REPBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACIN UNIVERSITARIA. UNIVERSIDAD FERMN TORO.

COMPUTACIN EVOLUTIVA.

Alumnos:

Boscn Jorge, C.I.: 17.034.798. Carrasco Gregory, C.I.: 19.104.283. Pez Maringel C.I.: 19.615.030.
Asignatura: Inteligencia Artificial . Seccin: N -318. Profesor: Ing. Jess Contreras.

Cabudare, 06 de Julio de 2011.

INTRODUCCIN.

La computacin evolutiva, es un rea Interdisciplinaria relacionada con la Biologa, Inteligencia Artificial, Optimizacin. Estudia mtodos de bsqueda y resolucin de problemas inspirados en los mecanismos de la Evolucin Natural. El trmino computacin evolutiva o algoritmos evolutivos , engloba una serie de tcnicas inspiradas en los principios de la teora Neo-Darwiniana de la evolucin natural. Por razones sobre todo histricas, suele hablarse de tres

paradigmas principales: Programacin Evolutiva, Estrategias Evolutivas y Algoritmos Genticos; dichos paradigmas sern explicados en el desarrollo del trabajo. La computacin evolutiva, es el resultado de la suma de estos tres paradigmas. Bsicamente, la computacin evolutiva se origina a partir de los algoritmos genticos. Los autmatas celulares son herramientas utilizadas en Inteligencia Artificial para la representacin de comportamientos complejos de algunos sistemas fsicos, mecnicos, biolgicos o qumicos. Entre los ejemplos de los autmatas celulares tenemos el juego de la vida o Life, el cual, no es un juego que alguien pueda jugar, sino que es un autmata celular que evoluciona en el tiempo y el espectador observa como ocurre esta evolucin, recibe su nombre debido a que cada clula tiene dos estados posibles, vivo o muerto El modelo de Nagel y Schreckenberg (Na-Sch) es un modelo de flujo de trnsito vehicular con un autmata celular (AC) probabilstico.

COMPUTACION EVOLUTIVA.

 rea Interdisciplinaria: relacionada con Biologa, Inteligencia Artificial, Optimizacin. Estudia mtodos de bsqueda y resolucin de problemas inspirados en los mecanismos de la Evolucin Natural .  Con el trmino de Computacin Evolutiva se engloba al conjunto de tcnicas que basndose en la simulacin de los procesos naturales y la gentica se utilizan para resolver problemas complejos de bsqueda y aprendizaje.  La computacin evolutiva es una rama de la inteligencia artificial que involucra problemas de optimizacin combinatoria. Se inspira en los mecanismos de la Evolucin biolgica.  El trmino computacin evolutiva o algoritmos evolutivos engloba una serie de tcnicas inspiradas en los principios de la teora Neo-Darwiniana de la evolucin natural. En trminos generales, para simular el proceso evolutivo en una computadora se requ iere:
y Codificar las estructuras que se replicarn (o sea, una estructura de

datos que se utilice para almacenar a un individuo).

y Operaciones que afecten a los individuos (tpicamente, se usa cruce y

mutacin).
y Una funcin de aptitud que nos indique qu tan buena es una solucin

con respecto a las dems.

y Un

mecanismo de seleccin que implemente el principio de

supervivencia del ms apto de la teora de Darwin.

Por razones sobre todo histricas, suele hablarse de tres paradigmas principales: Programacin Evolutiva. Estrategias Evolutivas. Algoritmos Genticos.
Programacin Evolutiva.

Lawrence J. Fogel propuso en los 1960s una tcnica denominada Programacin Evolutiva, en la cual la inteligencia se ve como u n comportamiento adaptativo. La Programacin Evolutiva enfatiza los nexos de comportamiento entre padres e hijos, en vez de buscar emular operadores genticos especficos (como en el caso de los Algoritmos Genticos). El algoritmo bsico de la Programacin Evolutiva es el siguiente: Generar aleatoriamente una poblacin inicial. Se aplica mutacin. Se calcula la aptitud de cada hijo y se usa un proceso de seleccin mediante torneo (normalmente estocstico), para determinar cules sern las soluciones que se retendrn. La Programacin Evolutiva es una abstraccin de la evolucin al nivel de las especies, por lo que no se requiere el uso de un operador de recombinacin (diferentes especies no se pueden cruzar entre s). Asimismo, se usa una seleccin probabilstica.

