Simulacin

Simulacin : es el proceso de disear y desarrollar un

modelo de un sistema o proceso para conducir
experimentos con el propsito de entender el
comportamiento del sistema o evaluar varias estrategias
con las cuales se puede operar el sistema.
Modelo de simulacin: conjunto de hiptesis acerca
del funcionamiento del sistema expresado como
relaciones matemticas y/o lgicas entre los elementos
del sistema.
Proceso de simulacin: ejecucin del modelo a travs
del tiempo en un computador para generar muestras
representativas del comportamiento.

Simulacin Montecarlo
Tcnica cuantitativa para analizar un sistema, a travs de un
modelo, en la que las variables inciertas en el modelo se
representan por distribuciones de probabilidad.
El modelo se recalcula varias veces con diferentes conjuntos
de datos de las distribuciones de probabilidad de los datos de
las variables inciertas para simular todos los posibles
resultados.
El resultado es una distribucin de los posibles resultados y de
su probabilidad de ocurrencia.

La idea
Cul es la probabilidad de un dardo lanzado aleatoriamente
de en el rea roja?
(1,1)

(0,0)

1/2

P(rea) = 1/2

La idea
Cul es la probabilidad de un dardo lanzado uniformemente
al azar de en el rea roja?

(1,1)

(0,0)

1/2

P(rea) = r2 /4r2= /4

Haga un modelo en
Excel para estimar
con esta idea.

Estimacin de
Ensayo
1
2
3
4
5
994
995
996
997
998
999
1000

Circulo
1
1
1
1
1
1
1
0
1
1
1
0
784

Estimado de
3.136

Ecuacin de un crculo en (h,k):

2

r >= (x-h) + (y-k)

'=SI(0.25>=(ALEATORIO()-0.5)^2+(ALEATORIO()-0.5)^2,1,0)

La idea
Cul es la probabilidad de un dardo lanzado uniformemente
al azar de en el rea roja?

(1,1)

(0,0)

1/2

Con la misma idea bsica se

resolvieron integrales
complejas en el Proyecto
Manhattan en Los lamos,
en 1945/6.

P(rea) = # de dardos en rea roja / # de dardos en el cuadrado

Esquema Simulacin Montecarlo

Distribuciones de probabilidad
f(x)

0.7
0.6

0.5
0.4

Sistema real o Imaginario

0.3

0.2
0.1
0

Variables relevantes

Muestreo Aleatorio

Entradas aleatorias

Entradas
controlables

Modelo

Resultados
Estadsticas
Anlisis

Pasos simulacin Monte Carlo

Disear el modelo que representa el sistema en estudio.

Especificar distribuciones de probabilidad para las variables
aleatorias relevantes e incluir posibles dependencias entre las
variables.
Muestrear valores de las variables aleatorias (Mtodo de la
transformacin inversa).
Calcular el resultado del modelo segn los valores del muestreo
(iteracin) y registrar el resultado
Repetir el proceso hasta tener una muestra estadsticamente
representativa
Obtener la distribucin de frecuencias del resultado de las
iteraciones
Calcular estadsticas relevantes (media, desviacin estndar,
intervalo de confianza, etc).
Analizar los resultados

Simulacin vs Optimizacin

Modelo Optimizacin:Variable de decisin =

resultados

A partir de la construccin de un modelo de restricciones se llega

a obtener la optimizacin de la funcin objetivo (variables de
decisin)

Modelo de Simulacin: Variables de decisin =

entradas

A partir de la construccin de un modelo se evala la funcin

objetivo para un conjunto particular de valores de entrada.

Generadores de nmeros
aleatorios

Algoritmos para generar series de nmeros aleatorios

entre 0 y 1, con igual probabilidad.
Los algoritmos se inician con una semilla entre 0 y 1 y
los subsecuentes nmeros generados dependern de
este valor.
Calidad del generador: Periodo, tiempo de clculo.
Actualmente el generador comercial de mayor xito es el
Mersenne Twister, con un periodo de 219937 1.
Tiempo de CPU (segundos)
Area de trabajo (palabras)

KISS
9.24
5
127
2

Generador
Aleatorio()
9.64
1
31
2

Periodo
7
Tiempo de CPU para generar 10 nmeros
Fuente: Matsumoto & Nishimura, Keio University, 1998

MT19937
10.18
624
19937
2
-1

Cmo trabaja Montecarlo?

