Modelos de Algoritmo Genetico

Universidad Publica de el Alto CARRERA INGENIERA DE SISTEMAS

TESIS DE GRADO MODELO DE ALGORITMO GENÉTICO PARA MAXIMIZAR

NUTRIENTES Y MINIMIZAR COSTOS Caso de estudio: “Ciudad de El Alto”

Postulante : Univ. Grover Wilson Quisbert Ibañez Tutor Metodológico : Ing. Eduardo Rolando Flores Rodríguez Tutor Especialista : Lic. Ramiro Loza Herrera Tutor Revisor : Lic. Sonia Patricia Trino Camacho

LA PAZ - BOLIVIA 2012

CONTENIDO

Capitulo I: Marco Preliminar

Capitulo II: Marco Teórico

Capitulo III: Marco Aplicativo

Capitulo IV: Pruebas y Resultados

Capitulo V: Conclusiones y Recomendaciones

Capitulo I: Marco PreliminarINTRODUCCIÓN (1)

• El mundo enfrenta día a día el problema de erradicar la desnutrición

Carlin, J. (2004). Nutrición en Bolivia. El País.

• Mas de 800 millones de personas se acuestan con hambre en el mundo

• En Bolivia el problema de la desnutrición es muy critico.

• Desnutrición en niñas y niños menores de 5 años 32.2 %

• Bolivia país con mayor desnutrición crónica de américa latina. Consumo de dietas inapropiadas

INTRODUCCIÓN (2)

SINSAAT, P. (2006). Resultados de la encuesta de seguridad alimentaria y nutricional en municipios vulnerables de Bolivia.

• Para la lucha contra la desnutrición muchas instituciones brindan aportes como alimentos y estos se distribuyen de la mejor manera posible, con lo cual surge las siguientes preguntas:

INTRODUCCIÓN (3)

INTRODUCCIÓN (4)

• ¿Esto es suficiente?• ¿Se distribuyen los recursos

de la mejor manera?• ¿Lo que se distribuye llena

los requisitos nutricionales de una persona?

• ¿Hay una forma mas económica, de tal manera que alcance para mas personas?

• Este problemas es muy complejo por lo que no ha sido posible realizar las combinaciones

INTRODUCCIÓN (4)

VS

RECURSOS DISPONIBLES

NUMERO DE NUTRIENTES QUE

BRINDA CADA UNO

CANTIDAD DE NUTRIENTES QUE NECESITA CADA

PERSONA

COSTO ECONÓMICO DE CADA RECURSO

• La inteligencia artificial brinda diferentes técnicas para resolver problemas complejos.

• Los Algoritmos Genéticos son técnicas de búsqueda basadas en la teoría de la evolución de Darwin

• Los AGs permite la simulación de grandes poblaciones mezclando múltiples variables para obtener el resultado más viable

INTRODUCCIÓN (5)

• La presente Tesis de grado propone realizar el diseño y desarrollo de un Modelo de algoritmo genético que trabaje en base a los siguientes parámetros:

INTRODUCCIÓN (5)

Cantidad de nutrientes que necesita un individuo

Recursos disponibles en el área

Cantidad de nutrientes aportados por cada recurso

Precio por unidad de estos recursos

Combinación de recursos que brinda

mayor cantidad de nutrientes al menor costo

posible

ENTRADA PROCESO SALIDA

¿El Modelo de Algoritmo Genético; será capaz de minimizar las deficiencias nutricionales al brindar dietas que maximicen el consumo de nutrientes y minimicen costos, de esta forma, mejorar la salud integral, de la población de la ciudad de El Alto?

PLANTEAMIENTO DEL PROBLEMAProblema General

• Alimentación deficiente, la población consume dietas inadecuadas en calidad y cantidad, que no cumplen con las recomendaciones nutricionales.

• Desconocimiento de información básica nutricional por parte de los padres, mala alimentación en el núcleo familiar.

PLANTEAMIENTO DEL PROBLEMAProblema Especifico (1)

PLANTEAMIENTO DEL PROBLEMAProblema Especifico (2)

• Ingresos económicos insuficientes para la compra de alimentos, lo que conlleva a una baja capacidad adquisitiva de los mismos.

• Inseguridad alimentaria en el hogar, debido a la limitada disponibilidad y al limitado acceso físico y económico de los hogares a los alimentos.

OBJETIVOSObjetivo General

Desarrollar un Modelo basado en Algoritmos Genéticos, que sea

capaz de disminuir las deficiencias nutricionales, generando dietas que maximicen la cantidad de

nutrientes y minimicen los costos económicos, así contribuir a la

salud integral de la población de Ciudad de el Alto.

