Nuevas tendencias de los pronsticos para la administracin y los negociosEnviado por Ariadna Moncada Palafox Partes: 1, 2

1. 2. 3. 4. 5. 6. 7.

Sitios en Internet Libros Universidades Artculos Conclusiones Bibliografa INTRODUCCIN

La necesidad del ser humano de pronosticar eventos es muy antigua, y se da debido a varios factores como estar en un entorno altamente incierto, y que la intuicin no da los mejores resultados, asimismo el conocer hacia donde se dirigen las tendencias mejora la planeacin, la competitividad y nos permite un cambio favorable. Los pronsticos son utilizados en diferentes reas, ya sea cientfica, de ingeniera o de negocios. En esta investigacin queremos demostrar como se aplica y su gran utilidad en la vida laboral, ya que a veces solo nos quedamos con la parte terica, que hace que el alumno no perciba la utilidad de la materia, por eso decidimos colocar mltiples ejemplos de distintas fuentes bibliogrficas, libros, Internet, revistas, etc. CAPITULO I SITIOS EN INTERNET A. Algoritmos genticos y computacin evolutiva (http://the-geek.org/docs/algen/) Es un documento escrito por Adam Marczyk, 2004. Nos interes este artculo porque define los algoritmos, habla de toda la evolucin que han sufrido con el paso del tiempo, las restricciones que poseen y las maneras en las que se han aprovechado sus beneficios para pronosticar y evitar problemas en varias reas como en los mercados financieros, juegos, ingeniera elctrica, astronoma, qumica, etc. Una de las partes

que ms nos llam la atencin es en el mercado financiero donde fue un xito utilizar algoritmos genticos para evolucionar redes neuronales que predijeran los tipos de cambio de monedas extranjeras hasta un mes en el futuro. Se le proporcionaron al algoritmo 1.300 valores brutos diarios de cinco divisas como informacin histrica y se le pidi que predijera sus valores futuros para los 1, 2, 5 y 20 das posteriores. El rendimiento del AG mostr un nivel excepcional de precisin en todos los casos probados, superando a varios mtodos incluyendo a las redes neuronales. Por lo anterior podemos ver que ya no es un mtodo del futuro si no que ya es parte del presente y se pueden realizar y conocer cosas inimaginables solo con utilizarlo. B. Los estudios del futuro: evolucin y perspectivas (http://www.futurovenezuela.org/_Prospectiva/prospectiva_JRS.htm) Es un apartado escrito por Jos Ramn Solano. Mayo, 2000, es de inters general y habla de un tema que nos concierne a todos. Seleccionamos este artculo porque trata de cmo los estudios del futuro se han incrementado en los ltimos aos a causa de varios sucesos como los avances tecnolgicos, la situacin de escasez de recursos, limitaciones en el crecimiento econmico a causa del aumento de la poblacin, y el inicio de un nuevo siglo gener ms preocupacin y curiosidad sobre los cambios que sucederan. Por todo lo anterior el pensamiento sobre el futuro es cada vez ms necesario, relevante y prctico. Para ello, se requiere un mayor trabajo terico y conceptual, hacerlo efectivo y mejorar la base del conocimiento que garantice calidad a los estudios prospectivos. Tambin dentro de este artculo se mencionan todos los Mtodos de pronsticos que aprendimos en clase y habla de lo necesarios que son hoy en da para focalizar los recursos ya que son de gran utilidad para la toma de decisiones tanto en las corporaciones mercantiles como en la administracin pblica y en organizaciones sin fines de lucro. Y dentro de este rubro menciona entre los desarrollos ms recientes dos aproximaciones: El Modelo econo-2000 o Mtodo de seis pasos y el Mtodo Mapas conceptuales del futuro. C. TAISS (http://www.taiss.com/sermbe.htm) Es un artculo sobre una compaa espaola que se encarga de producir conocimiento para la toma de decisiones en el sector salud, e utiliza diferentes mtodos para ofrecer sus servicios como es el mtodo delphi, algoritmos, encuestas, diseo de proyectos, diseos de cuestionarios, medicina basada en la evidencia, paneles de expertos, anlisis estadstico, etc. Nos llam la atencin esta empresa ya que se puede ver la importancia de los pronsticos en cualquier mbito como es el de la salud, el cual es un contorno muy difcil y riesgoso de pronosticar, por lo que la toma de decisiones en Poltica de Salud, en la Gestin sanitaria, y en Medicina son muy complejas. Una forma de intentar ayudar a los decidores es modelizando la complejidad del mundo real en un algoritmo que contenga las decisiones que pueden ser tomadas y que gue al decidor por el camino que produce los resultados ptimos. Por ejemplo los algoritmos permiten que el mdico se desplace por las ramas que describen a su paciente, que vea los estudios en los que se basa la recomendacin, o que acceda directamente al artculo citado

por la Gua de Prctica Clnica (GPC) como instrumento de ayuda a las decisiones mdicas. Otra gran ventaja de los algoritmos es que cada vez que se produzca una nueva pieza de evidencia, puede ser incluida en el algoritmo, de manera que estara permanentemente actualizado. CAPITULO II REFERENCIAS BIBLIOGRFICAS Los pronsticos son una forma de predecir lo que ocurrir en un futuro cuando tenemos ciertos datos y cierta tendencia, as mismo sus aplicaciones no slo son administrativas; es decir, no slo son utilizados para conocer las ventas futuras de una empresa. Existen innumerables usos de los pronsticos como son en la ciencia y tecnologa, en la salud, en el desarrollo de nuevos productos, en los estudios de mercado, en la economa, etc. A. Pronsticos en el deporte "Teora del entrenamiento deportivo" de Dietrich Harre. Cuando una persona toma la decisin de iniciar un entrenamiento deportivo es comn que conforme pasa el tiempo surjan ciertas preguntas como:y y y y y y

Qu tan importante es la fuerza para un deportista? Cul es el mejor momento para desarrollar su movilidad? En cuntas competencias debera participar en el periodo preparatorio? Es aconsejable o perjudicial que deje de entrenar durante las dos semanas posteriores a una competencia extenuante? Cmo elaborar un plan de entrenamiento? Qu son los mtodos deportivos de control?

En ocasiones las respuestas pueden contestarse sin poseer mucha informacin pero en otras ocasiones se requiere de esta informacin para dar un pronstico certero. Para contestar alguna de las preguntas se requiere tanto el pronstico como la anticipacin. La clave para tener un plan de entrenamiento adecuado a las necesidades de cada deportista depende en gran medida de la anticipacin es decir la capacidad del organismo para actuar de forma adelantada en los parmetros requeridos. Conforme transcurren los entrenamientos se obtiene valoraciones y autovaloraciones sobre el desempeo del atleta, y en base a esta informacin obtenida, se puede pronosticar y por lo tanto se puede anticipar.

Asimismo con esta informacin, podremos saber que ser lo ms conveniente para el atleta, como cuanto debe entrenar, si es que debe entrenar las dos semanas posteriores a una competencia, cuantas horas debe entrenar, etc. Esta informacin as como muchas cosas ms acerca de cmo llevar un entrenamiento adecuado se puede encontrar en el libro. B. Pronsticos en la Ecologa "Ecologa y Medio Ambiente" Rosalino Vzquez Conde La ecologa es una ciencia que estudia la tierra, el medio ambiente y todos los factores que a estos les afectan, de igual forma la ecologa necesita de algunas ciencias auxiliares para poder evaluar correctamente los objetos de estudio. Algunas de las ciencias auxiliares son la Biologa, la Fsica, la Qumica, la Economa y los Pronsticos entre otras. En la ecologa los pronsticos tienen mucha ingerencia pues se utiliza en la agricultura, la pesca, el pronstico del clima, de fenmenos ambientales, de administracin de recursos naturales (agotamiento de estos), extincin de especies, crecimiento de la poblacin, etc. Por ejemplo, el fenmeno de El Nio es un evento cclico que se presenta en la regin de Piura, Per, con mayor frecuencia. Generalmente se le asocia con lluvias de gran intensidad y destruccin, sin embargo es verdad que las causas del fenmeno El Nio no se conocen con exactitud, pero los estudios realizados hasta ahora han permitido definirlo en base a su comportamiento y los efectos producidos en aos anteriores. En un principio se crey que se trataba de un fenmeno local, pero las investigaciones realizadas arrojaron como resultado que este fenmeno se relaciona con los cambios en el Pacfico subtropical, esto es la presencia de aguas anormalmente ms clidas en la costa occidental de Sudamrica por un periodo a 4 meses consecutivos. Todo esto se conoci a partir de un patrn de comportamiento constante y ciertos factores que influyen en el fenmeno y con esta informacin ha sido posible desarrollar pronsticos del futuro comportamiento de El Nio. C. Pronsticos en la literatura, ciencia y tecnologa "El Aleph" de Jorge Luis Borges Actualmente existen muchos descubrimientos cientficos y tecnolgicos los cuales tuvieron sus bases en la literatura o en antiguos escritos que hacen mencin de algn predecesor de algn descubrimiento cuya modalidad primitiva tuvo sus bases en el mencionado escrito. El Aleph es un cuento escrito por el argentino Jorge Luis Borges en 1944 cuyo tema principal es la percepcin, del mundo, el tiempo y sus alrededores, el Aleph en si es una

esfera de cristal a la cual se le define como "uno de los puntos del espacio que contiene todos los puntos", en ella el narrador del cuento y el protagonista pueden ver el universo entero sus ros y mares, y todo lo que existe en el universo. Actualmente un Aleph es una modalidad de biblioteca de imgenes donde se recopilan, archivan y gestionan toda clase de fotografas y reproducciones artsticas (pinturas, grabados, lustraciones, etc.), con la particularidad de que todas y cada una de las imgenes van acompaadas de su correspondiente documentacin textual, con el fin de que el usuario pueda identificar y ubicar cada fotografa en su adecuado contexto. En el Aleph se maneja fotografas, ilustraciones, pinturas, grabados, diseo grfico, arte digital, entre otros. Se maneja cualquier tipo de tema que as prefiera el creador. Asimismo se considera el Aleph como un centro de documentacin fotogrfica y visual, siendo un sitio desde el cual puedes contemplar imgenes de todos los sitios del mundo, vistas desde todos los ngulos. Una referencia clara de que es un Aleph es en la pelcula "El Quinto Elemento" en el cual Milla Jovovich intenta conocer ms acerca de la humanidad y para ello cuenta con un Aleph en el cual ingresa una palabra y este arroja una serie de imgenes que describe la palabra. Actualmente no se ha logrado con exactitud reproducir la idea primordial de Borges acerca de un Aleph pero constantemente se trabaja para acercarse a la visin del poeta.