Algunas aplicaciones de la Programacin Evolutiva son:

y Prediccin. y Generalizacin. y Juegos. y Control automtico. y Problema del viajero. y Planeacin de rutas. y Diseo y entrenamiento de redes neuronales .

Reconocimiento de patrones.
Estrategias Evolutivas.

Las Estrategias Evolutivas fueron desarrolladas en 1964 en Alemania para resolver problemas hidrodinmicos de alto grado de complejidad por un grupo de estudiantes de ingeniera encabezado por Ingo Rechenberg. La versin original (1+1)-EE usaba un solo padre y con l se generaba un solo hijo. Este hijo se mantena si era mejor que el padre, o de lo contrario se eliminaba (a este tipo de seleccin se le llama extintiva, porque los peores individuos tienen una probabilidad cero de ser seleccionados). En la (1+1)-EE, un individuo nuevo es generado usando:

 x t+1 = x t + N(0, ) donde t se refiere a la generacin (o iteracin) en la que nos encontramos, y N(0, ) es un vector de nmeros Gaussianos independientes con una media cero y desviacin estndar .  Rechenberg, introdujo el concepto de poblacin, al proponer una estrategia evolutiva llamada ( +1)-EE, en la cual hay poblacin (seleccin extintiva).  Schwefel, introdujo el uso de mltiples hijos en las denominadas ( + ) EEs y ( , )-EEs. La notacin de Schwefel, se refiere al mecanismo de seleccin utilizado: En el primer caso, los padres e hijos sobreviven. En el segundo caso, slo los sobreviven. Rechenberg formul una regla para ajustar la desviacin estndar de forma determinista durante el proceso evolutivo de tal manera que el procedimiento convergiera hacia el ptimo. Esta se conoce como la regla del xito 1/5, que indica que: mejores hijos de la siguiente generacin mejores individuos obtenidos de la unin de padres y se genera un solo hijo, el cual puede reemplazar al peor padre de la

La razn entre mutaciones exitosas y el total de mutaciones debe ser 1/5. Si es mayor, entonces debe incrementarse la desviacin estndar. Si es menor, entonces debe decrementarse.

Formalmente:

Donde:
n: es el nmero de dimensiones. t: es la generacin. Ps: es la frecuencia relativa de mutaciones exitosas, medida sobre

intervalos de por ejemplo 10n indivi duos.

c: cuyo valor equivale a 0.817 (este valor fue derivado tericamente por

Schwefel).
(t): se ajusta cada n mutaciones.

Los operadores de recombinacin de las Estrategias Evolutivas pueden ser: Sexuales: el operador acta sobre 2 individuos elegidos aleatoriamente de la poblacin de padres. Panmticos: se elige un solo padre al azar, y se mantiene fijo mientras se elige al azar un segundo padre (de entre toda la poblacin) para cada componente de sus vectores.

Algunas aplicaciones de las Estrategias Evolutivas son: Problemas de rutas y redes. Bioqumica. ptica. Diseo en ingeniera . Magnetismo
Algoritmos Genticos

Los Algoritmos Genticos (denominados originalmente planes reproductivos genticos) fueron desarrollados por John H. Holland a principios de los 1960s, motivado por su inters en resolver problemas de aprendizaje de mquina. El algoritmo gentico enfatiza la importancia de la cruza sexual (operador principal) sobre el de la mutacin (operador secundario) y usa seleccin probabilstica. El algoritmo bsico es el siguiente: Generar (aleatoriamente) una poblacin inicial. Calcular la aptitud de cada individuo. Seleccionar (probabilsticamente) con base a la aptitud. Aplicar operadores genticos (cruza y mutacin) para generar la siguiente poblacin.

 Ciclar hasta que cierta condicin se satisfaga.  Para poder aplicar el algoritmo gentico se requiere de los 5 componentes bsicos siguientes: Una representacin de las soluciones potenciales del problema. Una forma de crear una poblacin inicial de posibles soluciones (normalmente un proceso aleatorio). Una funcin de evaluacin que clasifique las soluciones en trminos de su aptitud. Operadores genticos que alteren la composicin de los hijos que se producirn para las siguientes generaciones (normalmente cruce sexual y mutacin). Valores para los diferentes parmetros que utiliza el algoritmo gentico (tamao de la poblacin, probabilidad de cruza, probabilidad de mutacin, nmero mximo de generaciones, etc.).  Algunas aplicaciones de los Algoritmos Genticos son las siguientes: Optimizacin (estructural, de topologas, numrica, combinatoria, etc.) . Aprendizaje de mquina (sistemas clasificadores) . Bases de datos (optimizacin de consultas). Reconocimiento de patrones (por ejemplo, imgenes o letras) . Generacin de gramticas (regulares, libres de contexto, etc.) .

