Algoritmos Genéticos como apoyo a la Selección de Usuarios en Sistemas Inalámbricos

1. Algoritmos Genéticos como apoyo a la Selección de Usuarios en Sistemas Inalámbricos Asesores: Dr. Victor Hugo Castillo Topete Dr. Leonel Soriano Equigua Presenta: Luis Roberto Meneses Mora

2. Índice. • Introducción. • Multiple Input Multiple Output. • ¿Qué es un Algoritmo Genético? • Implementación de un Algoritmo Genético. • Parámetros de los Algoritmos Genéticos. • Operaciones de los Algoritmos Genéticos. • Algoritmos Genéticos Simples. • Función Objetivo.

3. Introducción • Los algoritmos genéticos son un gran logro en la Inteligencia Artificial por su novedoso intento de copiar como se comporta y selecciona la naturaleza para la evolución de si misma, claro está, con un enfoque hacia la computación e informática. • De igual manera las redes inalámbricas han mejorado mucho con el paso del tiempo dando tantos éxitos como necesidades, creando nuevos algoritmos muy buenos pero que se deben optimizar.

4. Multiple Input Multiple Output • Los sistemas Multiple Input Multiple Output (MIMO) son una tecnología que hace uso de múltiples señales que viajan simultáneamente y con la misma frecuencia por un mismo canal, aprovechando de esta manera la propagación multicamino, para incrementar la eficiencia del espectro del sistema de comunicaciones inalámbrico que estemos usando. • Lo anterior se consigue a través del uso conjunto de varias antenas, diferentes técnicas y múltiples algoritmos para el tratamiento de señales digitales de ambos lados: • El receptor (Con antenas de entrada). • El transmisor (Con antenas de salida).

5. Multiple Input Multiple Output • Diagrama que ejemplifica el uso de los sistemas MIMO de como el transmisor le envía datos al receptor.

6. ¿Qué es un Algoritmo Genético? • Estos algoritmos se basan en la Teoría Evolutiva de Darwin, corresponden a métodos de búsqueda, de cuales forma son adaptativos y su principal uso es para la optimización de otros algoritmos.

7. Implementación del Algoritmo Genético. • John Henry Holland propuso en su libro una serie de pasos para la implementación y desarrollo de un Algoritmo Genético, los pasos son los siguientes: • Comenzar con una población inicial, la cual puede ser generada de manera aleatoria. • Calcular la aptitud (Fitness) de cada individuo. • Aplicar el operador de selección con base al Fitness de la población • Emplear los operadores genéticos de reproducción, cruce y mutación a la generación actual para generar la siguiente. • Regresar al paso número 2 hasta que la condición dada se satisfaga.

8. Parámetros de los Algoritmos Genéticos. • Tamaño de la Población. • Es el tamaño ideal de la población para la solución del algoritmo a optimizar. Dada la situación de cada problema, una pequeña porción puede que no satisfaga las necesidades de la búsqueda de soluciones posibles, mientras que por otro lado una porción muy grande puede no ser muy óptima. • Probabilidad de Cruce. • Es la frecuencia en la que puede haber cruces de información entre las ramas padres, explicándolo de otra manera es la posibilidad de reproducción entre dos puntos. • Probabilidad de Mutación. • La mutación es la solución alternativa que puede existir o aparecer para darle variedad y aleatoriedad al seguimiento evolutivo que se obtuvo.

9. Operaciones de los Algoritmos Genéticos. • Codificación de las Variables: • Binaria. • Numérica. • Valor Directo. • Árbol • Selección: • Rueda de Ruleta. • Rango. • Elitista. • Estado Estacionario. • Torneo. • Escalada. • Reproducción (Crossover): • Un punto. • Dos puntos • Uniforme. • Aritmético. • Mutación.

10. Algoritmos Genéticos Simples • El Algoritmo Genético Simple, también llamado Canónico, sirve básicamente para maximizar o minimizar la funcionalidad de una sola función objetivo, aunque también existen métodos dentro del Canónico que se usan para varias funciones a la vez. Esto último se utiliza cuándo hay varios algoritmos de por medio o uno solo muy grande que se puede dividir en varios.

11. Algoritmo Genético Simple (Pseudocódigo). • Begin Generar población inicial Computar la función de evaluación de cada individuoWhileNot Terminado Do Begin /* Producir nueva generación */For Tamaño de la población / 2 Do Begin /* Ciclo Reproductivo */ Seleccionar dos individuos de la anterior generación Cruzar con cierta probabilidad de los dos individuos obteniendo dos descendientes Mutar los dos descendientes con cierta probabilidad Computar la función de evaluación de los dos descendientes Insertar los dos descendientes en la nueva generaciónEndIf la población ha convergido Then Terminado := TrueEndEnd

12. Función Objetivo • También conocida como Función de Adaptación, es la función que permite acceder a los individuos que actuarán de padres durante esta generación siguiendo un espacio de búsqueda determinado por aquellos que tengan las mejores aptitudes entre los sujetos, la mejor manera de construir una de estas funciones es reflejando el valor real de cada uno de los objetivos de la manera más real posible, sin embargo, hay situaciones (restricciones) que pueden impedir que se logre con eficacia, dando como resultado espacios de búsqueda no válidos.

13. Función Objetivo. • Hay varias soluciones para cuándo el individuo tiene algún tipo de restricción, y son las siguientes: • Absolutista. • Reparador. • Penalización de la Función Objetivo. • Evaluación aproximada de la Función Objetivo.