Porqué el planteamiento de charles Darwin transformó el pensamiento del hombre desde el siglo XIX hasta nuestros días?
Respuestas
Respuesta:es indudable que la teoría de la evolución, enunciada por Charles Darwin a mediados del siglo X I X, provocó una revolución científica. Los conceptos de esta teoría, como el de selección natural, han permeado desde entonces casi todas las disciplinas científicas. Así, puede constatarse cómo han surgido áreas de estudio que van desde la evolución química prebiótica y la evolución molecular hasta la evolución tecnológica, pasando por ideas de la evolución aplicadas a las ciencias sociales y a las ciencias cognitivas. Algunas de estas “aplicaciones” han sido fructíferas, en tanto que otras han mostrado no ser apropiadas –como la idea de Marx, inspirada en Darwin, de considerar el desarrollo histórico de las formaciones sociales como una “historia natural”– o francamente grotescas –como la interpretación denominada “darwinismo social”.
Computación evolutiva
La computación evolutiva es una rama de la inteligencia artificial que involucra problemas de optimización combinatoria. Se inspira en los mecanismos de la evolución biológica.
Durante los años 50 se comenzaron a aplicar los principios de Charles Darwin en la resolución de problemas. Durante los años 60 y 70, varias corrientes de investigación independientes empezaron a formar lo que ahora se conoce como computación evolutiva.
La programación evolutiva nació en la década de 1960 y su creador fue Lawrence J. Fogel. Este desarrollo comenzó como un esfuerzo encaminado a crear inteligencia artificial basada en la evolución de máquinas de estado finitas.
Las estrategias evolutivas fueron propuestas por Ingo Rechenberg y Hans-Paul Schwefel en la década siguiente y su principal objetivo era el de optimizar parámetros.
Los algoritmos genéticos fueron propuestos por John H. Holland a mediados de esa década y su motivación inicial fue la de proponer un modelo general de proceso adaptable.
Algoritmos evolutivos
De manera general, la computación evolutiva toma como base las ideas de la evolución propuestas por Charles Darwin y los descubrimientos realizados por Gregor Mendel en el campo de la genética. Entre los principales aspectos a considerar en el diseño de algoritmos evolutivos se encuentran los siguientes:
1. La elección de una codificación (representación de las variables del problema en el algoritmo evolutivo) tiene un gran efecto en el tamaño del espacio de búsqueda y, por ende, en el tiempo y dificultad de resolución.
2. La función de desempeño (fitness function), la cual considera la función objetivo o función de la que se desea obtener el valor óptimo.
3. Los algoritmos evolutivos poseen diversos parámetros, los cuales deben ser cuidadosamente elegidos para obtener un buen desempeño y evitar problemas tales como la convergencia prematura.
A continuación se describen someramente la clase de algoritmos conocidos como “algoritmos genéticos” que, en cierta forma, ilustran concretamente las ideas de la computación evolutiva, además de su interés intrínseco en cuanto a sus múltiples aplicaciones.
Algoritmos genéticos
En los años de 1970, de la mano de John Henry Holland, surgió una de las líneas más prometedoras de la inteligencia artificial: la de los algoritmos genéticos (A G). Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinaciones genéticas), así como también a una selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados –los que sobreviven– y cuáles los menos aptos –mismos que son descartados. También se denominan algoritmos evolutivos e incluyen las estrategias de evolución, la programación evolutiva y la programación genética. Un algoritmo genético es un método de búsqueda dirigida basada en probabilidad. Bajo una condición muy débil (que el algoritmo mantenga elitismo, es decir, que guarde siempre al mejor elemento de la población sin hacerle ningún cambio), se puede demostrar que el algoritmo converge en probabilidad en un grado óptimo. En otras palabras, al aumentar el número de iteraciones, la probabilidad de tener el óptimo en la población tiende a 1.
.
Explicación: