Paralelización de operadores de cruce de un algoritmo genético

Resumen

El estudio aborda la optimización de algoritmos genéticos (AG) mediante la paralelización del operador de cruce, inspirado en la teoría evolutiva de Darwin. Su objetivo es mejorar el rendimiento y la escalabilidad de los AG para resolver problemas complejos, como la optimización en la agricultura. La investigación se desarrolló siguiendo una metodología experimental estructurada en cinco fases: investigación previa, diseño, implementación, experimentación y análisis. En la implementación, se utilizó Google Colab pro, Python y librerías especializadas para procesamiento paralelo, optimizando el operador de cruce a través de técnicas de paralelización y aceleración mediante GPU.

Los resultados demuestran que la paralelización redujo el tiempo de ejecución en un 20% y mejoró la calidad de las soluciones en un 25%, especialmente en problemas de alta complejidad. El operador de cruce de tres puntos destacó como la opción más eficiente al equilibrar diversidad genética, rendimiento y tiempo de ejecución. La utilización de recursos computacionales paralelos resultó eficiente y sostenible, evidenciando su aplicabilidad en entornos reales.

Por lo tanto, se puede afirmar que la paralelización del operador de cruce en los AG mejora tanto la eficiencia computacional como la calidad de las soluciones, consolidándose como una herramienta estratégica para resolver problemas de gran escala en diversos campos.