 Planeacin de movimientos de robots. Prediccin  Terminologa: Generalmente cada individuo de la poblacin se representa por medio de una cadena binaria de longitud fija, que suele denominarse ejemplar, muestra, punto o cromosoma, la cual codifica los valores de las variables que intervienen en el problema. Representaremos un individuo por medio de x. El tamao de la poblacin permanece fijo entre generacin y generacin, siendo la poblacin inicial totalmente aleatoria. Durante la iteracin t, representamos por Poblacin(t), al conjunto de posibles soluciones que mantiene el sistema. Cada solucin ser de la siguiente forma, xti. As: Poblacin (t) = {xt1,, xtn}, siendo n el tamao de la poblacin. En el proceso de evaluacin, lo que se hace es evaluar cada solucin mediante una funcin f que nos da una medida de la adecuacin o fitness de la misma. As f(xti), es una medida de la bondad de la solucin xi en la iteracin t. Cada individuo contribuye al proceso de reproduccin en proporcin a su correspondiente fitness. De esta forma, individuos bien adaptad os, contribuyen con mltiples copias e individuos mal adaptados contribuyen con pocas o incluso ninguna copia. Definimos como genotipo, a las estructuras que representan los individuos. Los caracteres o rasgos por los que estn formados los individuos, se les denominan genes. Cada una de las posiciones de la cadena, es lo que se llama loci. Cada carcter o gen puede manifestarse

de forma diferente, es decir, puede tomar distintos valores que son denominados alelos. Una estructura decodificada es un fenotip o.  Mtodos de cambio: Una 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 individuo. 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 indi viduos 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 cor responde 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.

Figura 1

Figura 1: 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. En la Figura 2 se observa la cruza uniforma con una probabilidad de 50%. Ntese que la mitad de los bits del Hijo 1 se tomaron del Padre 1 y la otra mitad, del Padre 2. El Hijo 2 obtiene sus bits de manera opuesta a como las obtiene el Hijo 1 .

Figura 2

 Estructura y componentes bsicos: El siguiente grfico muestra la estructura genrica de del bucle bsico de un algoritmo gentico:

El proceso se describe como sigue: una poblacin Pop, que consta de n miembros se somete a un proceso de seleccin para constituir una poblacin intermedia AuxPop de n criadores. De dicha poblacin intermedia se extrae un grupo reducido de individuos llamados progenitores que son los que efectivamente se van a reproducir. Sirvindose de los operadores genticos, los progenitores son sometidos a ciertas transformaciones de alteracin y recombinacin en la fase de reproduccin, en virtud de las cuales se generan s nuevos individuos que constituyen la Descendencia. Para formar la nueva Pop[t+1], se deben seleccionar n supervivientes de entre los n+s de la poblacin auxiliar y la descendencia, lo que ocurre en la fase de reemplazo. El cuadrado rayado hace referencia a la seleccin, la cual se realiza en dos etapas con la idea de emular las dos vertientes del Principio de Seleccin Natural: seleccin de cr iadores o seleccin a secas, y seleccin de supervivientes para la prxima generacin o reemplazo. El proceso descrito, puede ser expresado de forma algortmica del siguiente modo: t=0 Inicializar Poblacin(t) Evaluar Poblacin(t) Mientras (nos se verifique la condicin de parada) hacer t = t +1 Seleccionar Poblacin(t) a partir de Poblacin(t -1) Recombinar Poblacin(t) Evaluar Poblacin(t) FinMientras

POR QU PARTE DE LOS ALGORITMOS GENTICOS?