CAPTULO III UNIVERSIDADES A. MIT (Massachusetts Institute of Technology) Esta universidad est muy enfocada al estudio de la ciencia y la tecnologa. El MIT, posee siete facultades: 1. 2. 3. 4. 5. 6. 7. 8. Escuela de Arquitectura y Planeacin Escuela de Ingeniera Escuela de Humanidades, Artes y Ciencias Sociales Escuela de Ciencias Escuela de Administracin Universidad de Ciencias de la Salud y Tecnologa Programa en Oceanografa y ciencia e ingeniera del Ocano aplicada Maestras y Doctorados

La escuela de ciencias tiene una licenciatura en matemticas con especialidad en estadstica, probabilidad y pronsticos. Adems, cuenta con profesores especializados en esta rea que realizan investigaciones de nuevos mtodos o aplicaciones de mtodos ya existentes en distintas ramas como lo son economa, ingeniera, matemticas, finanzas, etc. Tambin ofrecen cursos y seminarios especializados en pronsticos. En Enero de 2006 el MIT, abri un nuevo seminario llamado "Workshop on Stochastic Eigen-Analysis and Its Applications". En este seminario, se mezclan los mtodos estocsticos de los pronsticos con la ingeniera, la econometra y las finanzas, con sus respectivas aplicaciones. El MIT, es una de las universidades con ms renombre en cuanto a las investigaciones matemticas, sobresaliendo adems, las investigaciones en mtodos y tcnicas nuevas para pronosticar. B. University of Ontario Institute of Technology Esta universidad posee siete facultades entre las que se encuentran: 1. 2. 3. 4. 5. 6. 7. Facultad de Negocios y Tecnologas de la Informacin Facultad de Ingeniera y Ciencias Aplicadas Facultad de Educacin Escuela de Sistemas de Energa y Ciencia Nuclear Facultad de Ciencias de la Salud Facultad de Ciencias Facultad de Ciencias Sociales

La Facultad de Ciencias de la UOIT, en su departamento de matemticas, constantemente est realizando investigaciones, desarrollando y estudiando modelos matemticos para entender y los fenmenos fsicos. Uno de los principales investigadores que se dedica a mtodos matemticos encaminados a los pronsticos es el Dr. Dhavide Aruliah, quin desarrolla, implementa y analiza la eficiencia de algoritmos para obtener soluciones a problemticas econmicas. En el futuro la UOIT est planeando invertir recursos de su facultad de ciencias en la ampliacin de carreras e investigaciones en ciencias matemticas. C. Carnegie Mellon (Pittsburgh, PA) Esta universidad posee siete facultades y 40 carreras, entre las que encontramos: 1. 2. 3. 4. 5. Instituto Carnegie de Tecnologa Universidad de Artes Universidad de Humanidades y Ciencias Sociales Escuela de Negocios Escuela H. John Heinz III de Poltica Pblica y Administracin

6. Mellon College de Ciencias 7. Escuela de Ciencias Computacionales Entre las carreras que esta universidad imparte se encuentran: Economa, Estadstica, Finanzas Computacionales, Administracin de los Negocios, Administracin de Empresas Creativas, Matemticas, Fsica, Robtica, etc. Adems, hay un doctorado en Aprendizaje Computacional y Estadstico. Esta universidad posee un departamento de Estadsticas, que est dedicado a la creacin y al estudio de mtodos para recolectar y analizar informacin cuantitativa, y a la difusin del conocimiento acerca de estos mtodos por medio de la enseanza y las actividades escolares. Este departamento enfatiza el cmputo, y se desarrolla de manera distinta a las tradicionales ciencias matemticas, se basa en el comportamiento humano, la toma de decisiones y la investigacin interdisciplinaria. Para llevar a cabo sus investigaciones se enfoca en estadsticas computacionales, investigacin estadstica interdisciplinaria y estadstica de Bayesian. CAPITULO IV ARTCULOS A. "Pronstico de la Calidad del Aire usando Modelos Estadsticos y Redes Neuronales Artificiales" Resumen: El artculo trata de determinar como evolucionan los contaminantes en la atmsfera, as como los puntos de mayor impacto, y los efectos que tiene en la salud. Para esto se utilizan los modelos semi-empricos, que determinan la calidad del aire; estos modelos son: regresin multivariable, redes neuronales artificiales, y series de tiempo. En la investigacin "Pronstico de la Calidad del Aire usando Modelos Estadsticos y Redes Neuronales Artificiales", se trata de pronosticar los niveles mximos de concentracin de ozono en el rea Metropolitana de Monterrey, utilizando los primeros dos mtodos antes mencionados. Estos estudios tienen como objetivo determinar la calidad del aire, y que puedan ser utilizados por las autoridades y as alertar a la poblacin sobre la calidad del aire, para que se eviten problemas de salud sobre todo, enfermedades respiratorias. Por qu lo elegimos: La investigacin es muy interesante, adems nos ensea como se aplican los diferentes modelos de pronsticos, como la serie de tiempo y la regresin multivariable, aunque

solamente se enfoque en la segunda. Adems, como todos sabemos, cuidar la ecologa es un tema de suma importancia, ya que como pas contamos con unas de las ciudades ms contaminadas del mundo. Por eso, es til para los expertos conocer como estar de contaminada la atmsfera en un futuro para as poder evitarlo, y tambin evitar las mltiples enfermedades que la contaminacin atmosfrica produce en los seres vivos. Asimismo, podemos demostrar como lo que vimos en la clase de pronsticos se puede aplicar a la realidad, y no solo son nmeros y operaciones matemticas que no sean de mucha utilidad en la vida laboral. B. Sirven los economistas? Resumen: El texto trata del por qu la gente sigue acudiendo a los economistas requiriendo su opinin, cuando la mayora de sus predicciones son errticas. Algunos ejemplos de los errores de los economistas, se ha dado en Mxico, porque se han cometido errores garrafales, en lo que a las predicciones se refiere, debido a la inestabilidad de la economa mexicana. Pero la explicacin que se da del por qu las personas siguen consultando a los economistas, es que se valora ms las ideas de los economistas que la exactitud de los pronsticos en s, es decir vale ms lo cualitativo que lo cuantitativo. Tambin nos explica las dificultades a las que se enfrentan los pronsticos en la economa de un pas, sobre todo la mexicana, ya que no solo depende de una variable, sino de muchas otras, como la poltica por ejemplo. Y es por eso que es mejor acudir con un economista, ya que est preparado, primero, para entender el propio funcionamiento de la economa, es decir lo que sucede y por qu pasa; y segundo los economistas nos pueden advertir sobre los efectos de las polticas econmicas y otros factores externos. Por qu lo elegimos: El artculo "Sirven los economistas?", nos pareci el ms interesante y el ms fcil de interpretar. Creemos que es el ms interesante porque tambin nos demuestra como los nmeros no son siempre lo nico para poder hacer un pronstico, y como debemos usar nuestros conocimientos en la materia para poder realizar uno. Por eso este artculo nos ensea la importancia de los mtodos cualitativos y su aplicacin en la economa, ya sea de un pas hasta del mundo. Tambin es importante saber que como carreras de negocios y a los que les gusta la economa, fue til aprender un poco de pronsticos y que los seguiremos aplicando en el futuro. C. "Pronstico del Precio de la Accin Serie A de Kimberly-Clark Mxico: Una Estimacin con Modelo ARIMA"

Resumen: El artculo de "Pronstico del Precio de la Accin Serie A de Kimberly-Clark Mxico: Una Estimacin con Modelo ARIMA", trata de cmo se puede pronosticar los precios de las acciones de dicha compaa, por medio de mtodo relativamente nuevo, que se llama BoxJenkins o ARIMA (el mtodo Box-Jenkins para series de tiempo univariadas se denomina como modelos ARIMA), asimismo trata de probar la confiabilidad del pronstico, comparndolo con un dato real. La necesidad de realizar estimaciones exactas sobre el rendimiento, los riesgos, etc., ha propiciado que se recurra a estos mtodos, porque con estos pronsticos se toman muchas decisiones muy importantes y por lo tanto es necesario que se realicen sobre una buena base, es decir sobre una casi exacta prediccin. Mediante estos pronsticos se tomarn decisiones de las cuales se podrn obtener mayores ganancias, adems de conocer si una accin agresiva o defensiva, conocer su volatilidad o simplemente disminuir prdidas inevitables. Por qu lo elegimos: Este texto nos pareci interesante, ya que como carreras de negocios y sobre todo para los que estudian administracin financiera, es muy importante, porque sabiendo que es un mbito en el cual se pueden desenvolver como profesionistas, deben de tener los conocimientos necesarios para tomar buenas decisiones en la BMV (Bolsa Mexicana de Valores), es decir pronosticar de manera acertada el precio de las acciones y de ah concluir si invertir o no invertir, etc. Adems, tambin es un buen ejemplo de cmo los pronsticos s se utilizan en la vida real, y no solo en teora. D. "Algoritmos Genticos Y Modelos Multivariados Recursivos En La Prediccin De ndices Burstiles De Amrica Del Norte: IPC, TSE, Nasdaq y DJI" Resumen: El artculo es un estudio que analiza que analiza la eficiencia de los modelos multivariados dinmicos que son elaborados a partir de algoritmos genticos para predecir las variaciones semanales de los ndices burstiles IPC,1 TSE,2 DJI3 y Nasdaq, que son algunos de los ms importantes en el mbito financiero. Los algoritmos genticos creados por Holland en 1975, consisten en una funcin matemtica que "simula el proceso evolutivo de las especies, teniendo como objetivo encontrar soluciones a problemas especficos de maximizacin o minimizacin". Es decir, el algoritmo acta como la "seleccin natural" de Darwin, ya que recibe como entrada una

generacin de posibles soluciones para algn problema que tenga la especie, y arroja como salida los especimenes mas aptos (es decir, las mejores soluciones) para que se apareen y generen descendientes, lo que da como resultado, mejores especimenes que las generaciones anteriores. "Estos algoritmos se manejan mediante cdigos que representan a cada una de las posibles soluciones al problema. Por ello, es necesario establecer una codificacin para todo el rango de soluciones, antes de comenzar a utilizar el algoritmo". Segn Bauer (1994) este mtodo se puede utilizar en los problemas financieros de la misma forma que en la gentica. Por qu lo elegimos: A pesar de ser un artculo bastante complicado, con trminos muy cientficos, creemos que es muy importante conocer hacia donde se dirigen los pronsticos, saber de las nuevas tendencias que como pudimos observar se usan principalmente en el ambiente burstil. Tambin lo elegimos porque se nos hizo muy interesante como se combina la gentica con los pronsticos, y como los expertos han logrado realizar mtodos tan complejos y de ah obtener resultados que son capaces de predecir los comportamientos de la economa de un pas. CONCLUSIONES Con toda esta informacin nosotros podemos concluir que la materia de pronsticos nos fue de gran utilidad, y que a pesar de no haber aprendido todos los mtodos existentes para realizar predicciones , pudimos lograr entender esta ciencia y conocer sus variadas aplicaciones, desde la gentica, la ciencia ficcin, el arte y la literatura, etc. A su vez vimos que algunas universidades se enfocan en la investigacin de nuevos mtodos para obtener pronsticos ms certeros. Tambin pudimos conocer las nuevas tendencias de esta magnifica ciencia, por medio de la muy interesante entrevista con el profesor Eduardo Villegas, que nos hizo saber de nuevos mtodos como el "Eleven Study" y los algoritmos genticos, asimismo el profesor Eduardo Snchez nos remarco el nuevo modelo aplicado sobre todo a las finanzas, que es el BoxJenkins. La investigacin fue muy interesante y enriquecedora para los que participamos en ella, y esperamos que sea igualmente para todo los lectores. BIBLIOGRAFA Harre, Dietrich. "Teora del entrenamiento deportivo".