Generacin de muestras aleatorias por el Mtodo de la Transformada inversa
x Variable de entrada incierta.
F(x) Funcin de distribucin
acumulada. F(x) [0, 1].
F(x) = P(X x)
G(F(x)) = x

Para generar una muestra aleatoria

de una distribucin de probabilidad
se genera un aleatorio r U[0, 1].
Luego se calcula G(r) = x

Generacin de Variables Aleatorias

Continuas (Transformada inversa)
Distribucin Uniforme
fx

F(x)

xo

F(x)
1

r
F(x)
a

xo

Generacin de Variables Aleatorias

Discretas (Transformada inversa)
Prob

F (x)

1.0

Demanda

Probabilidad

8
9
10
11
12
13

0.1
0.2
0.3
0.2
0.1
0.1
1.0

Numero Aleatorio
Asignado
0.00000 - 0.09999
0.10000 - 0.29999
0.30000 - 0.59999
0.60000 - 0.79999
0.80000 - 0.89999
0.90000 - 0.99999

0.9
0.8
0.7

Aleatorio u
0.6
0.5
0.4
0.3
0.2

En general:

0.1

Entero ( xo + [ (yo xo + 1) . Aleatorio() ])

entero [8 + (13 8 + 1) . Aleatorio() ]

entero [8

+ 6 . Aleatorio() ]

10

11

12

13

14

demanda generada

Muestreo Montecarlo
Muestreo puro aleatorio.

Usa el mtodo de la transformada

inversa tal como fue descrito.
Usado por Von Neumann & Ulam.
til en la simulacin de un muestreo
aleatorio de una poblacin o
experimentos estadsticos.
No muestrear necesariamente toda
la distribucin, por lo puede requerir
un nmero grande de observaciones.

Muestreo Hipercubo Latino (HLS)

Muestreo estratificado sin reemplazamiento
La distribucin de probabilidad es dividida
en n intervalos de igual probabilidad.
En la primera iteracin se selecciona un
intervalo usando un nmero aleatorio.
Se genera un segundo nmero aleatorio
para determinar dnde cae F(x) dentro del
intervalo seleccionado.
Se calcula x = G(F(x)) para el valor de F(x).
El proceso se repite en las siguientes
iteraciones, sin volver a seleccionar los
intervalos muestreados.
El muestreo resulta uniformemente
distribuido sobre el rango de F(x).

Comparacin de muestreos
Muestreo de 300 ensayos de triangular(0,10,20)

triangular
3.08
0.10

5.0%

16.77
90.0%

5.0%

0.09
0.08
0.07
triangular

0.06

Minimum
0.6230
Maximum 19.8089
Mean
10.0007
Std Dev
4.0910
Values
300

0.05
0.04
0.03
0.02

Montecarlo

20

18

16

14

12

10

0.01
0.00

Hipercubo Latino

Convergencia a la media

Uso de simulacin MC en @Risk

@Risk es un add-in de excel para simulacin MC.
Pasos:
Escribir el modelo en Excel.
Designar las celdas que representan las variables inciertas.
Designar las variables cuyo comportamiento se desea
estudiar variables de salida Correr o simular el modelo cierto nmero de veces,
Revisar los resultados en los reportes y ventanas @Risk.

Ejemplo
Freddy es un vendedor de peridicos.
Freddy paga S/. 1.50 por ejemplar recibido.
Freddy cobra S/. 2.50 por ejemplar vendido.
El reembolso de Freddy es de S/. 0.50 por ejemplar no vendido.

Freddy no est seguro de la cantidad de peridicos que le

convendra pedir.
Por eso ha estado llevando un registro de sus ventas diarias
y esto es lo que ha encontrado:
Cualquier da vende entre 40 y 70 ejemplares,
La frecuencia de los nmeros entre 40 y 70 es
aproximadamente la misma.

Freddy necesita saber cul debe ser el nmero de

ejemplares que debera pedir diariamente para maximizar
su beneficio promedio por da.

