Curso de Algoritmos Genéticos

El enlace que sigue a continuación presenta los siguientes temas, fundamentales para entender AG.

http://www.the-geek.org/docs/algen/

Teoría sobre Algorítmos Genéticos y Computación Evolutica

Indice:
Introducción
¿Qué es un algoritmo genético?
Métodos de representación
Métodos de selección
Métodos de cambio

Otras técnicas de resolución de problemas
Redes neuronales
Ascenso a colina (Hill Climbing)
Recocido simulado (simulated annealing)

Una breve historia de los AGs
¿Cuáles son las ventajas de los AGs?
¿Cuáles son las limitaciones de los AGs?

Algunos ejemplos específicos de AG
Ingeniería aeroespacial
Astronomía y astrofísica
Química
Ingeniería eléctrica
Mercados financieros
Juegos
Geofísica
Ingeniería de materiales
Matemáticas y algoritmia
Ejército y cumplimiento de la ley
Biología molecular
Reconocimiento de patrones y explotación de datos
Robótica
Diseño de rutas y horarios
Ingeniería de sistemas
Argumentos creacionistas

Algunos caracteres de los seres vivos son cualitativos, mientras que los AGs son siempre cuantitativos
Los AGs seleccionan un caracter cada vez, mientras que los seres vivos son multidimensionales
Los AGs no permiten la posibilidad de una extinción o una catástrofe de errores
Los AGs ignoran el coste de las sustituciones
Los AGs ignoran las limitaciones temporales para una generación
Las altas tasas de mutación y reproducción que emplean los AGs no son realistas
Los AGs tienen genomas artificialmente pequeños
Los AGs ignoran la posibilidad de que ocurran mutaciones por todo el genoma
Los AGs ignoran los problemas de la complejidad irreducible
Los AGs ignoran la poligenia, la pleiotropía y otras complejidades genéticas
Los AGs no tienen múltiples sistemas de lectura
Los AGs tienen objetivos predeterminados
Los AGs no generan información nueva en realidad

William Dembski
Conclusión

http://www.the-geek.org/docs/algen/