AlgoritmosGeneticos

INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
PROGRAMA SINTÉTICO
UNIDAD ACADÉMICA:
Escuela Superior de Cómputo
PROGRAMA Ingeniería en Sistemas Computacionales
ACADÉMICO:
UNIDAD DE APRENDIZAJE:
Algoritmos Genéticos
NIVEL:
III
PROPÓSITO DE LA UNIDAD DE APRENDIZAJE :
Construye sistemas de cómputo inteligentes en la solución de problemas de optimización, la programación
automática, y el aprendizaje máquina con base a la teoría de los algoritmos genéticos.
CONTENIDOS:
I. Fundamentos de los Algoritmos Genéticos.
II. Terminología y Operadores de los Algoritmos Genéticos.
III. Clasificación de los Algoritmos Genéticos.
IV. Solución de Problemas empleando Algoritmos Genéticos.
V. Simulación e Implementación de Algoritmos Genéticos.
ORIENTACIÓN DIDÁCTICA:
La unidad de aprendizaje tomará como base estratégica, el aprendizaje orientado a proyectos. El docente
empleará los métodos inductivo y heurístico, aplicará técnicas diversas de organización grafica, tales como los
mapas conceptuales, mapa mental, jerárquico además de los cuadros comparativos y las técnicas de
recuperación tanto de búsqueda como de generación de resultados, fomentando tanto el trabajo en equipo como
individual, la integridad y la responsabilidad con el entorno y propiciando el aprendizaje autónomo del alumno.
EVALUACIÓN Y ACREDITACIÓN
La presente Unidad de Aprendizaje se evaluará a partir del portafolio de evidencias, el cual se conforma de:
evaluación formativa, sumativa y rubricas de autoevaluación, coevaluación y heteroevaluación.
Esta unidad de aprendizaje también se puede acreditar mediante:
 Evaluación de saberes previamente adquiridos mediante la elaboración de un programa de cómputo y una
evidencia de aprendizaje escrita.
 Acreditación en otra UA del IPN u otra institución educativa externa al IPN nacional o internacional con las
que se tenga convenio vigente.
BIBLIOGRAFÍA:

Aliev R. A., Aliev R.R. (2001) SOFT COMPUTING & ITS APPLICATIONS. USA. World Scientific Pub Co
Inc. ISBN-10: 9810247001.

Golberg D. I. (1989). GENETIC ALGORITHMS. (1st edition). USA: Addison-Wesley.ISBN-10: 0201157675.
ISBN-13:-978-0201157673.

Lagdon W.B. Poli R. (2010) FOUNDATIONS OF GENETIC PROGRAMMING (1st edition). Springer. ISBN10: 3642076327.

Sivanandam S. N. Deepa S. N. (2010) INTRODUCCTION TO GENETIC ALGORITHMS. Springer. ISBN10: 9783642092244. ISBN-13: 978-3642092244.

Van Rooij A. J. F. Jain L.C. Johnson R .P. (1998) NEURAL NETWORK TRAINING USIN GENETIC
ALGORITHMS, Singapure: World Scientific publishing Co. Pte. Ltd. ISBN-10: 9810229194.
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD ACADÉMICA: Escuela Superior de
Cómputo
PROGRAMA ACADÉMICO: Ingeniería en Sistemas
Computacionales
SALIDA LATERAL: Analista Programador de
Sistemas de Información
ÁREA DE FORMACIÓN: Profesional
MODALIDAD: Presencial
UNIDAD DE APRENDIZAJE: Algoritmos Genéticos
TIPO DE UNIDAD DE APRENDIZAJE: Teórico – práctica.
Optativa.
VIGENCIA: Agosto 2011
NIVEL: III
CRÉDITOS: 7.5 TEPIC – 4.39 SATCA
INTENCIÓN EDUCATIVA
Esta unidad de aprendizaje contribuye al perfil del egresado en Ingeniería en Sistemas Computacionales, al desarrollar
las habilidades de diseño de sistemas de cómputo basados en Algoritmos Genéticos para la solución de problemas
computacionales de ingeniería, la habilidad para describir y diferenciar los principales conceptos, características y
estructuras de los Algoritmos Genéticos, capacidad para diseñar y simular Algoritmos Genéticos a través de los
principales simuladores dedicados a éste propósito.
También contribuye a desarrollar competencias genéricas tales como el pensamiento estratégico, el pensamiento
creativo, el trabajo colaborativo y participativo, la comunicación asertiva; contribuyendo a su formación integral, por lo
que será capaz de desempeñarse en los diferentes sectores de la sociedad, público, privado y de investigación e
integrar y administrar equipos de trabajo inter y multidisciplinarios con actitud de liderazgo, ética y responsabilidad.
Actualizándose de manera permanente para responder a las necesidades de la sociedad y al desarrollo sustentable del
país.
Se fundamenta en las unidades de aprendizaje Algebra lineal, Calculo, Algoritmia y programación estructurada, Análisis
y Diseño orientado a objetos, e Ingeniería de software. Se relaciona lateralmente con Reconocimiento de patrones,
Inteligencia artificial, Sistemas difusos en Ingeniería, Inteligencia computacional en ingeniería de control, Redes
neuronales artificiales supervisadas, y Redes neuronales artificiales autosupervisadas. Subsecuentemente apoyará a
las unidades de aprendizaje Trabajo Terminal I y II.
PROPÓSITO DE LA UNIDAD DE APRENDIZAJE:
Construye sistemas de cómputo inteligentes en la solución de problemas de optimización, la programación automática,
y el aprendizaje máquina con base a la teoría de los algoritmos genéticos.
TIEMPOS ASIGNADOS
UNIDAD DE APRENDIZAJE DISEÑADA
POR: Academia de Ingeniería de software
HORAS TEORÍA/SEMANA:3.0
AUTORIZADO POR: Comisión de
Programas Académicos del Consejo
General Consultivo del IPN.
REVISADA POR:
HORAS PRÁCTICA/SEMANA:1.5
HORAS TEORÍA/SEMESTRE:54
Dr. Flavio Arturo Sánchez Garfias
Subdirección Académica
APROBADA POR:
HORAS PRÁCTICA/SEMESTRE:27
HORAS DE APRENDIZAJE
AUTÓNOMO: 54
HORAS TOTALES/SEMESTRE:81
Ing. Apolinar Francisco Cruz Lázaro
Presidente del CTCE.
_______________________________
Ing. Rodrigo de Jesús Serrano
Domínguez
Secretario Técnico de la Comisión
de Programas Académicos
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
HOJA:
Algoritmos Genéticos
3
DE
11
N° UNIDAD TEMÁTICA: I
NOMBRE: Fundamentos de los Algoritmos Genéticos.
UNIDAD DE COMPETENCIA
Clasifica las características y los elementos de los algoritmos genéticos con base en la estructura fundamental.
No.
HORAS con
docente
CONTENIDOS
1.1
Breve semblanza de la computación evolutiva.
1.2
1.2.1
1.2.2
1.2.3
1.2.4
1.2.5
Fundamentos biológicos de AG.
La Célula
Cromosomas
Genética
Reproducción
Selección Natural
1.3
Definiciones de Algoritmos Genéticos.
1.4
Características de los Algoritmos Genéticos.
1.5
Aplicaciones de los Algoritmos Genéticos.
1.6
Fundamentos Matemáticos de los AG.
Subtotales:
HORAS
(Aprendizaje
Autónomo)
T
P
T
P
3.0
1.0
6.0
3.0
3.0
1.0
6.0
3.0
CLAVE
BIBLIOGRÁFICA
5B, 8B, 2C, 6C
ESTRATEGIAS DE APRENDIZAJE
Encuadre del curso y formación de equipos.
Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo,
se utilizarán técnicas de aprendizaje tales como mapas conceptuales, exposición de temas, fichas de trabajo,
exposición de temas complementarios, elaboración de prácticas, y propuesta de proyecto final.
EVALUACIÓN DE LOS APRENDIZAJES
Evaluación diagnóstica
Portafolio de evidencias:
Propuesta de Proyecto
Mapa conceptual
Ficha de trabajo
Exposición de temas
Rubrica de autoevaluación
Rubrica de coevaluación
Reporte de Práctica
Evidencia de aprendizaje
escrita
5%
10%
5%
10%
5%
5%
20%
40%
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
HOJA:
Algoritmos Genéticos
4
DE
11
N° UNIDAD TEMÁTICA: II
NOMBRE: Terminología y Operadores de los Algoritmos Genéticos.
UNIDAD DE COMPETENCIA
Clasifica los términos y operadores de los algoritmos genéticos con base en la estructura fundamental.
No.
HORAS con
docente
CONTENIDOS
2.1
Terminología de los Algoritmos Genéticos
2.1.1
Elementos clave
2.1.2
Individuos
2.1.3
Genes
2.1.4
Fitness
2.1.5
Población
2.1.6
Codificación.
2.1.7
Breeding.
2.1.8
Terminación de búsqueda.
2.1.9
Ejemplos y ejercicios.
2.2
Operadores y Técnicas Avanzadas de AG
Subtotales:
HORAS
(Aprendizaje
Autónomo)
T
P
T
P
3.0
1.5
3.5
4.0
1.0
4.0
1.5
3.5
7.0
4.0
CLAVE
BIBLIOGRÁFICA
5B, 8B, 2C, 6C
ESTRATEGIAS DE APRENDIZAJE
Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo,
sumando las técnicas de mapas conceptuales, exposición de temas, elaboración de prácticas, programación de
algoritmos, y avance de proyecto final.
EVALUACIÓN DE LOS APRENDIZAJES
Portafolio de evidencias:
Mapas conceptuales
Exposición de temas
Entrega de programas
Reporte de Práctica
Avance de proyecto
Rúbricas de autoevaluación
Rúbrica de coevaluación
Evidencia de aprendizaje
escrita
5%
10%
10%
20%
5%
5%
5%
40%
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
HOJA:
Algoritmos Genéticos
5
DE
11
N° UNIDAD TEMÁTICA: III
NOMBRE: Clasificación de Algoritmos Genéticos.
UNIDAD DE COMPETENCIA
Resuelve problemas de ingeniería con base en las diferentes clases de Algoritmos Genéticos.
No.
HORAS con
docente
CONTENIDOS
3.1
Algoritmo Genético Simple (SGA)
3.2
Algoritmo Genético Paralelo y Distribuido (PGA y
DGA)
3.3
Algoritmo Genético Hibrido (HGA)
3.4
Algoritmo Genético Adaptable (AGA)
3.5
Algoritmo Genético Desordenado Rápido (FmGA)
3.6
Ejercicios
Subtotales:
HORAS
(Aprendizaje
Autónomo)
T
P
T
P
4.0
1.5
7.0
4.0
4.0
1.5
7.0
4.0
CLAVE
BIBLIOGRÁFICA
5B, 8B, 2C, 6C,
4C
ESTRATEGIAS DE APRENDIZAJE
Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo,
sumando las técnicas de mapas conceptuales, problemario (ejercicios), exposición de temas, elaboración de
prácticas, programación de algoritmos, y avance de proyecto final.
EVALUACIÓN DE LOS APRENDIZAJES
Portafolio de evidencias:
Mapa conceptual
Entrega de ejercicios
Exposición de temas
Entrega de programas
Reporte de Práctica
Avance de proyecto
Rúbricas de autoevaluación
Rúbrica de coevaluación
Evidencia de aprendizaje
escrita
5%
5%
10%
10%
20%
10%
5%
5%
30%
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
HOJA:
Algoritmos Genéticos
6
DE
11
N° UNIDAD TEMÁTICA: IV
NOMBRE: Solución de Problemas empleando Algoritmos Genéticos.
UNIDAD DE COMPETENCIA
Resuelve problemas de optimización y clasificación con base en las diferentes clases de Algoritmos Genéticos.
No.
CONTENIDOS
HORAS con
docente
HORAS
(Aprendizaje
Autónomo)
T
P
T
P
4.1
4.1.1
4.1.2
Problemas de Optimización usando AG
Problemas de Optimización Difusos.
Problemas de Optimización combinatorios
1.5
0.5
2.0
2.0
4.2
4.2.1
4.2.2
4.2.3
Clasificación de patrones.
Clasificador basado en AG
Relación con el clasificador de Bayes
Regiones de decisión de Bayes y optimización H.
1.5
0.5
2.0
1.5
4.3
Sistemas de Clasificación Difusa con reglas basadas
en AG.
Generación automáticas de reglas lingüísticas ifthen.
1.0
0.5
1.5
1.5
Entrenamiento de Redes Neuronales basado en AG.
Combinación de Algoritmos Genéticos y Redes
Neuronales.
Ajuste de los parámetros de algoritmos genéticos y
Redes Neuronales.
Subtotales:
1.0
4.3.1
4.4
4.4.1
4.4.2
5.0
CLAVE
BIBLIOGRÁFICA
8B, 1C, 4C,
7C, 9C
1.5
1.5
7.0
5.0
ESTRATEGIAS DE APRENDIZAJE
Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo,
sumando las técnicas de mapas conceptuales, problemario (ejercicios), exposición de temas, elaboración de
prácticas, programación de algoritmos, y avance de proyecto final.
EVALUACIÓN DE LOS APRENDIZAJES
Portafolio de evidencias:
Mapa conceptual
Entrega de ejercicios
Exposición de temas
Entrega de programas
Reporte de Práctica
Avance de proyecto
Rúbricas de autoevaluación
Rúbrica de coevaluación
Evidencia de aprendizaje
escrita
5%
5%
10%
10%
20%
10%
5%
5%
30%
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
HOJA:
Algoritmos Genéticos
7
DE
11
N° UNIDAD TEMÁTICA: V
NOMBRE: Simulación e Implementación de Algoritmos Genéticos.
UNIDAD DE COMPETENCIA
Diseña sistemas de optimización con base en herramientas de simulación de los Algoritmos Genéticos.
No.
HORAS con
docente
CONTENIDOS
T
P
HORAS
(Aprendizaje
Autónomo)
T
P
3.5
1.5
5.1
5.1.1
5.1.2
5.1.3
5.1.4
5.1.5
Estructura de datos.
Cromosomas
Fenotipos
Valores objetivo de la función
Valores Fitness
Sub población múltiple
2.0
5.2
5.2.1
5.2.2
Simuladores de Algoritmos Genéticos.
Toolbox de Matlab de AG.
Interfaz grafica del Toolbox de AG.
Solución de Problemas usando AG Toolbox de
Matlab.
2.0
1.5
3.5
4.0
Subtotales:
4.0
1.5
7.0
4.0
CLAVE
BIBLIOGRÁFICA
8B, 5B,3C
ESTRATEGIAS DE APRENDIZAJE
Esta unidad se abordará mediante la estrategia de aprendizaje basada en proyectos, empleando el método inductivo,
sumando las técnicas de mapas conceptuales, problemario (ejercicios), exposición de temas, elaboración de
prácticas, programación de algoritmos, y proyecto final.
EVALUACIÓN DE LOS APRENDIZAJES
Portafolio de evidencias:
Mapa conceptual
Entrega de ejercicios
Exposición de temas
Entrega de programas
Reporte de Práctica
Defensa y reporte del
proyecto
Rúbricas de autoevaluación
Rúbrica de coevaluación
Evidencia de aprendizaje
escrita.
5%
5%
10%
10%
20%
30%
5%
5%
10%
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
HOJA:
Algoritmos Genéticos
8
DE
11
RELACIÓN DE PRÁCTICAS
PRÁCTICA
No.
NOMBRE DE LA PRÁCTICA
UNIDADES
TEMÁTICAS
DURACIÓN
LUGAR DE REALIZACIÓN
Salas de Cómputo de la
Escuela.
1
Genetic Algorithm Toolbox Matlab.
I
4.0
2
Operadores Genéticos.
II
5.5
3
Clases de Algoritmos Genéticos.
III
5.5
4
Solución de Problemas de Optimización y
Clasificación con Algoritmos Genéticos.
IV
6.5
5
Simuladores de Algoritmos Genéticos.
V
5.5
TOTAL DE
HORAS
27.0
EVALUACIÓN Y ACREDITACIÓN:
Las prácticas aportan el 20% de la calificación de cada unidad temática.
Las prácticas se consideran requisito indispensable para acreditar la unidad de aprendizaje
Las prácticas aportan el 20% de la calificación final.
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
PERÍODO
1
2
3
UNIDAD
I, II
III, IV
V
Algoritmos Genéticos
Evaluación continua
Evaluación continua
Evaluación continua
HOJA:
PROCEDIMIENTO DE EVALUACIÓN
60% y evidencia de aprendizaje escrita
70% y evidencia de aprendizaje escrita
90% y evidencia de aprendizaje escrita
9
DE
11
40%
30%
10%
La Unidad I aporta el 15% del total de la evaluación final
La Unidad II aporta el 15% del total de la evaluación final
La Unidad III aporta el 15% del total de la evaluación final
La Unidad IV aporta el 15% del total de la evaluación final
La Unidad V aporta el 40% del total de la evaluación final
Esta unidad de aprendizaje también se puede acreditar mediante:
 Evaluación de saberes previamente adquiridos mediante la elaboración de un
programa de cómputo y una evidencia de aprendizaje escrita