Simulacin Vendedor de peridicos

Distribucin Uniforme
f(x)

Problema de reposicin
de stock con demanda
incierta

x
Muestreo Aleatorio

Variables relevantes

Demanda de Peridicos

Cantidad a ordenar
(variable controlable)

Modelo de
Beneficio

Beneficio

Estadsticas
(Riesgo del Proyecto)

Evaluacin con @Risk

Ejemplo - Lanzamiento de Producto

Una empresa esta analizando la introduccin de un nuevo producto, los
costos estimados de la puesta en marcha del proyecto son US$ 150,000
(incluye equipos nuevos, entrenamiento, y otros varios). Cada uno de los
productos ser vendido en US$ 35,000.
Los costos fijos estn estimados en US$15,000 por ao, los costos
variables estn estimados en el 75% de los ingresos anuales. La
depreciacin del equipo es de US$ 10,000 por ao para los 4 aos de
evaluacin del proyecto.
El costo de capital de la empresa es 10% y su tasa de impuesto a la
renta es 34%.
El aspecto ms incierto es la demanda del producto, la misma que segn
las estimaciones de Marketing pueden ser de 8, 9, 10, 11 o 12 unidades
por ao con la misma probabilidad de ocurrencia.
Evaluar el riesgo del proyecto en un horizonte de cuatro aos usando
como indicador el valor actual neto.

Simulacin Lanzamiento Producto

Distribucin Uniforme
f(x)

Introduccin de Nuevo
Producto

Variables relevantes

Muestreo Aleatorio

Demanda del Producto

Precio de Venta

Flujo de Caja

VAN

(variable controlable)

Estimacin de
Probabilidad (VAN<0)
(Riesgo del Proyecto)

Ejemplo - Lanzamiento de Producto

Simulacin en Excel
Nota. La demanda sigue una distribucin uniforme, con media 10,
y puede tomar los valores 8, 9, 10, 11 y 12.
Demanda
Ingresos
Costo Fijo
Costo variable
Depreciacin
Utilidad antes de Impuestos
Impuestos
Utilidad despus de Impuestos
Flujo Neto de efectivo

8
280000
15,000
210000
10,000
45,000
15,300
29,700
39,700
Modelo

9
315000
15,000
236250
10,000
53,750
18275
35,475
45,475

10
350000
15,000
262500
10,000
62,500
21250
41,250
51,250

11
385000
15,000
288750
10,000
71,250
24225
47,025
57,025

12
420000
15,000
315000
10,000
80,000
27200
52,800
62,800

Ejemplo - Lanzamiento de Producto

Simulacin en Excel

Prueba
1
2
3
4
5
6
7
8

Ao 1
8
10
11
8
11
11
12
9

Entrada Aleatoria
Ao 2
Ao 3
8
9
8
8
9
12
11
9
10
8
12
10
12
8
8
10

Ao 4
8
11
11
10
12
9
8
10

(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)
(150,000)

39700
51250
57025
39700
57025
57025
62800
45475

39700
39700
45475
57025
51250
62800
62800
39700

45475
39700
62800
45475
39700
51250
39700
51250

39700
57025
57025
51250
62800
45475
39700
51250

VNA
(18,016)
(1,657)
23,232
2,172
15,379
21,188
14,486
(2,127)

Ejemplo - Lanzamiento de Producto

Simulacin en Excel

No.Ensayos
10
100
500

Estimacin del VAN

Promedio Desv.Est.
Max
Min
8,275.7 13,998.1 25,924.7 (18,015.9)
12,034.3 11,868.5 37,076.6 (18,015.9)
11,608.5 11,189.7 41,021.0 (18,015.9)

Estadsticas para el caso de 500 ensayos

Alfa
0.05
Amplitud Int.Conf.
980.8
Int.de Conf.
10,627.7 12,589.3
No. Perdidas
77
Probb.perdida
15.4%

Ejemplo - Lanzamiento de Producto

Simulacin en @Risk
Uniform(8, 12)
X <= 8.000
0.0%

0.3

X <= 12.000
100.0%

0.25

0.2

0.15

0.1

0.05

0
7.5

8.5

9.5

10

10.5

11

11.5

12

12.5

@Risk genera automticamente las distribuciones de

probabilidad a partir de sus parmetros.

Ejemplo - Lanzamiento de Producto

Simulacin en @Risk
Modelo de Flujo de Caja en @Risk
Ao 0
Demanda
Ingresos
Costo Fijo
Costo variable
Depreciacin
Utilidad antes de Impuestos
Impuestos
Utilidad despus de Impuestos
Flujo Neto de efectivo
Valor Presente del Proyecto

(150,000)
11,323.28

Ao 1
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250

Ao 2
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250

Ao 3
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250

Ao 4
10
350000
15,000
262,500
10,000
62,500
21,250
41,250
51,250

Ejemplo - Lanzamiento de Producto

Simulacin en @Risk
Distribucin de probabilidad del VAN
Distribution for Valor Presente del Proyecto/G25
X <=0
13.4916%

4.5

X <=27338.2
95%

Con 1000
ensayos, se
estima una
probabilidad
de 13.5% de
obtener un
VAN
negativo.

