La biología evolutiva
La biologia evolutiva estudia el origen, el cambio y la multiplicación de las especies a través del tiempo. En biología evolutiva, el enorme conjunto de posibilidades y prospectos de secuencias genéticas, y las deseadas "soluciones" son los resultados de organismos muy adecuados para sobrevivir y reproducirse en su medio ambiente. Debido a este hecho, la biología evolutiva es una fuente atractiva de inspiración para abordar complejos problemas de cálculo que requieren la búsqueda a través de un gran número de posibles soluciones. Por otra parte, la evolución puede ser vista como un método paralelo de búsqueda masiva ,en lugar de trabajar solo para una especie en un momento, trabajar en la evolución y los cambios de poblaciones enteras de especies al mismo tiempo. Los procedimientos naturales de la evolución de la vida y las técnicas que se utilizan en la biología evolutiva han influido en muchas otras disciplinas que utilizan algoritmos evolutivos para resolver problemas complicados. Una clase particular de estos algoritmos computacionales son los Algoritmos Genéticos.
Algoritmos Genéticos
Los Algoritmos Genéticos fueron inventados por John Holland en la década de 1960 y desde entonces se han han utilizado como métodos estocásticos para resolver problemas de optimización y búsqueda, que operan a una población de posibles soluciones. De acuerdo a la teoría de Darwin de la evolución, la repetida aplicación de procedimientos específicos alteran a la especie en varias otras especies, sin embargo, sólo las más fuertes prevalecen. Algoritmos Genéticos realiza las mismas operaciones en la población de los posibles objetivos sólo con los que se ajustan a la solución que mas sobreviva. Aunque no existe una definición formal de los AGs, todos ellos constan de cuatro elementos. La primero es la población de los cromosomas que representan las posibles soluciones del problema. La selección es el segundo elemento, se refiere a la parte de la población que se desarrollará para la siguiente generación. La selección se realiza sobre la base de una función de aptitud, que determina cuan "buena" es una solución. El proceso de selección se aplica a cada generación producida. Crossover se refiere a la combinación o el intercambio de características entre dos miembros de la élite definida por la selección, por el que se produce otra descendencia. Hay varios tipos de cruzado, pero los más utilizados son: el cruce de un punto, en los que los padres son cortados en un punto específico y la cabeza del primero se pega a la cola del segundo, o viceversa; y el cruce de dos puntos, en los que se obtiene una parte de uno de los padres y es intercambiada con la parte que se encuentra en el mismo lugar del otro progenitor.
Pariente 1 110 / 0100110
Pariente 2 101 / 1010101
Descendencia 1 110 1010101
Descendencia 2 101 0100110
Pariente 1 110 / 0100 / 110
Pariente 2 101 / 1010 / 101
Descendencia 1 110 1010 110
Descendencia 2 101 0100 101
Tabla 1 - uno y dos puntos de cruce
Después de la aplicación de cruce en la población, una nueva generación es producida. ya sea que los padres forman parte de la nueva generación o no es una opción que depende del problema. En cualquier caso, antes de volver a aplicar la selección a la nueva población, tiene lugar la mutación. La mutación es un evento al azar, que ocurre con una probabilidad definida por el usuario para sólo algunas de las nuevas crías. Se utiliza para mantener la diversidad genética mediante la alteración de sólo una pequeña parte de las nuevas crías.
Pariente 1 110 / 0100110
Pariente 2 101 / 1010101
Descendencia 1 110 1010101
Descendencia 2 (mutada en el primer pedazo) 101 0100110
Tabla 2 mutación
Todos los métodos descritos anteriormente están basados en gran medida a la naturaleza del problema a resolver, el dominio en el que las soluciones se encuentran, y la codificación de las soluciones. Estructuras mas complejas de codificación, como los árboles digitales, que permiten resolver los problemas mas difíciles, pero también requiere la definición de métodos más complejos para la manipulación de las generaciones. Sin embargo, la estructura básica de los AGs sigue siendo la misma y se describe a continuación.
1. [Inicio] Generar al azar una población de cromosomas n (posibles soluciones para el problema)
2. [Fitness] Evaluar la aptitud f (x) de cada cromosoma x en el población
3. [Nueva población] Crear una nueva población repitiendo los pasos siguientes hasta que la nueva población se haya completado
3.1. [Selección] Seleccione dos cromosomas de los padres de una población de acuerdo a su aptitud (mientras mejor aptitud, mayor oportunidad de ser seleccionado)
3.2. [Crossover] Con una probabilidad de cruce en los padres para formar una nueva descendencia (hijos). Si no hay cruce, los hijos serán una copia exacta de los padres.
3.3. [Mutación] Con una probabilidad de mutación, mutar nuevas crías en cada locus (posición en el cromosoma).
3.4. [Aceptar] Posicionar nuevas crías en una nueva población
4. [Reemplazar] Uso de la nueva población generada para promover mas algoritmos
[Test] Si la condición final es satisfactoria , detener y devolver la mejor solución a la población actual
[Continuar] Ir al paso 2
Tabla 3 Esquema del algoritmo genético básico
Las aplicaciones de los AGs
Al igual que otros sistemas computacionales inspirados en los sistemas naturales, los AGs se han utilizado de dos maneras: como técnicas para resolver problemas tecnológicos y científicos como modelos simplificados que puede responder preguntas acerca de la naturaleza. Los Algoritmos Genéticos aborda un número bastante grande de problemas, incluyendo el procesamiento de imágenes, reconocimiento de rostros, la predicción de la estructura de la proteína, análisis de tiempos de series, la evolución de software automáticos, las reglas de automación celular, la robótica, el control, la aeronáutica, y mucho más. Los campos en los que los AGs han sido ampliamente utilizados incluyen la optimización, programación automática, máquinas de aprendizaje, economía, sistemas inmunes, Ecología Genética de la población, la evolución y aprendizaje, y los sistemas sociales. Esta lista no es de ninguna manera completa, sino que ilustra la variedad de aplicaciones que ofrecen los AGs en varios campos.