Acreditación en otra UA del IPN u otra institución educativa externa al IPN
nacional o internacional con las que se tenga convenio vigente.
En caso de acreditarse por Evaluación Extraordinaria ó a Título de Suficiencia, esta
constará de una parte práctica que aportará el 50% de la calificación y una parte
teórica que aportará el 50%.
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
UNIDAD DE APRENDIZAJE:
CLAVE
1
HOJA:
10
DE
11
C
X
BIBLIOGRAFÍA
Aliev R. A., Aliev R.R. (2001) SOFT COMPUTING & ITS APPLICATIONS.
USA. World Scientific Pub Co Inc. ISBN-10: 9810247001.
2
X
Golberg D. I. (1989). GENETIC ALGORITHMS. (1st edition). USA:
Addison-Wesley.ISBN-10: 0201157675. ISBN-13:-978-0201157673.
3
X
(2004). GENETIC ALGORITHM AND DIRECT SEARCH TOOLBOX FOR
USE WITH MATLAB 1.0 USER´S GUIDE. USA: The Matworks, Inc. On
line only (01/abril/2011).
http://www.mathworks.com/access/helpdesk_r13/help/pdf_doc/gads/gads_
tb.pdf
4
X
Haupt R. L. Haupt S. E. (2004). PRÁCTICAL GENETIC ALGORITHMS.
(2nd Edition). USA: Wiley-Interscience. ISBN-10: 0471455652. ISBN-13:
978-0471455653
5
B
Algoritmos Genéticos
Lagdon W.B. Poli R. (2010) Foundations of Genetic Programming (1 st
edition). Springer. ISBN-10: 3642076327.
X
6
X
Mitchell M. (1998). AN INTRODUCCTION TO GENETIC ALGORITHMS.
USA: MIT Press. ISBN-10: 0262631857. ISBN-13: 978-0262631853
7
X
Pal S. K. (2010). CLASSIFICATION AND LEARNING USING GENETIC
ALGORITMS: Applications in bioinformatics and Web Intelligence (Natural
Computing Series). USA.Springer. ISBN-10: 3642080545.
8
9
X
Sivanandam S. N. Deepa S. N. (2010) INTRODUCCTION TO GENETIC
ALGORITHMS. Springer. ISBN-10: 9783642092244. ISBN-13: 9783642092244.
X
Van Rooij A. J. F. Jain L.C. Johnson R .P. (1998) NEURAL NETWORK
TRAINING USIN GENETIC ALGORITHMS, Singapure: World Scientific
publishing Co. Pte. Ltd. ISBN-10: 9810229194.
INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA ACADÉMICA
DIRECCIÓN DE EDUCACIÓN SUPERIOR
PERFIL DOCENTE POR UNIDAD DE APRENDIZAJE
1. DATOS GENERALES
UNIDAD ACADÉMICA:
PROGRAMA
ACADÉMICO:
Escuela Superior de Cómputo
Ingeniería en Sistemas Computacionales
ÁREA DE FORMACIÓN:
ACADEMIA:
III
NIVEL
Institucional
Científica
Básica
Profesional
Terminal y de
Integración
UNIDAD DE APRENDIZAJE: Algoritmos Genéticos
Ingeniería de software
ESPECIALIDAD Y NIVEL ACADÉMICO REQUERIDO:
Maestro o Doctor en Computación o Ingeniería Eléctrica
2. PROPÓSITO DE LA UNIDAD DE APRENDIZAJE:
Construye sistemas de cómputo inteligentes en la solución de problemas de optimización, la
programación automática, y el aprendizaje máquina con base a la teoría de los algoritmos genéticos.
3. PERFIL DOCENTE:
CONOCIMIENTOS