M ean = 11323.09

Values in 10^ -5

3.5
3
2.5
2
1.5
1
0.5
0
-20

-10

10

20

Values in Thousands

30

40

50

Incorporacin de la
opinin de expertos
en el modelo de
riesgos
Taller de Anlisis de Riesgos
Por: H. Gutirrez V.

Introduccin

Dificultades para conseguir informacin de las

variables con incertidumbre.

No hay datos recolectados sistemticamente.

Los datos son muy caros de obtener.
Los datos del pasado ya no son relevantes (por
avances tecnolgicos, polticos o comerciales).
Los datos son dispersos, requirindose de expertos
para llenar vacos.
El rea que se est modelando es nueva.

Involucrar expertos.

Distribuciones usadas en la
modelacin de la opinin de expertos

Distribuciones paramtricas

Distribuciones no-paramtricas

Definidas por parmetros con poca relacin con la

forma de la distribucin.
Lognormal, Normal, Beta, Weibull, Pareto,
Loglogstica, hipergeomtrica, etc.
Tienen su forma y rango determinados por sus
parmetros en forma obvia e intuitiva.
Uniforme, Triangular, Acumulativa y Discreta.

Regla: D. no-paramtricas ms flexibles y

confiables.

Distribuciones notables

Distribucin triangular

La ms comn para la
modelacin de la opinin
de expertos.
Definida a partir de sus
valores mnimo (a), ms
probable(b) y mximo (c)
Puede
ser
simtrica,
sesgada a la derecha o a
la izquierda.
Atractiva por la facilidad de
pensar en base a tres
valores.

Media

( a b c)
3

(a 2 b 2 c 2 ab ac bc )
DesvEst
18

Distribucin triangular

Cundo usarla:

Cuando se conoce muy poco de la variable, pero se

tiene estimados de los tres parmetros (a, b, c).

Cuando no usarla:

En situaciones donde es difcil determinar el valor

mximo (c), no es conveniente usarla.
Si se asume un mximo muy grande, se puede
distorsionar el anlisis por que la media sera muy
grande y sus desviacin estndar tambin.

Distribucin TriGen

Es una variacin de la
triangular, con cinco
parmetros.
TriGen(a, b, c, p, q)

a: mnimo prctico
b: valor ms probable
c: mximo prctico.
p: probabilidad que el
parmetro sea menor que
a
q: probabilidad que el
parmetro sea menor que
c

TriGen(40, 50, 80, 5%, 95%)

Distribucin TriGen

Es una forma til de evitar preguntar a los expertos

por los estimados mnimo y mximo absolutos de un
parmetro.
Preguntar por el mximo o el mnimo puede ser
difcil, especialmente si no hay referencias tericas.
Esta distribucin permite discutir que valores de p y q
usarn los expertos para definir mnimos y mximos
prcticos.

Distribucin Uniforme

Generalmente es un
modelador muy pobre de
la opinin de un experto.
Todos los valores entre
el mximo y el mnimo
tienen
la
misma
probabilidad.
Es raro que un experto
que puede opinar sobre
el mnimo y mximo no
pueda opinar sobre un
valor ms probable.

Es til para resaltar el hecho de

que se conoce muy poco de un
parmetro.
Usado ampliamente como base
para la generacin de nmeros
aleatorios para otras distribuciones.

Distribucin Pert

Derivada de la distribucin
Beta y requiere los mismos
tres parmetros que la
distribucin Triangular: un
valor mnimo (a), ms
probable (b) y mximo (c).
Su media es ms sensible
al valor ms probable que
en el caso de la Triangular.
Su desviacin estndar es
menos sensible a los
extremos que la Triangular.

Comparacin de Triangular y Pert

Comparacin de Triangular y Pert
0.0519

12

5.0%
10.8%

0.1743
90.0%
84.8%

5.0%
4.4%

10

Pert(0,0.1247,0.2)

Minimum
Maximum
Mean
Std Dev

0.0000
0.2000
0.1165
0.0373

6
Triang(0,0.1247,0.2)

Minimum
Maximum
Mean
Std Dev

0.0000
0.2000
0.1082
0.0412

Distribucin Pert modificada

La distribucin Pert
puede ser modificada
para producir otros
perfiles de la
distribucin, con los
mismos parmetros a,
b y c, modificando la
definicin de la media:

a *b c
2

El experto debe decidir la

mejor forma de la
distribucin.