AGs en Arquitectura
Mientras que otras disciplinas han adoptado métodos computacionales basados en los principios de la biología evolutiva, en los procesos de diseño evolutivo arquitectónico no ha sido ampliamente aplicada. Sólo recientemente ha habido un cambio notable en la forma en que estos arquitectos exploran técnicas para hacer frente a problemas complejos. De hecho, uno de los principales problemas en la arquitectura hoy en día es la cantidad de información y el nivel de complejidad en la mayoría de las construcciones de los proyectos.
Los algoritmos genéticos ofrecen una solución efectiva a este problema mediante la solución de optimización y problemas de búsqueda, que opera sobre una población de posibles soluciones. Los AGs en la arquitectura operan de dos maneras: como herramientas de optimización y como herramientas de generación de formas. En la primera forma los AGs abordan problemas específicos de la edificación, tales como estructurales, mecánicas, térmicas y de iluminación.
AGs y la optimización del diseño
La optimización del diseño se ha introducido a la industria de construcción como una herramienta para lograr el mejor resultado posible en el rendimiento, la máxima fiabilidad y el costo más bajo. El rendimiento del edificio incluye entre otros, los cambios estructurales, acústicos, de iluminación, energía y espacio los atributos o propiedades de un edificio. Por ejemplo, uno de los objetivos básicos de la optimizacion de la estructura es minimizar el peso total a fin de minimizar el costo del material. Con el aumento de la demanda en el mercado mundial de edificios más eficientes y complejos, la utilización de AGs, como una de las tantas técnicas de optimización, es una necesidad.
Especialmente para las estructuras de gran escala, con miles de elementos o estructuras de geometrias complejas, los cálculos manuales no puede satisfacer la creciente demanda por eso el uso de técnicas de optimización es inevitable. Por ejemplo, en el proyecto para el Centro Acuático para los Juegos Olímpicos de Beijing 2008, el nuevo enfoque automatizado para la selección de tamaños de las secciones y el control de códigos de diseño para todos los 25.000 perfiles de acero fue fundamental para la viabilidad de la cubierta del proyecto.
La mayoría de problemas de optimización se compone de tres componentes básicos. La primera es la función objetivo que queremos minimizar o maximizar, el segundo componente es la designación de un conjunto de variables de diseño que afectan el valor de la función objetivo, y el tercer componente es la determinación de un conjunto de restricciones que permiten a las variables de diseño tener ciertos valores. Por ejemplo, en términos del comportamiento estructural de un grupo especial, que determinan lo que desea reducir al mínimo que podría ser el estrés en una región en particular, y luego determinar las variables, que podrían ser la geometría y el material del panel y, a continuación ponemos las limitaciones que podría ser la minimización del peso del panel.
Para una investigación exhaustiva de la operación de los AGs, se examinara según una técnica de optimización de diseño del algoritmo genético para el diseño de herramientas de optimización aplicadas por Luis Caldas y Norford Leslie en 1999. Las herramientas del Algoritmo Genético [3] explora el uso de AGs en el contexto de generativo y el diseño orientado a objetivos determinados con el fin de desarrollar y evaluar criterios relacionados con el comportamiento medioambiental de un edificio. La herramienta busca el tamaño de la ventana óptima en un edificio con el fin de optimizar tres características de la habitación contigua: iluminación, calefacción y refrigeración. Las condiciones ambientales incluidas las condiciones climáticas, la orientación de la ventana, y el vidrio, son parámetros que influyen en el logro de soluciones de bajo consumo de energía.
Para una investigación exhaustiva de la operación de los AGs, se examinara según una técnica de optimización de diseño del algoritmo genético para el diseño de herramientas de optimización aplicadas por Luis Caldas y Norford Leslie en 1999. Las herramientas del Algoritmo Genético [3] explora el uso de AGs en el contexto de generativo y el diseño orientado a objetivos determinados con el fin de desarrollar y evaluar criterios relacionados con el comportamiento medioambiental de un edificio. La herramienta busca el tamaño de la ventana óptima en un edificio con el fin de optimizar tres características de la habitación contigua: iluminación, calefacción y refrigeración. Las condiciones ambientales incluidas las condiciones climáticas, la orientación de la ventana, y el vidrio, son parámetros que influyen en el logro de soluciones de bajo consumo de energía.
Dos edificios de oficinas se examinan, tanto con climatización interna controlada y iluminación artificial. Los edificios están situados en dos ciudades diferentes: Phoenix, Arizona y Chicago Illinois. Después que los AGs han generado las posibles soluciones de diseño, los diseños son evaluados en términos de iluminación y el rendimiento térmico a través de un programa detallado de análisis térmico (DOE2.1 E).
Entonces los AGs utilizan los resultados de estas simulaciones para investigar más a fondo y encontrar soluciones de bajo consumo para el problema en estudio. Las soluciones se visualizan mediante una rutina de AutoLISP, ya que los procedimientos AutoLisp ahora permiten obtener los resultados y una inspección visual como dibujos de AutoCAD.
Videos provenientes del DATAREEF
Videos provenientes del DATAREEF
DATAREEF IS THE THESIS PROJECT OF PROBOTICS @ AA-DRL (ARCHITECTURAL ASSOCIATION, DESIGN RESEARCH LABORATORY PROGRAM IN LONDON.
Texto de algorithmos geneticos provenientes de Master of Science in Architecture, Computation Group
Texto de algorithmos geneticos provenientes de Master of Science in Architecture, Computation Group
Department of Architecture, Massachusetts Institute of Technology.