Los algoritmos genticos se encuadran dentro de la clase de algoritmos que presentan ciertas analogas con los procesos biolgicos de la naturaleza. Estn incluidos, por tanto, en el marco de la Bioinformtica, rea de especializacin encargada de estudiar modelos y tcnicas basndose en patrones biolgicos y aprovechando las metodologas y tcnicas informticas. La bioinformtica, trata de dar solucin a una gran variedad de problemas de un amplio domino cientfico. Dentro de este campo, nos encontramos con la Computacin Evolutiva, que es un enfoque alternativo para abordar problemas complejos de bsqueda de y aprendizaje evolutivos. a travs Las de modelos computacionales procesos implementaciones

concretas de tales modelos se conocen como algoritmos evolutivos. El propsito genrico de los algoritmos evolutivos consiste en guiar una bsqueda estocstica haciendo evolucionar a un conjunto de estructuras y seleccionando de modo iterativo las ms adecuadas. La computacin evolutiva p arte de un hecho observado en la naturaleza: los organismos vivos poseen una destreza consumada en la resolucin de los problemas que se les presentan, y obtienen sus habilidades, casi sin proponrselo, a travs del mecanismo de la evolucin natural. La evolucin se produce, en casi todos los organismos, como consecuencia de dos procesos primarios: la seleccin natural y la reproduccin sexual. La primera determina qu miembros de la poblacin sobrevivirn hasta reproducirse (es un proceso sencillo: cuando un organismo falla una prueba de idoneidad, muere). La reproduccin sexual garantiza la mezcla y recombinacin de genes en la descendencia de un organismo.

Las condiciones que determinan un proceso evolutivo en la naturaleza son: * Existe una poblacin d e entidades o individuos con capacidad para reproducirse. * Existe alguna diferencia o variedad entre estos individuos . * Esta variedad est relacionada con algunas diferencias en la habilidad para sobrevivir.

QU SON E IMPORTANCIA DE LOS AUTMATAS CELULARES?

Los autmatas celulares son herramientas utilizadas en Inteligencia Artificial para la representacin de comportamientos complejos de algunos sistemas fsicos, mecnicos, biolgicos o qumicos. Se estructuran de la siguiente manera:  Un espacio n-dimensional dividido en celdas, denominado teselacin homognea.  Una vecindad definida de cada clula que consiste en un conjunto contiguo de stas indicando sus posiciones relativas respecto a la misma.  Una regla de evolucin tambin llamada de trans icin local, que define la evolucin del estado de cada clula dependiendo del estado de su vecindad en la generacin anterior.

Los autmatas celulares, son herramientas tiles para modelar cualquier sistema en el universo. Pueden considerarse como una buena alternativa a las ecuaciones diferenciales y han sido utilizados para modelar sistemas fsicos, como interacciones entre partculas, formacin de galaxias, cintica de sistemas moleculares y crecimiento de cristales, as como diversos sistemas biolgicos a nivel celular, multicelular y poblacional.
Hormigas y Plantas como autmata s.

En el programa "Hormigas y Plantas", cada una de las celdas de la rejilla en 2 dimensiones es un autmata simple con los siguientes estados posibles: - Vaco. - Ocupado por una hormiga . - Ocupado por una planta . - Ocupado por un obstculo. Cada celda cambia de estado en funcin del estado de las celdas vecinas. Por ejemplo, una celda en estado "planta" pasa a estado "vaco" si hay una hormiga prxima a la planta: la hormiga se come la planta. Otros cambios de estado estn supeditados adem s al resultado de una funcin pseudoaleatoria uniforme, y se producen, si se cumplen las otras condiciones, segn una cierta probabilidad. Por ejemplo, una celda en estado "vaco" pasa a estado "hormiga" slo si hay una hormiga prxima a la planta y adems con una cierta probabilidad (solo si la hormiga "decide" tomar esa direccin).

El estado de cada celda puede estar definido por distintas variables: las hormigas, as como las plantas, poseen una cierta cantidad de energa. Pero adems, las hormigas pos een una inercia en cuanto a la direccin del movimiento, que provoca una tendencia a moverse en la misma direccin, y un "tipo", ya que hay hormigas "rojas", "rosas", "naranjas", "amarillas" y "verdes" que corresponden con distintas probabilidades de moverse, regar, pelearse o reproducirse. En este autmata, los cambios de estado estn dirigidos nicamente por las "hormigas", de forma que la "ejecucin" de una hormiga provoca un cambio de estado en s misma y en otras posibles celdas de tipo "planta". Este ltimo punto lleva a la posibilidad de contemplar el programa desde otro punto de vista: como un conjunto de autmatas simples mviles cuyo estado se define, entre otros, por su posicin en los ejes X e Y. Es decir, en vez de ver una rejilla cuyas celdas cambian de estado, vemos un conjunto de hormigas que se mueven por unos ejes cartesianos. Efectivamente, el autmata no se ha programado como un conjunto de celdas con distintas propiedades, sino como varios conjuntos (o varios autmatas superpuestos): un conjunto de hormigas, otro de plantas y otro de obstculos, controlando que cualquiera de ellos no exista en la misma posicin que otro.
FUNCIONAMIENTO DEL JUEGO DE LA VIDA.