Distribucin Relativa o General

Es la ms flexible de las
distribuciones continuas.
Permite al analista y al
experto modelar la
distribucin que mejor
refleja la opinin del
experto.
La sintaxis es:
General(min, max, {xi},
{pi})
Los pi no
necesariamente suman
1, se normalizan.

Ej. de Distribucin General

6.7
0.07

15

54

12

57

17

25

23

14
19.5868056

0.04

Minimum
Maximum
Mean
Std Dev

0.03
0.02
0.01
0.00
70

10

General(2,60,
{4;7;9;12;17;23},
{10;15;54;57;25;14})

60

0.05

50

pi

40

Xi

5.0%

0.06

30

60

20

90.0%

10

Max

5.0%

Min

44.9

2.0000
60.0000
19.5868
11.9556

Distribucin Acumulativa

Usada algunas veces para

modelar la opinin del
experto cuando el rango de
una variable cubre varios
rdenes de magnitud.
En otros casos puede ser
difcil de manipular, por su
sensibilidad a los cambios
en las probabilidades
acumuladas.
La sintaxis es: Cumul(min,
max, {xi}, {pi})
Los pi son probabilidades
acumuladas.

Problema con la Acumulativa

Pequeos
cambios en la
distribucin
acumulada de
probabilidad
pueden causar
grandes
modificaciones
en la forma de la
distribucin.

30

25

20

pi
0.1
0.4
0.65
0.87
0.93
0.99

15

Xi
4
7
9
12
17
23

10

Max
60

Min
2

Ej. de Distribucin Acumulativa

Distribucin Discreta
Especial

para modelar una

variable que puede tomar,
uno, dos o varios valores.
Tambin es usada para
combinar opiniones
divergentes de varios
expertos.
La sintaxis es:
Discrete({xi}, {pi})
Los pi son pesos o
probabilidades de cada xi

Ej. de Distribucin Discreta

Xi
4
7
9
12
17
23

pi
10
15
54
57
25
14
12

95

90

85

80

75

70

65

60

55

50

70

65

60

55

50

45

40

35

45

Combinando opiniones disimiles

de varios expertos

Experto C / Curva Pert

55.68
0.07

5.0%

74.32
90.0%

5.0%

0.06
0.05
Pert(50,65,80)

0.04
0.03

Minimum
Maximum
Mean
Std Dev

50.0000
80.0000
65.0000
5.6695

0.02
0.01

90

85

80

75

70

65

60

55

50

45

40

35

0.00

Modelacin de la opinin de una

variable que cubre varios rdenes de
magnitud
Un experto desea modelar el hecho de que 1 Kg de carne
tiene un nmero de bacterias entre 1 y 10,000,pero hay igual
probabilidad de que el nmero est entre 100 y 1,000.
N de un. de bact. 10Uniforme( 0,4)

12

10

La discrepancia
se debe a la
necesidad de
pensar en el
espacio
logartmico.
-2

Algoritmos Genticos

Conceptos bsicos: Cromosoma

Toda la informacin gentica se

almacena en los cromosomas.
Cada cromosoma est
constituido por genes.
Un gen es una secuencia lineal
organizada de molculas
orgnicas en la molcula de
ADN.
Los genes codifican las
propiedades de las especies, es
decir, la caractersticas de un
individuo.

Conceptos bsicos: Algoritmos

Genticos

Imitacin de la evolucin biolgica para

resolver problemas de bsqueda y
optimizacin.
Se basan en el proceso gentico de los
organismos vivos.
Los algoritmos genticos trabajan con
una poblacin de individuos, cada uno
de los cuales representa una solucin
factible a determinado problema.
A cada individuo se le asigna un valor o
puntuacin relacionado con la bondad
de dicha solucin (fitness).

Conceptos bsicos: Algoritmos

Genticos

Evolucin: seleccin natural, supervivencia del ms

apto.
La poblacin tiende a mejorar de manera lenta a
travs del tiempo por medio de este proceso.
Un segundo factor que contribuye a este proceso es
una tasa de mutacin aleatoria y de bajo nivel en el
ADN de los cromosomas.
Las soluciones factibles de un problema especfico
corresponden a los miembros de una especie
particular, donde la aptitud de cada miembro se mide
por el valor de la funcin objetivo.