Vzquez Conde, Rosalino. "Ecologa y Medio Ambiente". Mxico: Publicaciones Cultural, 2000 Borges, Jorge Luis. "El Aleph". Buenos Aires : Emec, 2004 "Algoritmos genticos y computacin evolutiva" (28 de abril de 2006) "Los estudios del futuro: evolucin y perspectivas". (28 de abril de 2006) TAISS (01 de mayo de 2006) Mendoza Domnguez, Alberto. "Pronstico de la Calidad del Aire usando Modelos Estadsticos y Redes Neuronales Artificiales".Biblioteca Digital del Instituto Tecnolgico de Estudios Superiores de Monterrey Ancheyta, Lizet. "Pronstico del Precio de la Accin Serie A de Kimberly-Clark Mxico: Una Estimacin con Modelo ARIMA". Biblioteca Digital del Instituto Tecnolgico de Estudios Superiores de Monterrey Parisi, Antonio. "Algoritmos genticos y modelos multivariados recursivos en la prediccin de ndices burstiles de amrica del norte: IPC, TSE, NASDAQ Y DJI*" Biblioteca Digital del Instituto Tecnolgico de Estudios Superiores de Monterrey. < http://0proquest.umi.com.millenium.itesm.mx:80/pqdlink?did=869817591&sid=1&Fmt=4&cl ientId=23693&RQT=309&VName=PQD> (01 de mayo de 2006) Snchez, Manuel. "Sirven los economistas?". Biblioteca Digital del Instituto Tecnolgico de Estudios Superiores de Monterrey. < http://0proquest.umi.com.millenium.itesm.mx:80/pqdlink?did=700331271&sid=1&Fmt=3&cl ientId=23693&RQT=309&VName=PQD> (01 de mayo de 2006)

Ariadna Moncada Paulina Sandoval Mariana Camarena Claudia Romero 18 de Mayo de 2006

http://www.monografias.com/trabajos36/pronosticos-administracion/pronosticosadministracion.shtml.

Algoritmos genticos y computacin evolutivaAdam Marczyk 2004Resumen: Los creacionistas afirman a menudo que el proceso evolutivo no puede crear informacin nueva, o que la evolucin no posee beneficios prcticos. Este artculo refuta esas afirmaciones describiendo el crecimiento explosivo y las extensas aplicaciones de los algoritmos genticos, una tcnica de computacin basada en los principios de la evolucin biolgica.

IntroduccinDe vez en cuando, los creacionistas acusan a la evolucin de que carece de utilidad como teora cientfica porque no produce beneficios prcticos y no tiene relevancia en la vida diaria. Sin embargo, tan slo la evidencia de la biologa demuestra que esta afirmacin es falsa. Hay numerosos fenmenos naturales para los que la evolucin nos ofrece un slido fundamento terico. Por nombrar uno, el desarrollo observado de la resistencia -a los insecticidas en las plagas de cultivos, a los antibiticos en las bacterias, a la quimioterapia en las clulas cancerosas, y a los frmacos antiretrovirales en virus como el VIH- es una consecuencia abierta de las leyes de la mutacin y la seleccin, y comprender estos principios nos ha ayudado a desarrollar estrategias para enfrentarnos a estos nocivos organismos. El postulado evolutivo de la descendencia comn ha ayudado al desarrollo de nuevos medicamentos y tcnicas, al proporcionar a los investigadores una buena idea de con qu organismos deben experimentar para obtener resultados que probablemente sern relevantes para los seres humanos. Finalmente, el hombre ha utilizado con grandes resultados el principio de cra selectiva para crear organismos personalizados, distintos a cualquiera que se pueda encontrar en la naturaleza, para beneficio propio. El ejemplo cannico, por supuesto, es la diversidad de variedades de perros domsticos (razas tan diversas como los bulldogs, chihuahuas y dachshunds han sido producidas a partir de lobos en slo unos pocos miles de aos), pero ejemplos menos conocidos incluyen al maz cultivado (muy diferente de sus parientes salvajes, que carecen de las familiares ``orejas'' del maz cultivado), a los peces de colores (como los perros, hemos criado variedades cuyo aspecto es drsticamente distinto al del tipo salvaje), y a las vacas lecheras (con ubres inmensas, mucho mayores que las necesarias para alimentar a una cra). Los crticos pueden argumentar que los creacionistas pueden explicar estas cosas sin recurrir a la evolucin. Por ejemplo, a menudo los creacionistas explican el desarrollo de la resistencia a los agentes antibiticos en las bacterias, o los cambios forjados en los animales domsticos por seleccin artificial, asumiendo que Dios decidi crear a los organismos en grupos fijos, llamados ``tipos'' o baramins. Aunque la microevolucin natural o la seleccin

artificial dirigida por humanos pueden producir diferentes variedades dentro de los ``tipoperro'', ``tipo-vaca'' o ``tipo-bacteria'' (!) creados originalmente, ninguna cantidad de tiempo o cambio gentico puede transformar un ``tipo'' en otro. Sin embargo, nunca se explica cmo determinan los creacionistas lo que es un ``tipo'', o qu mecanismo impide a los seres vivos evolucionar ms all de sus lmites. Pero en las ltimas dcadas, el continuo avance de la tecnologa moderna ha producido algo nuevo. Ahora la evolucin est produciendo beneficios prcticos en un campo muy distinto y, esta vez, los creacionistas no pueden afirmar que su explicacin se adapte a los hechos igual de bien. Este campo es la informtica, y los beneficios provienen de una estrategia de programacin llamada algoritmos genticos. Este ensayo explicar qu son los algoritmos genticos y mostrar de qu manera son relevantes en el debate evolucin/creacionismo.

Qu es un algoritmo gentico?Expuesto concisamente, un algoritmo gentico (o AG para abreviar) es una tcnica de programacin que imita a la evolucin biolgica como estrategia para resolver problemas. Dado un problema especfico a resolver, la entrada del AG es un conjunto de soluciones potenciales a ese problema, codificadas de alguna manera, y una mtrica llamada funcin de aptitud que permite evaluar cuantitativamente a cada candidata. Estas candidatas pueden ser soluciones que ya se sabe que funcionan, con el objetivo de que el AG las mejore, pero se suelen generar aleatoriamente. Luego el AG evala cada candidata de acuerdo con la funcin de aptitud. En un acervo de candidatas generadas aleatoriamente, por supuesto, la mayora no funcionarn en absoluto, y sern eliminadas. Sin embargo, por puro azar, unas pocas pueden ser prometedoras pueden mostrar actividad, aunque slo sea actividad dbil e imperfecta, hacia la solucin del problema. Estas candidatas prometedoras se conservan y se les permite reproducirse. Se realizan mltiples copias de ellas, pero las copias no son perfectas; se introducen cambios aleatorios durante el proceso de copia. Luego, esta descendencia digital prosigue con la siguiente generacin, formando un nuevo acervo de soluciones candidatas, y son sometidas a una ronda de evaluacin de aptitud. Las candidatas que han empeorado o no han mejorado con los cambios en su cdigo son eliminadas de nuevo; pero, de nuevo, por puro azar, las variaciones aleatorias introducidas en la poblacin pueden haber mejorado a algunos individuos, convirtindolos en mejores soluciones del problema, ms completas o ms eficientes. De nuevo, se selecionan y copian estos individuos vencedores hacia la siguiente generacin con cambios aleatorios, y el proceso se repite. Las expectativas son que la aptitud media de la poblacin se incrementar en cada ronda y, por tanto, repitiendo este proceso cientos o miles de rondas, pueden descubrirse soluciones muy buenas del problema. Aunque a algunos les puede parecer asombroso y antiintuitivo, los algoritmos genticos han demostrado ser una estrategia enormemente poderosa y exitosa para resolver problemas, demostrando de manera espectacular el poder de los principios evolutivos. Se han utilizado

algoritmos genticos en una amplia variedad de campos para desarrollar soluciones a problemas tan difciles o ms difciles que los abordados por los diseadores humanos. Adems, las soluciones que consiguen son a menudo ms eficientes, ms elegantes o ms complejas que nada que un ingeniero humano producira. En algunos casos, los algoritmos genticos han producido soluciones que dejan perplejos a los programadores que escribieron los algoritmos en primera instancia!

Mtodos de representacinAntes de que un algoritmo gentico pueda ponerse a trabajar en un problema, se necesita un mtodo para codificar las soluciones potenciales del problema de forma que una computadora pueda procesarlas. Un enfoque comn es codificar las soluciones como cadenas binarias: secuencias de 1s y 0s, donde el dgito de cada posicin representa el valor de algn aspecto de la solucin. Otro mtodo similar consiste en codificar las soluciones como cadenas de enteros o nmeros decimales, donde cada posicin, de nuevo, representa algn aspecto particular de la solucin. Este mtodo permite una mayor precisin y complejidad que el mtodo comparativamente restringido de utilizar slo nmeros binarios, y a menudo ``est intuitivamente ms cerca del espacio de problemas'' (Fleming y Purshouse 2002[3], p 1.228). Esta tcnica se utiliz, por ejemplo, en el trabajo de Steffen Schulze-Kremer, que escribi un algoritmo gentico para predecir la estructura tridimensional de una protena, basndose en la secuencia de aminocidos que la componen (Mitchell 1996[47], p. 62). El AG de Schulze-Kremer utilizaba nmeros reales para representar los famosos ``ngulos de torsin'' entre los enlaces peptdicos que conectan a los aminocidos. (Una protena est formada por una secuencia de bloques bsicos llamados aminocidos, que se conectan como los eslabones de una cadena. Una vez que todos los aminocidos estn enlazados, la protena se dobla formando una compleja estructura tridimensional, basada en cules aminocidos se atraen entre ellos y cules se repelen. La forma de una protena determina su funcin). Los algoritmos genticos para entrenar a las redes neuronales tambin utilizan a menudo este mtodo de codificacin. Un tercer mtodo consiste en representar a los individuos de un AG como cadenas de letras, donde cada letra, de nuevo, representa un aspecto especfico de la solucin. Un ejemplo de esta tcnica es el mtodo basado en ``codificacin gramtica'' de Hiroaki Kitano, en el que a un AG se le encarg la tarea de evolucionar un sencillo conjunto de reglas llamadas gramtica libre de contexto, que a su vez se utilizaban para generar redes neuronales para una variedad de problemas (Mitchell 1996[47], p. 74). La virtud de estos tres mtodos es que facilitan la definicin de operadores que causen los cambios aleatorios en las candidatas seleccionadas: cambiar un 0 por un 1 o viceversa, sumar o restar al valor de un nmero una cantidad elegida al azar, o cambiar una letra por otra. (Ver la seccin sobre los mtodos de cambio para ms detalles acerca de los operadores genticos). Otra estrategia, desarrollada principalmente por John Koza, de la Universidad de Stanford, y denominada programacin gentica, representa a los programas como estructuras de datos ramificadas llamadas rboles (Koza et al. 2003[42], p. 35). En

este mtodo, los cambios aleatorios pueden generarse cambiado el operador o alterando el valor de un cierto nodo del rbol, o sustituyendo un subrbol por otro.

