Algoritmos evolutivos
Optimización heuristica
Miguel Ponce de Leon miguel.ponce@bsc.es
2026-05-05
¿Por qué optimización?
Queremos encontrar parámetros que reproduzcan datos reales.
Problema:
min error(modelo, datos)
Hasta ahora:
- exploración manual
- grid search
¿podemos hacerlo automáticamente?
Idea general
Buscar en un espacio de parámetros:
- beta
- movilidad
- condiciones iniciales
Evaluando:
- qué tan bien explica los datos
Optimización (I)
Paisaje adaptativo simple ![]()
Optimización (II)
Paisaje adaptativo complejo ![]()
Algoritmos evolutivos (I)
Inspirados en evolución biológica
- población de soluciones
- selección
- mutación
- iteración
Esquema
- Generar soluciones aleatorias
- Evaluarlas
- Seleccionar las mejores
- Generar nuevas soluciones
- Repetir
Algoritmos evolutivos (II)
Ventajas
- no necesitan gradientes
- funcionan con modelos complejos
- robustos frente a ruido
- muy paralelizable
Existen muchos tipos AE
- Algoritmos genéticos
- Covariance Matrix Adaptation Evolutionary Strategy
Algoritmos genéticos
Heurística de búsqueda inspirada en la evolución por selección natural, donde se seleccionan los individuos más aptos para la reproducción con el fin de producir descendencia de la siguiente generación.
![]()
Covariance Matrix Adaptation Evolution Strategy
Heurística de búsqueda que explora el espacio de parámetros mediante muestreo adaptativo, ajustando progresivamente una distribución probabilística hacia las soluciones más prometedoras.
![]()
Covariance Matrix Adaptation Evolution Strategy
Algoritmo evolutivo avanzado:
- muestrea parámetros
- aprende la estructura del problema
- adapta la búsqueda
Ventajas
- no necesitan gradientes
- funcionan con modelos complejos
- robustos frente a ruido
muy eficiente en espacios continuos
Conectando las distitnas piezas
Pipeline completo
- datos → análisis
- modelo → simulación
- paralelización → escala
- optimización → calibración
