Dios San Feliciano, Antonio De2024-05-202024-05-202012-06-21https://hdl.handle.net/20.500.14468/14126El presente trabajo trata la optimizacion de funciones de variable real. Para llevar a cabo dicha tarea se emplean metodos evolutivos, que consituyen una opcion util cuando los metodos analticos no son aplicables a estos problemas de optimizacion. Los algoritmos geneticos son metodos evolutivos de busqueda estocastica, inspirados en la teora de la evolucion, que permiten optimizar funciones. Sin embargo, los algoritmos geneticos poseen el problema de la convergencia prematura, que consiste en que la poblacion tiende a concentrarse sobre ciertos optimos locales, produciendo que el proceso de busqueda arroje como solucion un resultado suboptimo. En la practica, este problema es difcil de detectar pues muchas veces no se conoce a priori el valor del optimo global. Una de las causas de la convergencia prematura es una elevada presion selectiva, que restringe la exploracion en favor de la explotacion. La fase o tecnica de Agrupamiento (crowding en ingles) se emplea en algoritmos geneticos para mantener la diversidad de la poblacion y as evitar la convergencia prematura. A grandes rasgos, esta tecnica consiste en emparejar cada descendiente con un individuo similar en la poblacion actual (fase de emparejamiento) y decidir cual de los dos individuos sobrevive (fase de reemplazo). El presente trabajo se centra en controlar la fase de agrupamiento en algoritmos geneticos, de manera que se aplique en cada generacion del algoritmo la presion selectiva adecuada para que el proceso de busqueda sea lo mas efectivo posible. Cuando hay demasiada presion selectiva el algoritmo puede acabar en optimos locales y cuando hay poca presion selectiva se desperdicia mucho tiempo de computacion explorando soluciones poco prometedoras. Por tanto, se trata de conseguir un equilibrio entre estos dos aspectos a lo largo de todo el proceso de busqueda.esinfo:eu-repo/semantics/openAccesstesis de maestría