Figure: Tres sencillos rboles de programa del tipo utilizado normalmente en la programacin gentica. Debajo se proporciona la expresin matemtica que representa cada uno.

Es importante sealar que los algoritmos evolutivos no necesitan representar las soluciones candidatas como cadenas de datos de una longitud fija. Algunos las representan de esta manera, pero otros no; por ejemplo, la ``codificacin gramatical'' de Kitano, explicada arriba, puede escalarse eficientemente para crear redes neuronales grandes y complejas, y los rboles de programacin gentica de Koza pueden crecer arbitrariamente tanto como sea necesario para resolver cualquier problema que se les pida.

Mtodos de seleccinUn algoritmo gentico puede utilizar muchas tcnicas diferentes para seleccionar a los individuos que deben copiarse hacia la siguiente generacin, pero abajo se listan algunos de los ms comunes. Algunos de estos mtodos son mutuamente exclusivos, pero otros pueden utilizarse en combinacin, algo que se hace a menudo.y

y y

y

Seleccin elitista: se garantiza la seleccin de los miembros ms aptos de cada generacin. (La mayora de los AGs no utilizan elitismo puro, sino que usan una forma modificada por la que el individuo mejor, o algunos de los mejores, son copiados hacia la siguiente generacin en caso de que no surja nada mejor). Seleccin proporcional a la aptitud: los individuos ms aptos tienen ms probabilidad de ser seleccionados, pero no la certeza. Seleccin por rueda de ruleta: una forma de seleccin proporcional a la aptitud en la que la probabilidad de que un individuo sea seleccionado es proporcional a la diferencia entre su aptitud y la de sus competidores. (Conceptualmente, esto puede representarse como un juego de ruleta -cada individuo obtiene una seccin de la ruleta, pero los ms aptos obtienen secciones mayores que las de los menos aptos. Luego la ruleta se hace girar, y en cada vez se elige al individuo que ``posea'' la seccin en la que se pare la ruleta). Seleccin escalada: al incrementarse la aptitud media de la poblacin, la fuerza de la presin selectiva tambin aumenta y la funcin de aptitud se hace ms discriminadora.

y

y

y

y

y

Este mtodo puede ser til para seleccionar ms tarde, cuando todos los individuos tengan una aptitud relativamente alta y slo les distingan pequeas diferencias en la aptitud. Seleccin por torneo: se eligen subgrupos de individuos de la poblacin, y los miembros de cada subgrupo compiten entre ellos. Slo se elige a un individuo de cada subgrupo para la reproduccin. Seleccin por rango: a cada individuo de la poblacin se le asigna un rango numrico basado en su aptitud, y la seleccin se basa en este ranking, en lugar de las diferencias absolutas en aptitud. La ventaja de este mtodo es que puede evitar que individuos muy aptos ganen dominancia al principio a expensas de los menos aptos, lo que reducira la diversidad gentica de la poblacin y podra obstaculizar la bsqueda de una solucin aceptable. Seleccin generacional: la descendencia de los individuos seleccionados en cada generacin se convierte en toda la siguiente generacin. No se conservan individuos entre las generaciones. Seleccin por estado estacionario: la descendencia de los individuos seleccionados en cada generacin vuelven al acervo gentico preexistente, reemplazando a algunos de los miembros menos aptos de la siguiente generacin. Se conservan algunos individuos entre generaciones. Seleccin jerrquica: los individuos atraviesan mltiples rondas de seleccin en cada generacin. Las evaluaciones de los primeros niveles son ms rpidas y menos discriminatorias, mientras que los que sobreviven hasta niveles ms altos son evaluados ms rigurosamente. La ventaja de este mtodo es que reduce el tiempo total de clculo al utilizar una evaluacin ms rpida y menos selectiva para eliminar a la mayora de los individuos que se muestran poco o nada prometedores, y sometiendo a una evaluacin de aptitud ms rigurosa y computacionalmente ms costosa slo a los que sobreviven a esta prueba inicial.

Mtodos de cambioUna vez que la seleccin ha elegido a los individuos aptos, stos deben ser alterados aleatoriamente con la esperanza de mejorar su aptitud para la siguiente generacin. Existen dos estrategias bsicas para llevar esto a cabo. La primera y ms sencilla se llama mutacin. Al igual que una mutacin en los seres vivos cambia un gen por otro, una mutacin en un algoritmo gentico tambin causa pequeas alteraciones en puntos concretos del cdigo de un idividuo. El segundo mtodo se llama cruzamiento, e implica elegir a dos individuos para que intercambien segmentos de su cdigo, produciendo una ``descendencia'' artificial cuyos individuos son combinaciones de sus padres. Este proceso pretende simular el proceso anlogo de la recombinacin que se da en los cromosomas durante la reproduccin sexual. Las formas comunes de cruzamiento incluyen al cruzamiento de un punto, en el que se establece un punto de intercambio en un lugar aleatorio del genoma de los dos individuos, y uno de los individuos contribuye todo su cdigo anterior a ese punto y el otro individuo contribuye todo su cdigo a partir de ese punto para producir una descendencia, y al cruzamiento uniforme, en el que el valor de una posicin dada en el genoma de la

descendencia corresponde al valor en esa posicin del genoma de uno de los padres o al valor en esa posicin del genoma del otro padre, elegido con un 50% de probabilidad.

Figure: Cruzamiento y mutacin. El diagrama de arriba ilustra el efecto de estos dos operadores genticos en los individuos de una poblacin de cadenas de 8 bits. El diagrama superior muestra a dos individuos llevando a cabo un cruzamiento de un punto; el punto de intercambio se establece entre las posiciones quinta y sexta del genoma, produciendo un nuevo individuo que es hbrido de sus progenitores. El segundo diagrama muestra a un individuo sufriendo una mutacin en la posicin 4, cambiando el 0 de esa posicin de su genoma por un 1.

Otras tcnicas de resolucin de problemasCon el auge de la informtica de inteligencia artificial y el desarrollo de los mtodos heursticos, han emergido otras tcnicas de resolucin computerizada de problemas que en algunos aspectos son similares a los algoritmos genticos. Esta seccin explica algunas de estas tcnicas, en qu se parecen a los AGs y en qu se diferencian.

Redes neuronales

Una red neuronal es un mtodo de resolucin de problemas basado en un modelo informtico de la manera en que estn conectadas las neuronas del cerebro. Una red neuronal consiste en capas de unidades procesadoras, llamadas nodos, unidas por conexiones direccionales: una capa de entrada, una capa de salida y cero o ms capas ocultas enmedio. Se le presenta un patrn inicial de entrada a la capa de entrada, y luego los nodos que se estimulan transmiten una seal a los nodos de la siguiente capa a la que estn conectados. Si la suma de todas las entradas que entran en una de estas neuronas virtuales es mayor que el famoso umbral de activacin de la neurona, esa neurona se activa, y transmite su propia seal a las neuronas de la siguiente capa. El patrn de activacin, por tanto, se propaga hacia delante hasta que alcanza a la capa de salida, donde es devuelto como solucin a la entrada presentada. Al igual que en el sistema nervioso de los organismos biolgicos, las redes neuronales aprenden y afinan su rendimiento a lo largo del tiempo, mediante la repeticin de rondas en las que se ajustan sus umbrales, hasta que la salida real coincide con la salida deseada para cualquier entrada dada. Este proceso puede

ser supervisado por un experimentador humano, o puede correr automticamente utilizando un algoritmo de aprendizaje (Mitchell 1996[47], p. 52). Se han utilizado algoritmos genticos para construir y entrenar a redes neuronales.

Figure: Una sencilla red neuronal anticipativa (feedforward), con una capa consistente en cuatro neuronas, una capa oculta consistente en tres neuronas y una capa de salida consistente en cuatro neuronas. El nmero de cada neurona representa su umbral de activacin: slo se excitar si recibe al menos esa cantidad de entradas. El diagrama muestra cmo la red neuronal recibe una cadena de entrada y cmo la activacin se extiende por la red hasta producir una salida. Ascenso a colina (Hill Climbing)

Similares a los algoritmos genticos, aunque ms sistemticos y menos aleatorios. Un algoritmo de ascenso a colina comienza con una solucin al problema a mano, normalmente elegida al azar. Luego, la cadena se muta, y si la mutacin proporciona una solucin con mayor aptitud que la solucin anterior, se conserva la nueva solucin; en caso contrario, se conserva la solucin actual. Luego el algoritmo se repite hasta que no se pueda encontrar una mutacin que provoque un incremento en la aptitud de la solucin actual, y esta solucin se devuelve como resultado (Koza et al. 2003[42], p. 59). (Para entender de dnde viene el nombre de esta tcnica, imagine que el espacio de todas las soluciones posibles de un cierto problema se representa como un paisaje tridimensional. Un conjunto de coordenadas en ese paisaje representa una solucin particular. Las soluciones mejores estn a mayor altitud, formando colinas y picos; las que son peores estn a menor altitud, formando valles. Un ``trepacolinas'' es, por tanto, un algoritmo que comienza en un punto dado del paisaje y se mueve inexorablemente colina arriba). El algoritmo de ascenso a colina es lo que se conoce como algoritmo voraz, lo que significa que siempre hace la mejor eleccin disponible en cada paso, con la esperanza de que de esta manera se puede obtener el mejor resultado global. En contraste, los mtodos como los algoritmos genticos y el recocido simulado, discutido abajo, no son voraces; a veces, estos mtodos hacen elecciones menos ptimas al principio con la esperanza de que conducirn hacia una solucin mejor ms adelante.

Recocido simulado (simulated annealing)

Otra tcnica de optimizacin similar a los algoritmos evolutivos se conoce como recocido simulado. La idea toma prestado su nombre del proceso industrial en el que un material se calienta por encima de su punto de fusin y luego se enfra gradualmente para eliminar defectos en su estructura cristalina, produciendo un entramado de tomos ms estable y regular (Haupt y Haupt 1998[34], p. 16). En el recocido simulado, como en los algoritmos genticos, existe una funcin de aptitud que define un paisaje adaptativo; sin embargo, en lugar de una poblacin de candidatas como en los AGs, slo existe una solucin candidata. El recocido simulado tambin aade el concepto de ``temperatura'', una cantidad numrica global que disminuye gradualmente en el tiempo. En cada paso del algoritmo, la solucin muta (lo que es equivalente a moverse hacia un punto adyacente en el paisaje adaptativo). Luego, la aptitud de la nueva solucin se compara con la aptitud de la solucin anterior; si es mayor, se conserva la nueva solucin. En caso contrario, el algoritmo toma la decisin de conservarla o descartarla en base a la temperatura. Si la temperatura es alta, como lo es al principio, pueden conservarse incluso cambios que causan decrementos significativos en la aptitud, y utilizarse como base para la siguiente ronda del algoritmo, pero al ir disminuyendo la temperatura, el algoritmo se va haciendo ms y ms propenso a aceptar slo los cambios que aumentan la aptitud. Finalmente, la temperatura alzanca el cero y el sistema se ``congela''; cualquiera que sea la configuracin que exista en ese punto se convierte en la solucin. El recocido simulado tiene a menudo aplicaciones en la ingeniera del diseo, como determinar la disposicin fsica de los componentes en un chip informtico (Kirkpatrick, Gelatt y Vecchi 1983[40]).

