Laboratorio 12
Algoritmos Genéticos Aplicados a IA: Evolucionar una palabra objetivo
Diseñar e implementar un algoritmo genético en Python para aproximar una palabra objetivo,
demostrando cómo los principios de selección, cruza y mutación pueden aplicarse a problemas
de optimización en inteligencia artificial. Debe escribir un programa que evolucione
aleatoriamente una población de cadenas de texto hasta que una de ellas coincida con una
palabra objetivo. El algoritmo usará:
Población inicial: Una lista de cadenas aleatorias.
Función de aptitud: El número de caracteres correctos (en la posición correcta)
comparados con la palabra objetivo.
Selección: Método de ruleta basado en la aptitud.
Cruza: Combinar dos cadenas para generar nuevas.
Mutación: Cambiar caracteres aleatoriamente con una probabilidad baja.
Código Base
import random
# Parámetros del algoritmo
TARGET = "INTELIGENCIA" # Palabra objetivo
POPULATION_SIZE = 100 # Tamaño de la población
MUTATION_RATE = 0.1 # Probabilidad de mutación
GENERATIONS = 1000 # Número máximo de generaciones
# Generar una cadena aleatoria
def random_string(length):
return ''.join([Link]("ABCDEFGHIJKLMNOPQRSTUVWXYZ ") for _ in range(length))
# Función de aptitud: cuenta caracteres correctos en posición correcta
def fitness(individual):
return sum(1 for i, char in enumerate(individual) if char == TARGET[i])
# Selección por ruleta
def roulette_selection(population, fitnesses):
total_fitness = sum(fitnesses)
pick = [Link](0, total_fitness)
current = 0
for individual, fit in zip(population, fitnesses):
current += fit
if current > pick:
return individual
# Cruza entre dos padres
def crossover(parent1, parent2):
point = [Link](0, len(TARGET) - 1)
child1 = parent1[:point] + parent2[point:]
child2 = parent2[:point] + parent1[point:]
return child1, child2
# Mutación de un individuo
def mutate(individual):
if [Link]() < MUTATION_RATE:
idx = [Link](0, len(individual) - 1)
new_char = [Link]("ABCDEFGHIJKLMNOPQRSTUVWXYZ ")
individual = individual[:idx] + new_char + individual[idx+1:]
return individual
# Algoritmo genético
def genetic_algorithm():
population = [random_string(len(TARGET)) for _ in range(POPULATION_SIZE)]
for generation in range(GENERATIONS):
fitnesses = [fitness(ind) for ind in population]
# Verificar si se encontró la solución
if TARGET in population:
print(f"Solución encontrada en generación {generation}")
return population[[Link](TARGET)]
# Crear la nueva generación
new_population = []
while len(new_population) < POPULATION_SIZE:
parent1 = roulette_selection(population, fitnesses)
parent2 = roulette_selection(population, fitnesses)
child1, child2 = crossover(parent1, parent2)
new_population.append(mutate(child1))
if len(new_population) < POPULATION_SIZE:
new_population.append(mutate(child2))
population = new_population
print("No se encontró solución dentro del límite de generaciones.")
return None
# Ejecutar el algoritmo
best_solution = genetic_algorithm()
if best_solution:
print("Mejor solución:", best_solution)
else:
print("No se encontró una solución.")
Mejora Visualización:
Mostrar gráficamente cómo mejora la aptitud promedio o máxima en cada generación.