Conceptos y

generalidades de
Algoritmos Genéticos.
Técnicas de diseño y
simulación con

Algoritmos Genéticos
Solución de problemas
de optimización y de

clasificación de.
Patrones,
MEI.
Inglés
EXPERIENCIA
PROFESIONAL
Experiencia de un año en
el diseño de sistemas
basado en Algoritmos
Genéticos.
Experiencia de dos años en
el manejo de grupos y en el
trabajo colaborativo.
Experiencia de un año
como Docente de Nivel
Superior.
HABILIDADES








ACTITUDES
Análisis y síntesis.
Liderazgo.
Toma de decisiones.
Manejo de Conflictos.
Manejo de grupos.
Fluidez verbal de ideas.
Habilidades didácticas.
Aplicación del MEI.







Responsable.
Honesto.
Respetuoso.
Tolerante.
Asertivo.
Colaborativo.
Participativo.
ELABORÓ
REVISÓ
AUTORIZÓ
M en C. José Luis Calderón Osorno
M en C. Edmundo René Durán Camarillo
M en C. Ignacio Ríos de la Torre.
Profesores Colaboradores.
Dr. Flavio Arturo Sánchez Garfias
Subdirector Académico
Ing. Apolinar Francisco Cruz Lázaro
Director
Fecha:
2011