##  [Algoritmo Genético](/es/node/58871) 

 Definición

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

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

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

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

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

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

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 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

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.