar la diversidad para evitar convergencia prematura.

Aplicación incorrecta

Usar codificaciones pobres que destruyan la estructura del problema (de modo que el cruce produzca descendientes inválidos o sin sentido), descuidar la presión de selección o la diversidad provocando convergencia prematura, o aplicar AG donde existen algoritmos exactos polinómicos más adecuados.

Consecuencia

Capacidad para explorar espacios de búsqueda complejos, multimodales y discretos y producir soluciones aproximadas de alta calidad sin información de derivadas; los resultados son estocásticos, por lo que suelen requerirse varias ejecuciones y un ajuste cuidadoso de parámetros (tamaño de población, tasa de mutación, presión de selección).

Inversión

Métodos de optimización deterministas (por ejemplo, descenso por gradiente, branch-and-bound) que explotan estructura analítica del problema y pueden ofrecer garantías o soluciones exactas cuando son aplicables, pero pueden fracasar en paisajes no diferenciables o muy discontinuos.

Límite

Más adecuado para problemas cuyas soluciones pueden codificarse y evaluarse mediante una función de aptitud y donde la información de derivadas no está disponible o es poco fiable; no garantiza encontrar el óptimo global y puede ser costoso cuando la evaluación de aptitud es cara.

Tensión semántica

Tensión entre exploración y explotación controlada por la tasa de mutación, el diseño del cruce y la presión de selección; solapa y difiere de otros métodos evolutivos (estrategias evolutivas, programación genética) en representación, operadores y énfasis en recombinación vs mutación.

Síntesis

Los algoritmos genéticos buscan evolucionando una población de candidatos codificados mediante selección y variación, equilibrando la preservación de buenas estructuras con la introducción de novedad; su éxito depende de la representación, diseño de operadores y ajuste de parámetros, y constituyen una técnica robusta y estocástica para optimización en paisajes de búsqueda complejos.