Preguntas Frecuentes

Los algoritmos genéticos (AG) son métodos de búsqueda y optimización inspirados en la evolución biológica. Mantienen una población de soluciones candidatas y las mejoran a lo largo de generaciones mediante tres operadores: selección (elegir los mejores individuos), cruce (combinar dos soluciones) y mutación (modificar aleatoriamente una solución). Los AG son especialmente eficaces cuando el espacio de búsqueda es grande, complejo o poco comprendido.

Los algoritmos genéticos son adecuados para problemas de optimización y búsqueda donde se requiere encontrar la mejor solución entre un gran conjunto de posibilidades. Los ejemplos incluyen planificación de rutas (Problema del Viajante), programación de tareas, diseño de ingeniería, optimización de funciones y estrategia de juegos. Son especialmente útiles cuando la función de aptitud no es diferenciable o no tiene solución analítica conocida.

No. El tutorial explica los conceptos paso a paso con diagramas y demostraciones interactivas en el navegador. No se requieren conocimientos de programación. Si desea implementar su propio AG después, las habilidades básicas de programación ayudarán, pero no son necesarias para comprender el material.

Los métodos basados en gradientes (como el descenso de gradiente) siguen la pendiente de la función de aptitud y pueden quedar atrapados en óptimos locales. Los algoritmos genéticos exploran el espacio de búsqueda con toda una población simultáneamente y son menos propensos a quedar atrapados, aunque generalmente son más lentos y computacionalmente más costosos. Los AG no requieren que la función de aptitud sea diferenciable o continua, lo que los hace aplicables a una gama más amplia de problemas.

No hay reglas universales, pero las pautas empíricas sugieren: tamaño de población 20–100, tasa de cruce 80–95%, tasa de mutación 0,5–1%. Los valores adecuados dependen de su problema específico y codificación. El capítulo de Parámetros cubre las opciones en detalle, y la demo interactiva le permite experimentar directamente.

No. Los algoritmos genéticos son heurísticas: buscan buenas soluciones pero no pueden garantizar encontrar el óptimo global. La calidad de los resultados depende en gran medida de la elección de la codificación, la función de aptitud y los parámetros. Para muchos problemas del mundo real, una solución casi óptima encontrada rápidamente es más práctica que una solución exacta que llevaría demasiado tiempo calcular.

El Problema del Viajante (TSP) busca la ruta más corta que visita un conjunto de ciudades exactamente una vez y regresa al punto de partida. Es un problema clásico de optimización combinatoria NP-difícil. El TSP se usa en este tutorial para demostrar la codificación por permutación y mostrar cómo los AG manejan problemas de búsqueda combinatoria donde los métodos basados en gradientes no se aplican. Consulte el capítulo de ejemplo TSP para más detalles.

El texto y las imágenes de este tutorial están publicados bajo la licencia Creative Commons Attribution–ShareAlike 4.0 (CC BY-SA 4.0). Puede compartirlos y adaptarlos libremente, siempre que dé crédito apropiado y distribuya las adaptaciones bajo la misma licencia.

Las demostraciones interactivas de JavaScript solo pueden usarse como parte de este sitio web; cualquier otro uso requiere permiso previo por escrito. Contacto: marek@obitko.com.