Una breve historia de los AGsLos primeros ejemplos de lo que hoy podramos llamar algoritmos genticos aparecieron a finales de los 50 y principios de los 60, programados en computadoras por bilogos evolutivos que buscaban explcitamente realizar modelos de aspectos de la evolucin natural. A ninguno de ellos se le ocurri que esta estrategia podra aplicarse de manera ms general a los problemas artificiales, pero ese reconocimiento no tardara en llegar: ``La computacin evolutiva estaba definitivamente en el aire en los das formativos de la computadora electrnica'' (Mitchell 1996[47], p.2). En 1962, investigadores como G.E.P. Box, G.J. Friedman, W.W. Bledsoe y H.J. Bremermann haban desarrollado independientemente algoritmos inspirados en la evolucin para optimizacin de funciones y aprendizaje automtico, pero sus trabajos generaron poca reaccin. En 1965 surgi un desarrollo ms exitoso, cuando Ingo Rechenberg, entonces de la Universidad Tcnica de Berln, introdujo una tcnica que llam estrategia evolutiva, aunque se pareca ms a los trepacolinas que a los algoritmos genticos. En esta tcnica no haba poblacin ni cruzamiento; un padre mutaba para producir un descendiente, y se conservaba el mejor de los dos, convirtindose en el padre de la siguiente ronda de mutacin (Haupt y Haupt 1998[34], p.146). Versiones posteriores introdujeron la idea de poblacin. Las estrategias evolutivas todava se emplean hoy en da por ingenieros y cientficos, sobre todo en Alemania.

El siguiente desarrollo importante en el campo vino en 1966, cuando L.J. Fogel, A.J. Owens y M.J. Walsh introdujeron en Amrica una tcnica que llamaron programacin evolutiva. En este mtodo, las soluciones candidatas para los problemas se representaban como mquinas de estado finito sencillas; al igual que en la estrategia evolutiva de Rechenberg, su algoritmo funcionaba mutando aleatoriamente una de estas mquinas simuladas y conservando la mejor de las dos (Mitchell 1996[47], p.2; Goldberg 1989[29], p.105). Tambin al igual que las estrategias evolutivas, hoy en da existe una formulacin ms amplia de la tcnica de programacin evolutiva que todava es un rea de investigacin en curso. Sin embargo, lo que todava faltaba en estas dos metodologas era el reconocimiento de la importancia del cruzamiento. En una fecha tan temprana como 1962, el trabajo de John Holland sobre sistemas adaptativos estableci las bases para desarrollos posteriores; y lo que es ms importante, Holland fue tambin el primero en proponer explcitamente el cruzamiento y otros operadores de recombinacin. Sin embargo, el trabajo fundamental en el campo de los algoritmos genticos apareci en 1975, con la publicacin del libro ``Adaptacin en Sistemas Naturales y Artificiales''. Basado en investigaciones y papers anteriores del propio Holland y de colegas de la Universidad de Michigan, este libro fue el primero en presentar sistemtica y rigurosamente el concepto de sistemas digitales adaptativos utilizando la mutacin, la seleccin y el cruzamiento, simulando el proceso de la evolucin biolgica como estrategia para resolver problemas. El libro tambin intent colocar los algoritmos genticos sobre una base terica firme introduciendo el concepto de esquema (Mitchell 1996[47], p.3; Haupt y Haupt 1998[34], p.147). Ese mismo ao, la importante tesis de Kenneth De Jong estableci el potencial de los AGs demostrando que podan desenvolverse bien en una gran variedad de funciones de prueba, incluyendo paisajes de bsqueda ruidosos, discontinuos y multimodales (Goldberg 1989[29], p.107). Estos trabajos fundacionales establecieron un inters ms generalizado en la computacin evolutiva. Entre principios y mediados de los 80, los algoritmos genticos se estaban aplicando en una amplia variedad de reas, desde problemas matemticos abstractos como el ``problema de la mochila'' (bin-packing) y la coloracin de grafos hasta asuntos tangibles de ingeniera como el control de flujo en una lnea de ensamble, reconocimiento y clasificacin de patrones y optimizacin estructural (Goldberg 1989[29], p.128). Al principio, estas aplicaciones eran principalmente tericas. Sin embargo, al seguir proliferando la investigacin, los algoritmos genticos migraron hacia el sector comercial, al cobrar importancia con el crecimiento exponencial de la potencia de computacin y el desarrollo de Internet. Hoy en da, la computacin evolutiva es un campo floreciente, y los algoritmos genticos estn ``resolviendo problemas de inters cotidiano'' (Haupt y Haupt 1998[34], p.147) en reas de estudio tan diversas como la prediccin en la bolsa y la planificacin de la cartera de valores, ingeniera aeroespacial, diseo de microchips, bioqumica y biologa molecular, y diseo de horarios en aeropuertos y lneas de montaje. La potencia de la evolucin ha tocado virtualmente cualquier campo que uno pueda nombrar, modelando invisiblemente el mundo que nos rodea de incontables maneras, y siguen descubrindose nuevos usos mientras la investigacin sigue su curso. Y en el corazn de todo esto se halla nada ms que la simple y poderosa idea de Charles Darwin:

que el azar en la variacin, junto con la ley de la seleccin, es una tcnica de resolucin de problemas de inmenso poder y de aplicacin casi ilimitada.

Cules son las ventajas de los AGs?y

El primer y ms importante punto es que los algoritmos genticos son intrnsecamente paralelos. La mayora de los otros algoritmos son en serie y slo pueden explorar el espacio de soluciones hacia una solucin en una direccin al mismo tiempo, y si la solucin que descubren resulta subptima, no se puede hacer otra cosa que abandonar todo el trabajo hecho y empezar de nuevo. Sin embargo, ya que los AGs tienen descendencia mltiple, pueden explorar el espacio de soluciones en mltiples direcciones a la vez. Si un camino resulta ser un callejn sin salida, pueden eliminarlo fcilmente y continuar el tabajo en avenidas ms prometedoras, dndoles una mayor probabilidad en cada ejecucin de encontrar la solucin. Sin embargo, la ventaja del paralelismo va ms all de esto. Considere lo siguiente: todas las cadenas binarias (cadenas de ceros y unos) de 8 dgitos forman un espacio de bsqueda, que puede representarse como ******** (donde * significa ``o 0 o 1''). La cadena 01101010 es un miembro de este espacio. Sin embargo, tambin es un miembro del espacio 0*******, del espacio 01******, del espacio 0******0, del espacio 0*1*1*1*, del espacio 10*01**0, etctera. Evaluando la aptitud de esta cadena particular, un algoritmo gentico estara sondeando cada uno de los espacios a los que pertenece. Tras muchas evaluaciones, ira obteniendo un valor cada vez ms preciso de la aptitud media de cada uno de estos espacios, cada uno de los cuales contiene muchos miembros. Por tanto, un AG que evale explcitamente un nmero pequeo de individuos est evaluando implcitamente un grupo de individuos mucho ms grande -de la misma manera que un encuestador que le hace preguntas a un cierto miembro de un grupo tnico, religioso o social espera aprender algo acerca de las opiniones de todos los miembros de ese grupo, y por tanto puede predecir con fiabilidad la opinin nacional sondeando slo un pequeo porcentaje de la poblacin. De la misma manera, el AG puede dirigirse hacia el espacio con los individuos ms aptos y encontrar el mejor de ese grupo. En el contexto de los algoritmos evolutivos, esto se conoce como teorema del esquema, y es la ventaja principal de los AGs sobre otros mtodos de resolucin de problemas (Holland 1992[36], p. 68; Mitchell 1996[47], p. 28-29; Goldberg 1989[29], p. 20). Debido al paralelismo que les permite evaluar implcitamente muchos esquemas a la vez, los algoritmos genticos funcionan particularmente bien resolviendo problemas cuyo espacio de soluciones potenciales es realmente grande -demasiado vasto para hacer una bsqueda exhaustiva en un tiempo razonable. La mayora de los problemas que caen en esta categora se conocen como ``no lineales''. En un problema lineal, la aptitud de cada componente es independiente, por lo que cualquier mejora en alguna parte dar como resultado una mejora en el sistema completo. No es necesario decir que hay pocos problemas como ste en la vida real. La no linealidad es la norma, donde cambiar un componente puede tener efectos en cadena en todo el sistema, y donde cambios mltiples que, individualmente, son perjudiciales, en combinacin pueden conducir hacia mejoras en la aptitud mucho mayores. La no linealidad produce una explosin combinatoria: el espacio de cadenas binarias de 1.000 dgitos puede examinarse exhaustivamente evaluando slo 2.000 posibilidades si el problema es lineal, mientras que