• “Recolectar datos sobre recursos disponibles en el área y el costo de los mismos en el mercado o centros de abasto, además del aporte nutricional que brinda cada uno de ellos; dentro del área del caso de estudio los cuales serán empleados como datos para el algoritmo genético”

OBJETIVOSObjetivo Especifico (1)


• “Recolectar información sobre sugerencias nutricionales para la población de la ciudad del Alto, estos serán empleados como parámetros de trabajo del modelo de algoritmo genético”,

• “Obtener información del especialista en nutrición, estos datos serán comparados con los datos obtenidos del modelo de algoritmo genético”


• “Analizar, diseñar y desarrollar un prototipo del modelo de algoritmo genético que maximice nutrientes y minimice costos”

• “Analizar, diseñar y desarrollar una aplicación Web, en la cual se integre el modelo de algoritmo genético, de tal manera que se facilite el uso al usuario final”

• “Evaluar el modelo de algoritmo genético propuesto para validar la hipótesis”

HIPÓTESIS (1)

Hi: “El Modelo de Algoritmo Genético,

es una Herramienta capaz de

disminuir las deficiencias

nutricionales a través de dietas que

maximicen la cantidad de nutrientes

y minimicen el costo económico, con

un nivel de confianza mayor al 90%”.

HIPÓTESIS (2)Variable Independiente VI(X)

Concepto: “Modelo de Algoritmo Genético”, software que imita el comportamiento humano de un especialista en nutrición.Indicador: Medir el porcentaje de confiabilidad del Modelo de Algoritmo Genético.Instrumento: Función exponencial.

Valor:

80% - 100 % Si es muy satisfactorio.51% - 79% Si es satisfactorio.10% - 50% No cumple con alguno de los requerimientos.

HIPÓTESIS (3)Variable Dependiente VD(Y)

Concepto: “Dietas que maximicen la cantidad de nutrientes y minimicen los costos económicos”, Conjunto de información que brinden dietas optimizadas. Indicador: Medir el porcentaje de dietas correctas. Instrumento: Distribución “t” Student. Valor: es aceptable

Contribuyendo al avance de la Ingeniería de Sistemas en la Medicina, por lo tanto se la justifica por la falta de una herramienta que apoye y contribuyan a disminuir la desnutrición del país.

JUSTIFICACIÓN (1)Científica

JUSTIFICACIÓN (2)Técnica

El manejo del presente sistema basado en algoritmos genéticos tendrá la capacidad de proporcionar una dieta que maximicen la cantidad de nutrientes y minimicen los costos económicos, utilizando como herramienta el ordenador y el lenguaje Java.

El Modelo basado en algoritmos genéticos estará disponible en la Web, por lo cual la sociedad e instituciones podrán consultar el sistema de manera libre, no se pagara algún tipo de licencia, por qué el software empleado en el desarrollo del presente trabajo está bajo licencia GPL - GNU.

JUSTIFICACIÓN (3)Económica

En la justificación social se denota el gran impacto que generar el modelo ya que gran parte de la población quedara beneficiada por poder acceder al sistema vía Web y sin ningún tipo de gasto por realizar su consulta, además de contar con dietas que mejoraran la calidad de vida de la familia.

JUSTIFICACIÓN (3)Social

Para poder aplicar la ingeniería de software se debe tomar en cuenta:

– Metodología de desarrollo de software.

– Un Ciclo de desarrollo de software.– Métricas de calidad de software.

METODOLOGÍA (1)

• La Metodologia UWE (UML – Based Web Engineering) proporciona guías para la construcción de modelos de formas sistemáticas y con pasos acertados, enfocados en personalización y en estudios de casos de uso. – Análisis de requerimientos, – Diseño conceptual– Modelo de navegación – Modelo de presentación.

METODOLOGÍA (2)Metodología de desarrollo de software

METODOLOGÍA (3)Ciclo de desarrollo de Software

• «Implementación simple de los requerimientos del sistema»

• CheckStyle– Boolean Expression Complexity – Class Data Abstraction Coupling– Class Fan Out Complexity– Cyclomatic Complexity– NPathComplexity

• JavaNCSS– # de Clases, # de Métodos, Líneas

de comentario, Javadoc.

METODOLOGÍA (3)Métricas de Calidad de Software

• Se tomara como área de estudio los barrios de Rio Seco y Senkata de la ciudad de el Alto.

• El modelo de AGs temporalmente no será aplicable a otras áreas del país, puntos que se adicionaran a futuro.

• El modelo de AGs, brinda dietas que tienen que ser supervisadas por un experto en el área.