"Life" o "El juego de la vida, por ejemplo simula la existencia de diferentes formas de vida sobre un espacio bidimensional, las cuales presentan singular comportamiento a travs del tiempo. En realidad, Life no es un juego que alguien pueda jugar, sino que es un autmata celular que evoluciona en el tiempo y el espectador observa como ocurre esta evolucin, recibe su nombre debido a que cada

clula tiene dos estados posibles, vivo o muerto, la vecindad que utiliza Life es la siguiente:

Figura3: Vecindad de Moore.

El nombre de esta vecindad se debe a su creador, una clula que est viva puede morir por tener muchas vecinas vivas alrededor (sobrepoblacin) o muy pocas de stas (aislamiento); pero si hay dos o tres clulas vivas en su vecindad la clula se mantiene viva, si una ce lda est vaca hay un "nacimiento" si en su vecindad existen exactamente tres clulas vivas.  Juego de la Vida Conway: La teora de la vida artificial va un paso ms adelante que la inteligencia artificial. No pregunta "qu es la inteligencia y cmo se la hace?", sino que inquiere "qu es la vida y cmo se la hace?" La hiptesis es que para entender nuestra biologa, hay que contrastarla con biologas alternativas como la que aparece en la pantalla con Life de Conway o programas similares. Lo que se suele estudiar como A Life o vida artificial (programas computacionales que podran parecer mostrando "vida" en el monitor) no es la vida como fenmeno abstracto, sino la vida de conceptos abstractos interpretados como estructuras computacionales formales. La vida biolgica (B Life) no sera la nica fuente para el conocimiento sistemtico de la vida; la vida artificial (A Lif e) brindara estructuras computacionales formales interpretables como iluminadoras de ese conocimiento.

Esto es una implementacin de Conways Game of Life. A continuacin se describe el algoritmo .  Algoritmo:
o La vida de las clulas en la sigu iente generacin depende de sus

vecinos en el estado actual.

o Si una clula tiene dos vecinos vivos, no va a cambiar su estado. o Si una clula tiene tres vecinos vivos, va a nacer una vida. Es decir,

que la clula est activa en la siguiente generacin.

o Todas las otras combinaciones hacen que muera la clula. Si solo tiene

un vecino vivo, muere por aislamiento. Si tiene ms de tres vecinos vivos, muere por superpoblacin.
MODELO DE NAGEL Y SCHRECKENBERG: IMPORTANCIA Y POR QU FUE APLICADA?

El modelo de Nagel y Schreckenberg (Na-Sch) es un modelo de flujo de trnsito vehicular con un autmata celular (AC) probabilstico. Por ende, es un modelo de espacio y tiempo discretos, donde cada clula del autmata equivale ya sea a un vehculo en movim iento con cierta velocidad v o a un espacio vaco de la avenida donde se encuentran los vehculos. El modelo Na-Sch original sirve para modelar autopistas de un carril (ya sea abiertas o en circuito) con vehculos homogneos. Creado en 1992 por los cient ficos Kai Nagel y Michael Schreckenberg, el modelo Na -Sch se ha convertido en la base de muchos

otros modelos discretos de trfico vehicular, debido a su sencillez que sin embargo es capaz de modelar adecuadamente los fenmenos de congestionamiento en aut opistas. Esto sucede ya que las grficas de densidad de trfico vs. flujo de trfico son muy similares a las observadas empricamente en diversas avenidas reales. Adems, una simulacin de este modelo permite observar las ondas de trfico comunes en el flujo vehicular.
MODELO Y ALGORITMO DE LAS HORMIGAS, SUS APLICACIONES EN LA IA Y EN LOS CMPUTOS. y Heursticas que se basan en imitar el comportamiento de las hormigas. y Si bien cada hormiga tiene individualmente capacidades bsicas, la

colonia en conjunto logra un comportamiento inteligente.

y A pesar de ser insectos casi ciegos logran encontrar el camino ms

corto entre el hormiguero y una fuente de comida y regresar, en base a una comunicacin entre ellas de origen qumico que se potencia con la presencia simultnea de muchas hormigas
y Comunicacin en base a feromonas, que dejan un rastro que sirve de

referencia a otras hormigas .