y

si no es lineal, una bsqueda exhaustiva requiere evaluar 21.000 posibilidades -un nmero que, escrito, ocupara ms de 300 dgitos. Afortunadamente, el paralelismo implcito de los AGs les permite superar incluso este enorme nmero de posibilidades, y encontrar con xito resultados ptimos o muy buenos en un corto periodo de tiempo, tras muestrear directamente slo regiones pequeas del vasto paisaje adaptativo (Forrest 1993[24], p. 877). Por ejemplo, un algoritmo gentico desarrollado en comn por ingenieros de General Electric y el Rensselaer Polytechnic Institute produjo el diseo de la turbina de un motor a reaccin de altas prestaciones que era tres veces mejor que la configuracin diseada por humanos, y un 50% mejor que una configuracin diseada por un sistema experto que recorri con xito un espacio de soluciones que contena ms de 10.387 posibilidades. Los mtodos convencionales para disear estas turbinas son una parte fundamental de proyectos de ingeniera que pueden durar hasta cinco aos y costar ms de 2.000 millones de dlares; el algoritmo gentico descubri esta solucin en dos das, en una estacin de trabajo de escritorio tpica en ingeniera (Holland 1992[36], p. 72). Otra ventaja notable de los algoritmos genticos es que se desenvuelven bien en problemas con un paisaje adaptativo complejo -aqullos en los que la funcin de aptitud es discontinua, ruidosa, cambia con el tiempo, o tiene muchos ptimos locales. La mayora de los problemas prcticos tienen un espacio de soluciones enorme, imposible de explorar exhaustivamente; el reto se convierte entonces en cmo evitar los ptimos locales soluciones que son mejores que todas las que son similares a ella, pero que no son mejores que otras soluciones distintas situadas en algn otro lugar del espacio de soluciones. Muchos algoritmos de bsqueda pueden quedar atrapados en los ptimos locales: si llegan a lo alto de una colina del paisaje adaptativo, descubrirn que no existen soluciones mejores en las cercanas y concluirn que han alcanzado la mejor de todas, aunque existan picos ms altos en algn otro lugar del mapa. Los algoritmos evolutivos, por otro lado, han demostrado su efectividad al escapar de los ptimos locales y descubrir el ptimo global incluso en paisajes adaptativos muy escabrosos y complejos. (Debe decirse que, en la realidad, a menudo no hay manera de decir si una cierta solucin a un problema es el ptimo global o slo un ptimo local muy alto. Sin embargo, aunque un AG no devuelva siempre una solucin perfecta y demostrable a un problema, casi siempre puede devolver al menos una muy buena solucin). Todos los cuatro componentes principales de los AGs -paralelismo, seleccin, mutacin y cruzamiento- trabajan juntos para conseguir esto. Al principio, el AG genera una poblacin inicial diversa, lanzando una ``red'' sobre el paisaje adaptativo. (Koza 2003[42], p. 506) compara esto con un ejrcito de paracaidistas cayendo sobre el paisaje del espacio de bsqueda de un problema, cada uno de ellos con rdenes de buscar el pico ms alto). Pequeas mutaciones permiten a cada individuo explorar sus proximidades, mientras que la seleccin enfoca el progreso, guiando a la descendencia del algoritmo cuesta arriba hacia zonas ms prometedoras del espacio de soluciones (Holland 1992[36], p. 68). Sin embargo, el cruzamiento es el elemento clave que distingue a los algoritmos genticos de los otros mtodos como los trepacolinas y el recocido simulado. Sin el cruzamiento, cada solucin individual va por su cuenta, explorando el espacio de bsqueda en sus inmediaciones sin referencia de lo que el resto de individuos puedan haber descubierto.

y

Sin embargo, con el cruzamiento en juego, hay una transferencia de informacin entre los candidatos prsperos -los individuos pueden beneficiarse de lo que otros han aprendido, y los esquemas pueden mezclarse y combinarse, con el potencial de producir una descendencia que tenga las virtudes de sus dos padres y ninguna de sus debilidades. Este punto est ilustrado en Koza et al. 1999[41], p. 486, donde los autores analizan el problema de sintetizar un filtro de paso bajo utilizando programacin gentica. En una generacin se seleccionaron dos circuitos progenitores para llevar a cabo el cruzamiento; un padre tena una buena topologa (componentes como inductores y condensadores colocados en el sitio correcto) pero malos tamaos (valores demasiado bajos de inductancia y capacidad para los componentes). El otro padre tena mala topologa pero buenos tamaos. El resultado de aparearlos mediante cruzamiento fue una descendencia con la buena topologa de un padre y los buenos tamaos del otro, dando como resultado una mejora sustancial de la aptitud sobre sus dos padres. El problema de encontrar el ptimo global en un espacio con muchos ptimos locales tambin se conoce como el dilema de la exploracin versus explotacin, ``un problema clsico de todos los sistemas que pueden adaptarse y aprender'' (Holland 1992[36], p. 69). Una vez que un algoritmo (o un diseador humano) ha encontrado una estrategia para resolver problemas que parece funcionar satisfactoriamente, debera centrarse en hacer el mejor uso de esa estrategia, o buscar otras? Abandonar una estrategia de probada solvencia para buscar otras nuevas casi garantiza que supondr una prdida y degradacin del rendimiento, al menos a corto plazo. Pero si uno se queda con una estrategia particular excluyendo a todas las dems, corre el riesgo de no descubrir estrategias mejores que existen pero no se han encontrado. De nuevo, los algoritmos genticos han demostrado ser muy buenos en dar con este equilibrio y descubrir buenas soluciones en un tiempo y esfuerzo computacional razonables. Otro rea en el que destacan los algoritmos genticos es su habilidad para manipular muchos parmetros simultneamente (Forrest 1993[24], p. 874). Muchos problemas de la vida real no pueden definirse en trminos de un nico valor que hay que minimizar o maximizar, sino que deben expresarse en trminos de mltiples objetivos, a menudo involucrando contrapartidas: uno slo puede mejorar a expensas de otro. Los AGs son muy buenos resolviendo estos problemas: en particular, su uso del paralelismo les permite producir mltiples soluciones, igualmente buenas, al mismo problema, donde posiblemente una solucin candidata optimiza un parmetro y otra candidata optimiza uno distinto (Haupt y Haupt 1998[34], p. 17), y luego un supervisor humano puede seleccionar una de esas candidatas para su utilizacin. Si una solucin particular a un problema con mltiples objetivos optimiza un parmetro hasta el punto en el que ese parmetro no puede mejorarse ms sin causar una correspondiente prdida de calidad en algn otro parmetro, esa solucin se llama ptimo paretiano o no dominada (Coello 2000[18], p. 112). Finalmente, una de las cualidades de los algoritmos genticos que, a primera vista, puede parecer un desastre, resulta ser una de sus ventajas: a saber, los AGs no saben nada de los problemas que deben resolver. En lugar de utilizar informacin especfica conocida a priori para guiar cada paso y realizar cambios con un ojo puesto en el mejoramiento, como hacen los diseadores humanos, son ``relojeros ciegos'' (Dawkins 1996[20]); realizan cambios aleatorios en sus soluciones candidatas y luego utilizan la funcin de aptitud para determinar si esos cambios producen una mejora.

y

y

La virtud de esta tcnica es que permite a los algoritmos genticos comenzar con una mente abierta, por as decirlo. Como sus decisiones estn basadas en la aleatoriedad, todos los caminos de bsqueda posibles estn abiertos tericamente a un AG; en contraste, cualquier estrategia de resolucin de problemas que dependa de un conocimiento previo, debe inevitablemente comenzar descartando muchos caminos a priori, perdiendo as cualquier solucin novedosa que pueda existir (Koza et al. 1999[41], p. 547). Los AGs, al carecer de ideas preconcebidas basadas en creencias establecidas sobre ``cmo deben hacerse las cosas'' o sobre lo que ``de ninguna manera podra funcionar'', los AGs no tienen este problema. De manera similar, cualquier tcnica que dependa de conocimiento previo fracasar cuando no est disponible tal conocimiento, pero, de nuevo, los AGs no se ven afectados negativamente por la ignorancia (Goldberg 1989[29], p. 23). Mediante sus componentes de paralelismo, cruzamiento y mutacin, pueden viajar extensamente por el paisaje adaptativo, explorando regiones que algoritmos producidos con inteligencia podran no haber tenido en cuenta, y revelando potencialmente soluciones de asombrosa e inesperada creatividad que podran no habrseles ocurrido nunca a los diseadores humanos. Un ejemplo muy grfico de esto es el redescubrimiento, mediante la programacin gentica, del concepto de retroalimentacin negativa -un principio crucial para muchos componentes electrnicos importantes de hoy en da, pero un concepto que, cuando fue descubierto en primera instancia, se le deneg una patente de nueve aos porque el concepto era demasiado contrario a las creencias establecidas (Koza et al. 2003[42], p. 413). Por supuesto, los algoritmos evolutivos no estn enterados ni preocupados de si una solucin va en contra de las creencias establecidas -slo de si funciona.

Cules son las limitaciones de los AGs?Aunque los algoritmos genticos han demostrado su eficiencia y potencia como estrategia de resolucin de problemas, no son la panacea. Los AGs tienen ciertas limitaciones; sin embargo, se demostrar que todas ellas pueden superarse y que ninguna de ellas afecta a la validez de la evolucin biolgica.y

La primera y ms importante consideracin al crear un algoritmo gentico es definir una representacin del problema. El lenguaje utilizado para especificar soluciones candidatas debe ser robusto; es decir, debe ser capaz de tolerar cambios aleatorios que no produzcan constantemente errores fatales o resultados sin sentido. Hay dos maneras principales para conseguir esto. La primera, utilizada por la mayora de los algoritmos genticos, es definir a los individuos como listas de nmeros -binarios, enteros o reales- donde cada nmero representa algn aspecto de la solucin candidata. Si los individuos son cadenas binarias, un 0 o 1 podra significar la ausencia o presencia de una cierta caracterstica. Si son listas de nmeros, estos nmeros podran representar muchas cosas distintas: los pesos de las conexiones en una red neuronal, el orden de las ciudades visitadas en un recorrido dado, la situacin espacial de componentes electrnicos, los valores con los que se alimenta a un controlador, los ngulos de torsin de los enlaces pptidos de una protena, etctera. As, la mutacin implica cambiar estos nmeros, cambiar bits o sumar o restar valores aleatorios. En este caso, el propio cdigo del programa no cambia; el cdigo es lo que dirige la simulacin y hace un seguimiento de

los individuos, evaluando sus aptitudes y quiz asegurando que slo se producen valores realistas y posibles para el problema dado. En otro mtodo, la programacin gentica, el propio cdigo del programa s cambia. Como ya se dijo en la seccin ``Mtodos de representacin'', la PG representa a los individuos como rboles de cdigo ejecutables que pueden mutar cambiando o intercambiando subrboles. Ambos metodos producen representaciones robustas ante la mutacin, y pueden representar muchos tipos diferentes de problemas y, como se dice en la seccin ``Algunos ejemplos especficos'', ambas han tenido un xito considerable. El problema de representar a las soluciones candidatas de manera robusta no surge en la naturaleza, porque el mtodo de representacin utilizado por la evolucin, a saber, el cdigo gentico, es inherentemente robusto: con muy pocas excepciones, como una cadena de codones de parada, no existe una secuencia de bases de ADN que no pueda traducirse en una protena. Por lo tanto, virtualmente, cualquier cambio en los genes de un individuo siempre producir un resultado inteligible, y por tanto las mutaciones en la evolucin tienen mayor probabilidad de producir una mejora. Esto entra en contraste con los lenguajes creados por el hombre como el ingls, donde el nmero de palabras con significado es pequeo comparado con el nmero total de formas en las que se pueden combinar las letras del alfabeto, y por tanto, es probable que un cambio aleatorio en una frase en ingls produzca un sinsentido. El problema de cmo escribir la funcin de aptitud debe considerarse cuidadosamente para que se pueda alcanzar una mayor aptitud y verdaderamente signifique una solucin mejor para el problema dado. Si se elige mal una funcin de aptitud o se define de manera inexacta, puede que el algoritmo gentico sea incapaz de encontrar una solucin al problema, o puede acabar resolviendo el problema equivocado. (Esta ltima situacin se describe a veces como la tendencia del AG a ``engaar'', aunque en realidad lo que est pasando es que el AG est haciendo lo que se le pidi hacer, no lo que sus creadores pretendan que hiciera). Se puede encontrar un ejemplo de esto en Graham-Rowe 2002[30], donde unos investigadores utilizaron un algoritmo evolutivo en conjuncin con una serie de chips reprogramables, haciendo que la funcin de aptitud recompensara al circuito en evolucin por dar como salida una seal oscilatoria. Al final del experimento, se produca efectivamente una seal oscilatoria -pero en lugar de actuar como un osculador, como pretendan los investigadores, descubrieron que el circuito se haba convertido en un receptor de radio que estaba recibiendo y retransmitiendo una seal oscilatoria de un componente electrnico cercano! Sin embargo, esto no es un problema en la naturaleza. En el laboratorio de la evolucin biolgica, slo hay una funcin de aptitud que es igual para todos los seres vivos -la carrera por sobrevivir y reproducirse, sin importar qu adaptaciones hagan esto posible. Los organismos que se reproducen con ms abundancia que sus competidores estn ms adaptados; los que fracasan en reproducirse no estn adaptados. Adems de elegir bien la funcin de aptitud, tambin deben elegirse cuidadosamente los otros parmetros de un AG -el tamao de la poblacin, el ritmo de mutacin y cruzamiento, el tipo y fuerza de la seleccin. Si el tamao de la poblacin es demasiado pequeo, puede que el algoritmo gentico no explore suficientemente el espacio de soluciones para encontrar buenas soluciones consistentemente. Si el ritmo de cambio gentico es demasiado alto o el sistema de seleccin se escoge inadecuadamente, puede

