Algoritmo genético basado en humanos

En computación evolutiva , un algoritmo genético basado en humanos ( HBGA, por sus siglas en inglés) es un algoritmo genético que permite a los humanos aportar sugerencias de soluciones al proceso evolutivo. Para ello, un HBGA cuenta con interfaces para la inicialización, la mutación y el recombinación. Asimismo, puede incluir interfaces para la evaluación selectiva. En resumen, un HBGA delega a los humanos las operaciones propias de un algoritmo genético convencional.

Entre los sistemas genéticos evolutivos, HBGA es el análogo computacional de la ingeniería genética (Allan, 2005). Esta tabla compara los sistemas en función de la acción humana:

Un patrón evidente en la tabla es la división entre sistemas orgánicos (arriba) y sistemas informáticos (abajo). Otro es la simetría vertical entre sistemas autónomos (arriba y abajo) y sistemas interactivos con humanos (en el medio).

Si miramos hacia la derecha, el selector es el agente que decide la aptitud en el sistema. Determina qué variaciones se reproducirán y contribuirán a la siguiente generación. En poblaciones naturales y en algoritmos genéticos, estas decisiones son automáticas; mientras que en los sistemas HBGA típicos, las toman personas.

El innovador es el agente del cambio genético. El innovador muta y recombina el material genético para producir las variaciones sobre las que actúa el selector. En la mayoría de los sistemas orgánicos e informáticos (superiores e inferiores), la innovación es automática y opera sin intervención humana. En HBGA, los innovadores son personas.

La HBGA es bastante similar a la ingeniería genética. En ambos sistemas, los innovadores y selectores son personas. La principal diferencia radica en el material genético con el que trabajan: datos electrónicos frente a secuencias de polinucleótidos.

• Los cuatro operadores genéticos (inicialización, mutación, entrecruzamiento y selección) pueden delegarse a los humanos mediante interfaces apropiadas (Kosorukoff, 2001).
• La inicialización se trata como un operador, en lugar de una fase del algoritmo. Esto permite que un HBGA comience con una población vacía. Los operadores de inicialización, mutación y cruce conforman el grupo de operadores de innovación.
• La elección del operador genético también puede delegarse en humanos, de modo que no se vean obligados a realizar una operación concreta en un momento dado.

• HBGA es un método de colaboración e intercambio de conocimientos. Combina la competencia de sus usuarios humanos, creando una especie de inteligencia simbiótica humano-máquina (véase también inteligencia artificial distribuida ).
• La innovación humana se facilita mediante la selección de soluciones de la población, su asociación y su presentación en diferentes combinaciones a un usuario (véase técnicas de creatividad ).
• HBGA facilita el consenso y la toma de decisiones mediante la integración de las preferencias individuales de sus usuarios.
• HBGA utiliza un enfoque de aprendizaje acumulativo para resolver simultáneamente un conjunto de problemas. Esto permite lograr sinergia, ya que las soluciones pueden generalizarse y reutilizarse en diversos problemas. Asimismo, facilita la identificación de nuevos problemas de interés y una distribución equitativa de los recursos entre problemas de distinta importancia.
• La elección de la representación genética, un problema común en los algoritmos genéticos, se simplifica enormemente en HBGA, ya que el algoritmo no necesita conocer la estructura de cada solución. En particular, HBGA permite que el lenguaje natural sea una representación válida.
• El almacenamiento y el muestreo de la población generalmente siguen siendo una función algorítmica.
• Un HBGA suele ser un sistema multiagente que delega las operaciones genéticas a múltiples agentes (humanos).

• Gestión evolutiva del conocimiento , integración del conocimiento procedente de diferentes fuentes.
• Organización social , toma de decisiones colectiva y gobierno electrónico .
• Áreas de aplicación tradicionales de los algoritmos genéticos interactivos : arte digital , diseño centrado en el usuario , etc.
• Resolución colaborativa de problemas utilizando el lenguaje natural como representación.
• Beneficios educativos y académicos de la simulación en tiempo real con modelado de currículo sintético mediante entornos de nube de puntos dinámicos.

La metodología HBGA se desarrolló entre 1999 y 2000 a partir del análisis del proyecto Free Knowledge Exchange, lanzado en Rusia en el verano de 1998 (Kosorukoff, 1999). La innovación y la evaluación humanas se utilizaron para apoyar la resolución colaborativa de problemas. Los usuarios también tenían libertad para elegir la siguiente operación genética a realizar. Actualmente, varios otros proyectos implementan el mismo modelo, siendo el más popular Yahoo! Respuestas , lanzado en diciembre de 2005.

Investigaciones recientes sugieren que los operadores de innovación basados ​​en humanos son ventajosos no solo cuando resulta difícil diseñar una mutación o un cruce computacional eficiente (por ejemplo, al desarrollar soluciones en lenguaje natural), sino también cuando se dispone fácilmente de buenos operadores de innovación computacional, como al desarrollar una imagen abstracta o colores (Cheng y Kosorukoff, 2004). En este último caso, la innovación humana y la computacional pueden complementarse, generando resultados cooperativos y mejorando la experiencia general del usuario al garantizar que no se pierda la creatividad espontánea de los usuarios.

Además, los algoritmos genéticos basados ​​en humanos demuestran ser una medida exitosa para contrarrestar los efectos de fatiga introducidos por los algoritmos genéticos interactivos . ^{[ 1 ]}

• Computación basada en humanos
• Computación evolutiva basada en humanos
• Interacción persona-ordenador
• Algoritmo genético interactivo
• Memética
• Computación social

• Kosorukoff, Alex (1999). Intercambio libre de conocimiento. Archivo de Internet.
• Kosorukoff, Alex (2000). Algoritmo genético basado en humanos. en línea
• Kosorukoff, Alex (2001). Algoritmo genético basado en humanos. En IEEE International Conference on Systems, Man, and Cybernetics , SMC-2001, 3464-3469. Texto completo
• Cheng, Chihyung Derrick y Alex Kosorukoff (2004). El problema interactivo one-max permite comparar el rendimiento de los algoritmos genéticos interactivos y los basados ​​en humanos. En Genetic and Evolutionary Computational Conference , GECCO-2004. Texto completo
• Milani, Alfredo (2004). Algoritmos genéticos en línea . Revista internacional de teorías y aplicaciones de la información, págs.  20-28.
• Milani, Alfredo y Silvia Suriani (2004), ADAN: Periódicos adaptativos basados ​​en programación evolutiva En IEEE/WIC/ACM International Conference on Web Intelligence,(WI'04), pp.  779–780, IEEE Press, 2004
• Allan, Michael (2005). Diseño recombinante simple. SourceForge.net, proyecto textbender, versión 2005.0, archivo _/description.html. Archivos de versiones , versión posterior en línea.
• Kruse, Jan (2015). Computación evolutiva interactiva en aplicaciones de diseño para mundos virtuales. Texto completo
• Kruse, Jan y Connor, Andy (2015). Sistemas evolutivos multiagente para la generación de mundos virtuales complejos. Texto completo

• Free Knowledge Exchange , un proyecto que utiliza HBGA para la resolución colaborativa de problemas expresados ​​en lenguaje natural.
• ParEvo es un método para desarrollar escenarios futuros alternativos, utilizando un proceso evolutivo participativo.