https://github.com/aliciagilmatute/algoritmo-genetico
Algoritmo Genético que pretende resolver el problema del viajante (TSP) desde dos lógicas diferentes.
https://github.com/aliciagilmatute/algoritmo-genetico
genetic-algorithm genetic-algorithms genetic-analysis genetic-optimization-algorithm linear-models linear-regression python
Last synced: 3 months ago
JSON representation
Algoritmo Genético que pretende resolver el problema del viajante (TSP) desde dos lógicas diferentes.
- Host: GitHub
- URL: https://github.com/aliciagilmatute/algoritmo-genetico
- Owner: aliciagilmatute
- Created: 2025-04-04T13:14:42.000Z (3 months ago)
- Default Branch: master
- Last Pushed: 2025-04-04T13:26:22.000Z (3 months ago)
- Last Synced: 2025-04-04T14:28:59.392Z (3 months ago)
- Topics: genetic-algorithm, genetic-algorithms, genetic-analysis, genetic-optimization-algorithm, linear-models, linear-regression, python
- Language: Jupyter Notebook
- Homepage:
- Size: 85 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Comparación de un Algoritmo Genético Clásico y un Algoritmo Genético que implementa un modelo de Regresión Lineal
En el problema del viajero (TSP), un vendedor debe visitar un conjunto de ciudades solo una vez y regresar a la ciudad de inicio, minimizando la distancia total recorrida. Este problema es complejo debido al crecimiento exponencial de las rutas posibles conforme aumentan las ciudades. Resolverlo mediante fuerza bruta es inviable, por lo que se utiliza un algoritmo genético (GA) para explorar soluciones de manera eficiente, sin garantizar una solución óptima pero sí una muy buena. El objetivo del código es implementar un GA para encontrar una solución subóptima a este problema, usando selección, cruce y mutación.
El proceso comienza con la creación de una población inicial de rutas aleatorias y la evaluación de su calidad basada en la distancia total recorrida. Luego, el algoritmo evoluciona estas rutas generación tras generación, aplicando cruce y mutación para generar nuevas rutas. A lo largo de las generaciones, las rutas de mejor calidad son seleccionadas para reproducirse y crear nuevas soluciones. El código también integra un modelo de regresión lineal como criterio alternativo para evaluar las distancias, y compara los resultados de ambos enfoques. La solución final se visualiza mediante gráficos que muestran la evolución de la distancia mínima encontrada en cada generación.