y

y

alterarse el desarrollo de esquemas beneficiosos y la poblacin puede entrar en catstrofe de errores, al cambiar demasiado rpido para que la seleccin llegue a producir convergencia. Los seres vivos tambin se enfrentan a dificultades similares, y la evolucin se ha encargado de ellas. Es cierto que si el tamao de una poblacin cae hacia un valor muy bajo, los ritmos de mutacin son muy altos o la presin selectiva es demasiado fuerte (una situacin as podra ser resultado de un cambio ambiental drstico), entonces la especie puede extinguirse. La solucin ha sido ``la evolucin de la evolutividad'' -las adaptaciones que alteran la habilidad de una especie para adaptarse. Un ejemplo. La mayora de los seres vivos han evolucionado una elaborada maquinaria celular que comprueba y corrigue errores durante el proceso de replicacin del ADN, manteniendo su ritmo de mutacin a unos niveles aceptablemente bajos; a la inversa, en tiempos de fuerte presin ambiental, algunas especies de bacterias entran en un estado de hipermutacin en el que el ritmo de errores en la replicacin del ADN aumenta bruscamente, aumentando la probabilidad de que se descubrir una mutacin compensatoria. Por supuesto, no pueden eludirse todas las catstrofes, pero la enorme diversidad y las adaptaciones altamente complejas de los seres vivos actuales muestran que, en general, la evolucin es una estrategia exitosa. Igualmente, las aplicaciones diversas y los impresionantes resultados de los algoritmos genticos demuestran que son un campo de estudio poderoso y que merece la pena. Un problema con el que los algoritmos genticos tienen dificultades son los problemas con las funciones de aptitud ``engaosas'' (Mitchell 1996[47], p. 125), en las que la situacin de los puntos mejorados ofrecen informacin engaosa sobre dnde se encuentra probablemente el ptimo global. Por ejemplo: imagine un problema en el que el espacio de bsqueda est compuesto por todas las cadenas binarias de ocho caracteres, y en el que la aptitud de cada individuo sea directamente proporcional al nmero de unos en l es decir, 00000001 sera menos apto que 00000011, que sera menos apto que 00000111, etctera -, con dos excepciones: la cadena 11111111 resulta tener una aptitud muy baja, y la cadena 00000000 resulta tener una aptitud muy alta. En este problema, un AG (al igual que la mayora de los algoritmos) no tendra ms probabilidad de encontrar un ptimo global que una bsqueda aleatoria. La solucin a este problema es la misma para los algoritmos genticos y la evolucin biolgica: la evolucin no es un proceso que deba encontrar siempre el ptimo global. Puede funcionar casi igual de bien alcanzando la cima de un ptimo local alto y, para la mayora de las situaciones, eso ser suficiente, incluso aunque el ptimo global no pueda alcanzarse fcilmente desde ese punto. La evolucin es como un ``satisfactor'' -un algoritmo que entrega una solucin ``suficientemente buena'', aunque no necesariamente la mejor solucin posible, dada una cantidad razonable de tiempo y esfuerzo invertidos en la bsqueda. La ``FAQ de la evidencia de diseo improvisado en la naturaleza'' proporciona ejemplos de la naturaleza con estos resultados. (Tambin hay que tener en cuenta que pocos o ningn problema real es tan engaoso como el ejemplo algo forzado dado arriba. Normalmente, la situacin de las mejoras locales proporciona alguna informacin sobre la situacin del ptimo global). Un problema muy conocido que puede surgir con un AG se conoce como convergencia prematura. Si un individuo que es ms apto que la mayora de sus competidores emerge muy pronto en el curso de la ejecucin, se puede reproducir tan abundantemente que merme la diversidad de la poblacin demasiado pronto, provocando que el algoritmo

y

y

converja hacia el ptimo local que representa ese individuo, en lugar de rastrear el paisaje adaptativo lo bastante a fondo para encontrar el ptimo global (Forrest 1993[24], p. 876; Mitchell 1996[47], p. 167). Esto es un problema especialmente comn en las poblaciones pequeas, donde incluso una variacin aleatoria en el ritmo de reproduccin puede provocar que un genotipo se haga dominante sobre los otros. Los mtodos ms comunes implementados por los investigadores en AGs para solucionar este problema implican controlar la fuerza selectiva, para no proporcionar tanta ventaja a los individuos excesivamente aptos. La seleccin escalada, por rango y por torneo, discutidas anteriormente, son tres de los mtodos principales para conseguir esto; algunos mtodos de seleccin escalada son el escalado sigma, en el que la reproduccin se basa en una comparacin estadstica de la aptitud media de la poblacin, y la seleccin de Boltzmann, en la que la fuerza selectiva aumenta durante la ejecucin de manera similar a la variable ``temperatura'' en el recocido simulado (Mitchell 1996[47], p. 168). La convergencia prematura ocurre en la naturaleza (los bilogos la llaman deriva gentica). Esto no debe sorprender; como ya se dijo arriba, la evolucin, como estrategia de resolucin de problemas, no est obligada a encontrar la mejor solucin, slo una que sea lo bastante buena. Sin embargo, en la naturaleza, la convergencia prematura es menos comn, ya que la mayora de las mutaciones beneficiosas en los seres vivos slo producen mejoras en la aptitud pequeas e incrementales; son raras las mutaciones que producen una ganancia de aptitud tan grande que otorgue a sus poseedores una drstica ventaja reproductiva. Finalmente, varios investigadores (Holland 1992[36], p. 72; Forrest 1993[24], p. 875; Haupt y Haupt 1998[34], p. 18) aconsejan no utilizar algoritmos genticos en problemas resolubles de manera analtica. No es que los algoritmos genticos no puedan encontrar soluciones buenas para estos problemas; simplemente es que los mtodos analticos tradicionales consumen mucho menos tiempo y potencia computacional que los AGs y, a diferencia de los AGs, a menudo est demostrado matemticamente que ofrecen la nica solucin exacta. Por supuesto, como no existe una solucin matemtica perfecta para ningn problema de adaptacin biolgica, este problema no aparece en la naturaleza.

y

Algunos ejemplos especficos de AGMientras el poder de la evolucin gana reconocimiento cada vez ms generalizado, los algoritmos genticos se utilizan para abordar una amplia variedad de problemas en un conjunto de campos sumamente diverso, demostrando claramente su capacidad y su potencial. Esta seccin analizar algunos de los usos ms notables en los que han tomado parte.

AcsticaSato et al. 2002[58] utilizaron algoritmos genticos para disear una sala de conciertos con propiedades acsticas ptimas, maximizando la calidad del sonido para la audiencia, para el director y para los msicos del escenario. Esta tarea implica la optimizacin simultnea de mltiples variables. Comenzando con una sala con forma de caja de zapatos, el AG de los

autores produjo dos soluciones no dominadas, ambas descritas como ``con forma de hoja'' (p. 526). Los autores afirman que estas soluciones tienen proporciones similares al Grosser Musikvereinsaal de Viena, el cual est considerado generalmente como una de las mejores si no la mejor- salas de conciertos del mundo, en trminos de propiedades acsticas. Porto, Fogel y Fogel 1995[51] utilizaron programacin evolutiva para adiestrar a redes neuronales para distinguir entre reflexiones sonoras desde distintos tipos de objetos: esferas metlicas hechas por el hombre, montaas submarinas, peces y plantas, y ruido aleatorio de fondo. Tras 500 generaciones, la mejor red neuronal que evolucion tena una probabilidad de clasificacin correcta que iba desde el 94% al 98%, y una probabilidad de clasificacin errnea entre un 7,4% y un 1,5%, que son ``probabilidades razonables de deteccin y falsa alarma'' (p. 21). Esta red evolucionada igual las prestaciones de otra red desarrollada mediante recocido simulado, y super consistentemente a redes entrenadas mediante propagacin hacia atrs, las cuales ``se atascaban repetidamente en conjuntos de pesos subptimos que no producan resultados satisfactorios'' (p. 21). En contraste, ambos mtodos estocsticos demostraron su capacidad para superar estos ptimos locales y producir redes ms pequeas, efectivas y robustas; pero los autores sugieren que el algoritmo evolutivo, a diferencia del recocido simulado, opera sobre una poblacin, y por tanto se beneficia de la informacin global sobre el espacio de bsqueda, conduciendo potencialmente hacia un rendimiento mayor a la larga. Tang et al. 1996[62] analizan los usos de los algoritmos genticos en el campo de la acstica y el procesamiento de seales. Un rea de inters particular incluye el uso de AGs para disear sistemas de Control Activo de Ruido (CAR), que eliminan el sonido no deseado produciendo ondas sonoras que interfieren destructivamente con el ruido. Esto es un problema de mltiples objetivos que requiere el control y la colocacin precisa de mltiples altavoces; los AGs se han utilizado en estos sistemas tanto para disear los controladores como para encontrar la colocacin ptima de los altavoces, dando como resultado una ``atenuacin efectiva del ruido'' (p. 33) en pruebas experimentales.