Esquema Bsico de los AG

Crea aleatoriamente poblacin inicial de cromosomas
Evala la poblacin actual de cromosomas
(Fitness)
Selecciona y reproduce nuevos cromosomas
(cruzamiento, mutacin)
Sustituye los cromosomas padres por los hijos
Finaliza cuando hay convergencia
en la poblacin cuando se realizan
K iteraciones

Ejemplo de clculo con un

Algoritmo Gentico para una
funcin

Maximizacin de una funcin

Consideremos el problema de maximizacin de la

siguiente funcin sencilla:

f ( x) x 2

Para valores de x entre 0 y 31.

Paso 1

Codificar la variable x en una cadena binaria. En

este caso con 5 dgitos binarios (bits) se puede
representar los nmeros 0 (00000) al 31 (11111).
Seleccionar una poblacin (soluciones factibles) al
azar, en el rango de x, entre 0 y 31.
Elegiremos una poblacin inicial de tamao 4.
El tamao de la poblacin puede tomar cualquier
valor, pero depender de la complejidad de la
aplicacin.

Pasos 2 al 6

Paso 2: Obtener la decodificacin en binario de los

valores de x para la poblacin inicial generada. Por
ejemplo la cadena 10011 = 19.
Paso 1

Cadena No.
1
2
3
4
Suma
Promedio
Mximo

Poblacin Inicial
(seleccionada al azar)
01100
11001
00101
10011

Paso 2 Paso 3
Valor de x
12
25
5
19

Fitness
f(x) = x
144
625
25
361
1155
288.75
625

Soluciones generadas
aleatoriamente

Paso 4
Prob i

Probabilidad

0.1247
0.5411
0.0216
0.3126
1.0000
0.2500
0.5411

12.47%
54.11%
2.16%
31.26%
100%
25%
54.11%

Paso 5
Conteo
Esperado
0.4987
2.1645
0.0866
1.2502
4.0000
1.0000
2.1645

Paso 6
Conteo
Real
1
2
0
1
4
1
2

Pasos 2 al 6

Paso 3: Obtener el grado de aptitud o fitness de

cada individuo, esto es, el valor de la funcin objetivo.
Paso 4: Calcular la probabilidad de la seleccin de
cada individuo de la poblacin para su reproduccin,
de acuerdo a su aptitud.
Paso 5: Calcular el conteo esperado de cada
individuo. Este valor ayudar a decidir si pasar al
proceso de reproduccin.
Paso 6: Considerando las probabilidades de seleccin
se determinar el nmero real de individuos de cada
tipo que pasar al proceso de reproduccin.

Pasos 7 al 10

Paso 7: La aplicacin del conteo da como resultado

el lugar de apareamiento (mating pool) siguiente:
Paso 7

Cadena N
1
2
3
4
Suma
Promedio
Maximo

Paso 8

Camara de

Punto de

cruces
01100
11001
11001
10011

cruce
4
4
3
3

Hijos
01101
11000
11011
10001

Paso 9

Mutacin de Hijos despus

cromosomas de mutacin
10000
11101
00000
11000
00000
11011
00100
10100

Paso 10

Valor de x
29
24
27
20

Fitness
f(x) = x
841
576
729
400
2546
636.5
841

Pasos 8 y 9

Paso 8: la operacin de cruce se realiza para

producir nuevos descendientes (hijos).

El punto de cruce se calcula aleatoriamente y se usa como

referncia para producir los nuevos descendientes. Los
padres son:
Padre 1
Padre 2

01100
11001

La descendencia se producida ser:

Descendiente 1
Descendiente 2

01101
11000

Paso 9: despus de las operaciones de cruce, se

producen nuevos descendientes.

Paso 10 - Mutacin

La operacin de mutacin se realiza para modificar

aleatoriamente (con cierta probabilidad) los genes de los
hijos o descendientes, despus de la operacin de
cruce.
Una vez que se realiza la seleccin, el cruce y la
mutacin las nuevas cadenas creadas por el algoritmo
gentico son la nueva poblacin que ahora est lista
para ser evaluada de acuerdo a la funcin objetivo.
De la tabla, se puede observar como los individuos se
combinan para lograr un mejor rendimiento. El
rendimiento mximo y el promedio ha mejorado en la
nueva poblacin, una generacin despus.

