Algoritmos Genéticos

Los algoritmos genéticos son una metaheurística de optimización y búsqueda inspirada en la evolución biológica. En lugar de resolver un problema con una fórmula cerrada, mantienen una población de soluciones candidatas y la hacen «evolucionar» a lo largo de sucesivas generaciones, favoreciendo a las mejores. John H. Holland publicó Adaptation in Natural and Artificial Systems en 1975; la ficha de la reedición de MIT Press lo presenta como el libro que inició el campo de los algoritmos genéticos y expuso sus fundamentos teóricos. Pertenecen a la computación evolutiva, la familia de métodos que traslada los mecanismos de la selección natural a la resolución de problemas.

Cada solución candidata se codifica como un cromosoma: una cadena de valores (los genes) que representa las variables del problema. El algoritmo no necesita conocer la forma matemática del objetivo; solo necesita poder medir cómo de buena es cada solución.

El ciclo: población, fitness, selección, cruce y mutación

El corazón del método es una función de fitness que asigna a cada cromosoma una puntuación según su calidad frente al problema. A partir de ahí, tres operadores actúan en cada generación. La selección elige progenitores en proporción a su fitness: la ruleta reparte probabilidad proporcional a la puntuación, y el torneo enfrenta a pequeños grupos y se queda con el mejor. El cruce o recombinación combina dos progenitores para engendrar descendencia que hereda fragmentos de ambos; Holland lo describió como la recombinación de «bloques constructivos». La mutación introduce una perturbación aleatoria en algún gen, preservando la diversidad y evitando el estancamiento. La nueva población reemplaza a la anterior y el ciclo se repite durante muchas generaciones, hasta agotar un presupuesto de cómputo o dejar de mejorar. Fuente primaria.

Coste de evaluación y convergencia

Cada iteración exige evaluar el fitness de toda la población, y ese coste de evaluación es el principal cuello de botella: una sola evaluación puede ser cara (una simulación, un experimento, un modelo pesado) y el algoritmo necesita muchísimas. Poblaciones grandes exploran mejor, pero multiplican el gasto. Además, al ser un método estocástico, un algoritmo genético no garantiza el óptimo global: converge hacia buenas soluciones, no necesariamente hacia la mejor, y su comportamiento depende de hiperparámetros —tamaño de población, tasas de cruce y mutación, esquema de selección— que suelen exigir ajuste manual y ensayo. Fuente primaria.

Cuándo conviene y cuándo no

Los algoritmos genéticos son razonables cuando el espacio de búsqueda es grande, con muchos óptimos locales, o cuando la función objetivo es no diferenciable, discontinua o ruidosa, casos en los que los métodos de gradiente tropiezan. No son, en cambio, la herramienta por defecto: cuando existe gradiente y la función es suave, los métodos basados en él suelen ser más rápidos y precisos, y para muchos problemas concretos hay algoritmos especializados que los superan. Conviene verlos como una opción robusta y de propósito general para paisajes difíciles, no como una solución universal. Elegirlos es una decisión de ingeniería que depende de la estructura del problema, del coste de cada evaluación y de cuánta optimalidad se esté dispuesto a sacrificar a cambio de robustez. Fuente primaria.