Ingeniera aeroespacialObayashi et al. 2000[49] utilizaron un algoritmo gentico de mltiples objetivos para disear la forma del ala de un avin supersnico. Hay tres consideraciones principales que determinan la configuracin del ala -minimizar la resistencia aerodinmica a velocidades de vuelo supersnicas, minimizar la resistencia a velocidades subsnicas y minimizar la carga aerodinmica (la fuerza que tiende a doblar el ala). Estos objetivos son mutuamente exclusivos, y optimizarlos todos simultneamente requiere realizar contrapartidas. El cromosoma de este problema es una cadena de 66 nmeros reales, cada uno de los cuales corresponde a un aspecto especfico del ala: su forma, su grosor, su torsin, etctera. Se simul una evolucin con seleccin elitista durante 70 generaciones, con un tamao de poblacin de 64 individuos. Al final de este proceso haba varios individuos paretianos, cada uno representando una solucin no dominada del problema. El artculo comenta que estos individuos ganadores tenan caractersticas ``fsicamente razonables'', sealando la validez de la tcnica de optimizacin (p. 186). Para evaluar mejor la calidad de las

soluciones, las seis mejores fueron comparadas con un diseo de ala supersnica producido por el Equipo de Diseo SST del Laboratorio Aeroespacial Nacional de Japn. Las seis fueron competitivas, con valores de resistencia y carga aproximadamente iguales o menores a los del ala diseada por humanos; en particular, una de las soluciones evolucionadas super al diseo del LAN en los tres objetivos. Los autores sealan que las soluciones del AG son similares a un diseo llamado ``ala flecha'', sugerido por primera vez a finales de los aos 50, pero que finalmente fue abandonado en favor del diseo ms convencional con forma de delta. En un artculo posterior (Sasaki et al. 2001[57]), los autores repitieron el experimento aadiendo un cuarto objetivo, a saber, minimizar el momento de torsin (un conocido problema en los diseos de alas flecha en el vuelo supersnico). Tambin se aadieron puntos de control adicionales para el grosor al conjunto de variables de diseo. Tras 75 generaciones de evolucin, se compararon dos de las mejores soluciones paretianas con el diseo de ala que el Laboratorio Aeroespacial Nacional japons realiz para el avin supersnico experimental NEXST-1. Se descubri que ambos diseos (adems de un diseo ptimo de la simulacin anterior, explicada arriba) eran fsicamente razonables y superiores al diseo del LAN en los cuatro objetivos. Williams, Crossley y Lang 2001[64] aplicaron algoritmos genticos a la tarea de situar rbitas de satlites para minimizar los apagones de cobertura. Mientras la tecnologa de telecomunicaciones sigue progresando, los humanos somos cada vez ms dependientes de las funciones vitales que realizan los satlites en rbita alrededor de la Tierra, y uno de los problemas con los que se enfrentan los ingenieros es el diseo de las trayectorias orbitales. Los satlites que se encuentran en una rbita terrestre alta, a unos 35.000 kilmetros de altitud, pueden ver amplias secciones del planeta al mismo tiempo y estar en contacto con las estaciones terrestres, pero son mucho ms caros de lanzar y ms vulnerables a las radiaciones csmicas. Es ms econmico colocar satlites en rbitas bajas, en algunos casos a slo unos pocos cientos de kilmetros; pero, a causa de la curvatura de la Tierra, es inevitable que estos satlites pierdan durante un tiempo la lnea de visin con los receptores terrestres, y por lo tanto se vuelven intiles. Incluso las constelaciones de varios satlites tienen apagones ineludibles y prdidas de cobertura por esta razn. El reto consiste en colocar las rbitas de los satlites para minimizar este tiempo muerto. Esto es un problema multi-objetivo que implica la minimizacin de el tiempo medio de apagn para todas las localizaciones y el tiempo mximo de apagn para cada una de las localizaciones; en la prctica, estos objetivos resultan ser mutuamente exclusivos. Cuando se utiliz el AG en este problema, los resultados que evolucionaron para constelaciones de tres, cuatro y cinco satlites eran extraos, configuraciones orbitales muy asimtricas, con los satlites colocados alternando huecos grandes y pequeos, en lugar de huecos de igual tamao como habran hecho las tcnicas convencionales. Sin embargo, esta solucin redujo significativamente los tiempos medio y mximo de apagn, en algunos casos hasta en 90 minutos. En un artculo periodstico, el Dr. William Crossley seal que ``ingenieros con aos de experiencia aeroespacial quedaorn sorprendidos con el rendimiento ofrecido por el diseo no convencional''.

Keane y Brown 1996[43] utilizadon un AG para producir un nuevo diseo para un brazo o jirafa para transportar carga que pudiese montarse en rbita y utilizarse con satlites, estaciones espaciales y otros proyectos de construccin aeroespacial. El resultado, una estructura retorcida con aspecto orgnico que se ha comparado con un fmur humano, no utiliza ms material que el diseo de brazo estndar, pero es ligera, fuerte y muy superior a la hora de amortiguar las vibraciones perjudiciales, como confirmaron las pruebas reales del producto final. Y sin embargo ``Ninguna inteligencia produjo los diseos. Simplemente evolucionaron'' (Petit 1998[43]). Los autores del artculo comentan adems que su AG slo se ejecut durante 10 generaciones, debido a la naturaleza computacionalmente costosa de la simulacin, y la poblacin no se haba estancado todava. Haber proseguido la ejecucin durante ms generaciones habra producido indudablemente mayores mejoras de rendimiento.

Figure: Un brazo tridimensional optimizado genticamente, con una respuesta mejorada a la frecuencia (adaptado de http://www.soton.ac.uk/~ajk/truss/welcome.html).

Finalmente, como informa Gibbs 1996[25], Lockheed Martin ha utilizado un algoritmo gentico para producir mediante evolucin una serie de maniobras para mover una nave espacial de una orientacin a otra, dentro del 2% del tiempo mnimo terico para tales maniobras. La solucin evolucionada era un 10% ms rpida que una solucin producida manualmente por un experto para el mismo problema.

Astronoma y astrofsicaCharbonneau 1995[12] sugiere la utilidad de los AGs para problemas de astrofsica, aplicndolos a tres problemas de ejemplo: obtener la curva de rotacin de una galaxia basndose en las velocidades rotacionales observadas de sus componentes, determinar el periodo de pulsacin de una estrella variable basndose en series de datos temporales, y sacar los valores de los parmetros crticos de un modelo magnetohidrodinmico del viento solar. Son tres difciles problemas no lineales y multidimensionales.

El algoritmo gentico de Charbonneau, PIKAIA, utiliza seleccin generacional y proporcional a la aptitud, junto con elitismo, para asegurar que el mejor individuo se copia una vez hacia la siguiente generacin sin ninguna modificacin. PIKAIA tiene un ritmo de cruzamiento de 0,65 y un ritmo de mutacin variable que se pone a 0,003 inicialmente y luego aumenta gradualmente, mientras la poblacin se aproxima a la convergencia, para mantener la variabilidad en el acervo gentico. En el problema de la curva de rotacin galctica, el AG produjo dos curvas, y ambas estaban bien ajustadas a los datos (un resultado comn en este tipo de problema, en el que hay poco contraste entre cimas cercanas); observaciones posteriores pueden distinguir cul es la preferible. En el problema de la serie temporal, el AG fue impresionantemente exitoso, generando un ajuste de los datos de gran calidad, aunque otros problemas ms difciles no se ajustaron tan bien (aunque, como seala Charbonneau, estos problemas son igualmente difciles de resolver con tcnicas convencionales). El artculo sugiere que un AG hbrido que emplee tanto evolucin artificial como tcnicas analticas estndar, podra funcionar mejor. Finalmente, en el problema de obtener los seis parmetros crticos del viento solar, el AG determin con xito el valor de tres con una precisin de menos del 0,1% y los otros tres con precisiones entre el 1 y el 10%. (Aunque siempre seran preferibles unos errores experimentales menores para estos tres parmetros, Charbonneau seala que no existe ningn otro mtodo eficiente y robusto para resolver experimentalmente un problema no lineal 6-dimensional de este tipo; un mtodo de gradiente conjugado funciona ``siempre que se pueda proporcionar un valor inicial muy acertado'' (p. 323). En contraste, los AGs no requieren un conocimiento del dominio tan bien afinado). Basndose en los resultados obtenidos hasta ahora, Charbonneau sugiere que los AGs pueden y deben encontrar uso en otros problemas difciles de astrofsica, en particular, problemas inversos como las imgenes por Doppler y las inversiones heliossmicas. Para terminar, Charbonneau sostiene que los AGs son un ``contendiente poderoso y prometedor'' (p. 324) en este campo, del que se puede esperar que complemente (no sustituya) a las tcnicas tradicionales de optimizacin, y concluye que ``el punto decisivo, si es que tiene que haber alguno, es que los algoritmos genticos funcionan, y a menudo colosalmente bien'' (p. 325).

QumicaUn pulso lser ultracorto de alta energa puede romper molculas complejas en molculas ms sencillas, un proceso con aplicaciones importantes en la qumica orgnica y la microelectrnica. Los productos especficos de una reaccin as pueden controlarse modulando la fase del pulso lser. Sin embargo, para molculas grandes, obtener la forma del pulso deseado de manera analtica es demasiado difcil: los clculos son demasiado complejos y las caractersticas relevantes (las superficies de energa potencial de las molculas) no se conocen con suficiente precisin. Assion et al. 1998[6] resolvieron este problema utilizando un algoritmo evolutivo para disear la forma del pulso. En lugar de introducir informacin compleja, especfica del

problema, sobre las caractersticas cunticas de las molculas iniciales, para disear el pulso conforme a las especificaciones, el AE dispara un pulso, mide las proporciones de las molculas producto resultantes, muta aleatoriamente las caractersticas del rayo con la esperanza de conseguir que estas proporciones se acerquen a la salida deseada, y el proceso se repite. (En lugar de afinar directamente las caractersticas del rayo lser, el AG de los autores representa a los individuos como un conjunto de 128 nmeros, en el que cada nmero es un valor de voltaje que controla el ndice de refraccin de uno de los pixeles del modulador lser. De nuevo, no se necesita un conocimiento especfico del problema sobre las propiedades del lser o de los productos de la reaccin). Los autores afirman que su algoritmo, cuando se aplica a dos sustancias de muestra, ``encuentra automticamente la mejor configuracin... no importa lo complicada que sea la respuesta molecular'' (p. 921), demostrando un ``control coherente automatizado de los productos que son qumicamente diferentes uno del otro y de la molcula padre'' (p. 921). A principios y mediados de los 90, la amplia adopcin de una novedosa tcnica de diseo de frmacos, llamada qumica combinatoria, revolucion la industria farmacutica. Con este mtodo, en lugar de la sntesis precisa y meticulosa de un slo compuesto de una vez, los bioqumicos mezclan deliberadamente una gran variedad de reactivos para producir una variedad an mayor de productos -cientos, miles o millones de compuestos diferentes en cada remesa- que luego pueden aislarse rpidamente para su actividad bioqumica. Hay dos formas de disear las bibliotecas de reactivos en esta tcnica: diseo basado en los reactivos, que elige grupos optimizados de reactivos sin considerar qu productos saldrn como resultado, y diseo basado en los productos, que selecciona los reactivos que producirn con mayor probabilidad los productos con las propiedades deseadas. El diseo basado en los productos es ms difcil y complejo, pero se ha demostrado que genera bibliotecas combinatorias mejores y ms diversas, y tiene ms probabilidades de ofrecer un resultado til. En un artculo patrocinado por el departamento de investigacin y desarrollo de GlaxoSmithKline, Gillet 2002[26] describe el uso de un algoritmo gentico multiobjetivo para el diseo basado en los productos de bibliotecas