Continuacin
Cadena N
1
2
3
4
Suma
Promedio
Maximo

Cadena N
1
2
3
4
Suma
Promedio
Maximo

Hijos (nueva
generacin)
11101
11000
11011
10100

Valor de x
29
24
27
20

Camara de

Punto de

cruces
11101
11101
11000
11011

cruce
4
4
0
0

Fitness

f(x) = x
841
576
729
400
2546
636.5
841

Hijos
11101
11101
11000
11011

Probabilidad

Conteo

Conteo

%
33.0%
22.6%
28.6%
15.7%
100.0%

esperado
1.32
0.90
1.15
0.63
4.00

real
2
1
1
0
4

Mutacin de Hijos despus

cromosomas
00000
00000
00100
00100

de mutacin
11101
11101
11100
11111

Valor de x
29
29
28
31

El mximo
valor de f(x)
es 961,
cuando x=31.
Fitness
f(x) = x
841
841
784
961
3427
856.8
961

El algoritmo no se detendr automticamente.

Se requiere un criterio de parada. Por ejemplo detenerse despus de cierto nmero de
iteraciones sin mejora de la funcin objetivo o transcurrido cierto tiempo.

Operadores Genticos

Direccionan la accin del Algoritmo Gentico.

Sus valores son producto de investigacin emprica.
Parmetros:
Tamao de la poblacin
Nmero de generaciones
Probabilidad de cruce
Probabilidad de mutacin
Ejemplo: valores aceptados para funciones de
optimizacin
Tamao de la poblacin: 50-100
Probabilidad de cruce: 0.60
Probabilidad de mutacin: 0.001

Mtodos especializados

para solucionar
problemas con
Algoritmos Genticos
Referencia: Programa Evolver de
Palisade Decision Tools

Mtodo: Receta (recipe)

Es el mtodo de solucin ms simple.

Se usa siempre que las variables que se desean
ajustar pueden variar independientemente una de las
otras.
Cada variable se puede tomar como la cantidad de
un ingrediente que se utilizar en una receta.
Se requiere especificar el tipo (entero, real) y rango
de valores (mximo y mnimo) en el que caern las
variables.

Mtodo: Orden (order)

El ms popular despus de receta.

Un orden es una permutacin de una lista de
elementos, en la que se est tratando de encontrar la
mejor manera de organizar un conjunto de valores.
A diferencia de otros mtodos, Evolver utilizar los
valores existentes en el modelo.
Un orden podra representar el orden en que se
deben llevar a cabo una serie de tareas.
No requiere mnimo o mximo para las variables.

Mtodo:
Agrupamiento(grouping)

Utilizado cuando el problema involucra mltiples

variables a ser agrupadas en conjuntos.
El nmero de grupos diferentes que el Evolver crea
ser igual al nmero de valores nicos presentes en
las celdas ajustables al inicio de la optimizacin.
Por lo tanto hay que asegurarse que cada grupo est
representado al menos una vez.
No requiere mnimo o mximo para las variables.

Mtodo: Presupuesto(budget)

Un presupuesto es similar a una receta (recipe)

excepto de que todos los valores de las variables
debern totalizar un nmero determinado.
Ese nmero es el total de los valores de las variables
en el momento en que se inicia la optimizacin.
Por ejemplo, con este mtodo de solucin se puede
encontrar la mejor manera de distribuir un
presupuesto
anual
entre
un
nmero
de
departamentos, y utilizar la suma como el
presupuesto total a ser ptimamente distribuido.

Mtodo: Proyecto(project)

El mtodo de solucin por proyecto es similar al

mtodo de solucin de orden (order) excepto que
ciertas tareas deben preceder a otras.
El mtodo de solucin por proyecto puede ser
utilizado en administracin de proyectos para
reasignar el orden en que las tareas son llevadas a
cabo, pero el orden siempre cumplir con las
restricciones de precedencia.

Mtodo: Programacin
(Sceduling)

Similar a un agrupamiento
(grouping), es la
asignacin de tareas a tiempos.
Se asume que cada tarea dura la misma cantidad de
tiempo, como las clases en una universidad.
Sin embargo, a diferencia del agrupamiento, la caja de
dilogo de Celdas Ajustables para el mtodo de
solucin por calendarizacin le permite a usted
especificar directamente el nmero de bloques de
tiempo (o grupos) a ser utilizados.