En

los

algoritmos

ANT,

una

hormiga

artificial

construye

artificialmente una solucin adi cionando componentes a una solucin parcial en consideracin.
Algoritmo (ANT):

InicializarValoresFeromona() Mientras no se cumple condicin de fin do Para todas hormigas a A do sa n ConstruirSolucion( X,L) End Para todas ActualizarValorFeromona() End mientras Hormigas artificiales hacen caminos randmicos en un grafo conexo G=(C,L), siendo el conjunto de vrtices C, un conjunto de componentes de soluciones y L un conjunto de conexiones.

 G es el grafo de construccin. Procedimiento constructivo. Factibilidad. X = rastro de feromona. L= valor heurstico que representa una informacin a priori, o actualizada a lo largo del algoritmo, sobre la instancia del problema que se est procesando y de cmo moverse en el grafo de construccin . ConstruirSolucion( X,L): la hormiga decide en forma probabilstica la prxima componente a ser adicionada, usando probabilidades de transicin. ActualizarValorFeromona(): la regla de actualizacin incrementa la feromona en las componentes de solucin que calidad que otras. Entre sus aplicaciones tenemos:  Este algoritmo, puede utilizarse para manejar pequeos grupos de robots, forma parte de la Swarm Intelligence (inteligencia basada en enjambres), famosa a raz del libro Presa del recientemente fallecido Michael Crichton. Esta especialidad busca el desarrollo de comportamientos complejos a partir de la interaccin de un conjunto de agentes que tienen unas reglas de actuacin muy sencillas. La unin hace la fuerza.  Los algoritmos de la optimizacin de la colonia de la hormiga se han utilizado para producir soluciones cuasi-ptimas al problema del han tenido mejor

viajante de comercio. El algoritmo de la colonia de la hormi ga puede funcionar continuamente y adaptarse a los cambios en tiempo real. Un ejemplo claro lo podemos observar en el problemas de enrutamiento de redes y sistemas urbanos del transporte.  Los usos del algoritmo se utilizan para mquinas de aprendizaje y para problemas con una gran cantidad de datos. Por ejemplo, se ha estudiado crear un modelo del mantenimiento del cementerio donde las hormigas arraciman los cadveres de sus semejantes. Esto se ha adaptado a la tarea de supervisin de las mquinas de aprendizaje, encargadas de agrupar los grupos de objetos que son similares. De hecho se han demostrado que tales formas modificadas de algoritmos dan un funcionamiento y una exactitud mej ores que los mtodos clsicos tales como el bien conocido k-means.  Asignacin Cuadrtica.  Secuenciacin de Tareas.  Coloreo de Grafos.  Enrutamiento de Vehculos.  Ordenacin Secuencial.  Pooling de vehculos.  Lneas de produccin de coches.  Problemas de Agrupamiento (Clustering).

 Aprendizaje de Reglas Clsicas y Difusas.  Bioinformtica: plegado de protenas 2D.

CONCLUSIN

La computacin evolutiva parte de un hecho observado en la naturaleza: los organismos vivos poseen una destreza consumada en la resolucin de los problemas que se les presentan, y obtienen sus habilidades, casi sin proponrselo, a travs del mecanismo de la evolucin natural. La evolucin se produce, en casi todos los organismos, como consecuencia de dos procesos primarios: la seleccin natural y la reproduccin sexual. La primera determina qu miembros de la poblacin sobrevivirn hasta reproducirse (es un proceso sencillo: cuando un organismo falla una prueba de idoneidad, muere). La reproduccin sexual garantiza la mezcla y recombinacin de genes en la descendencia de un organismo. Los autmatas celulares, son herramientas tiles para modelar cualquier sistema en el universo. Pueden considerarse como una buena alternativa a las ecuaciones diferenciales y han sido utilizados para modelar sistemas fsicos, como interacciones entre partculas, formacin de galaxias, cintica de sistemas moleculares y crecimiento de cristales, as como diversos sistemas biolgicos a nivel celular, multicelular y poblacional. El modelo de Nagel Schreckenberg, creado en 1992 por los cientficos Kai Nagel y Michael Schreckenberg, se ha convertido en la base de muchos otros modelos discretos de trfico vehicular, debido a su sencillez que sin embargo es capaz de modelar adecuadamente los fenmenos de congestionamiento en autopistas. Esto sucede ya que las grficas de densidad de trfico vs. flujo de trf ico son muy similares a las observadas empricamente en diversas avenidas reales. Adems, una simulacin de este modelo permite observar las ondas de trfico comunes en el flujo vehicular.