LIMITES Y ALCANCESLimites

• El sistema en términos de alcance podrá ser usado en instituciones, organizaciones o empresas que lo adapten a sus regiones y recursos, y con la ayuda de médicos y nutricionistas se evalúen las posibles combinaciones, así brindar alternativas de nutrición

LIMITES Y ALCANCESAlcances

• Se pretende dar un aporte científico significativo como fruto de una investigación, principalmente a la comunidad estudiantil de la Carrera de Ingeniería de Sistemas.

• Desarrollo del prototipo de algoritmo genético con interfaz WEB, será un gran aporte a instituciones, organizaciones y personas que deseen luchar contra el problema de la desnutrición dentro del país.

APORTE

Capitulo II: Marco TeóricoALGORITMOS GENÉTICOS

IntroducciónBases BiológicasAlgoritmos Genéticos

Características generalesFuncionamientoComponentes

• Métodos Adaptativos • Usados en problemas de

búsqueda y optimización de parámetros.

• Basado en la • Reproducción sexual.• Principio de supervivencia del

mas apto.

ALGORITMOS GENÉTICOSIntroducción (1)

ALGORITMOS GENÉTICOSIntroducción (2)

• Para alcanzar la solución a un problema se parte de un:– Conjunto inicial de individuos– Cada uno representa una posible

solución– Estos Individuos evolucionan

• Usando el Esquema propuesto por Darwin [Darwin, 1859], y se adaptaran en mayor medida con el paso de cada generación

• Hasta encontrar una solución al problema

ALGORITMOS GENÉTICOSBases Biológicas (1)

• Si algo funciona bien, ¿Por qué no imitarlo?

• Durante millones de años las diferentes especies se han ido adaptando para poder sobrevivir en un medio cambiante

ALGORITMOS GENÉTICOSCaracterísticas Generales

• Conjunto de (alelos)parámetros se denomina (gen)

• Cadena de Valores (Cromosoma)• Conjunto de cromosomas (Genotipo)• Solución al problema (fenotipo)

ALGORITMOS GENÉTICOSDiagrama de Flujo de un AG

INICIO

Generar población Inicial

Evaluar Individuos

FINSeleccion

Cruce

Mutación

¿Individuo apto?

BEGIN /* Algoritmo Genetico Simple */

Generar una poblacion inicial.

Computar la funcion de evaluacion de cada individuo.

WHILE NOT Terminado DO

BEGIN /* Producir nueva generacion */

FOR Tamaño poblacion/2 DO

BEGIN /*Ciclo Reproductivo */

Seleccionar dos individuos de la anterior generacion,

para el cruce (probabilidad de seleccion proporcional

a la funcion de evaluacion del individuo).

Cruzar con cierta probabilidad los dos

individuos obteniendo dos descendientes.

Mutar los dos descendientes con cierta probabilidad.

Computar la funcion de evaluacion de los dos

descendientes mutados.

Insertar los dos descendientes mutados en la nueva generacion.

END

IF la poblacion ha convergido THEN

Terminado := TRUE

END

END

ALGORITMOS GENÉTICOSAlgoritmo Genético Simple

ALGORITMOS GENÉTICOSPoblación

Población

Los cromosomas pueden ser:– Cadenas de Bits (0101 ... 1100)– Números reales (43.2 -33.1 ... 0.0 89.2) – Permutación de elementos (E11 E3 E7 ... E1

E15)– Lista de reglas (R1 R2 R3 ... R22 R23)– Elementos de programación (programación genética)– ... Cualquier estructura de datos ...

reproducción

Población

Padres

Hijos

ALGORITMOS GENÉTICOSReproducción

Los padres son seleccionados de acuerdo a los siguientes metodos:

• Ruleta, • Torneo Deterministica• Torneo Probabilistica

modificaciónHijos

Hijos modificados

Modificación es activada estocásticamente

Los tipos de operadores son:MutaciónCrossover (recombinación)

ALGORITMOS GENÉTICOSModificación del Cromosoma

ALGORITMOS GENÉTICOSMutación

0 1 1 0 0 0 1

0 1 0 0 0 0 1

ALGORITMOS GENÉTICOSCruce de Un Punto

0 0 0 1 1 110 Padres

00 Hijo 1 1 001 1

ALGORITMOS GENÉTICOSCruce de Multi - Punto

0 0 0 1 1 110 Padre

00 Hijos 1 1001 1

ALGORITMOS GENÉTICOSCruce de Uniforme

0 0 0 1 1 11Pais0

Máscara 1 0 10

00 Filhos 1 1 001 1

ALGORITMOS GENÉTICOSCriterios de Parada

• Máximo de Generaciones – Solución aparece antes– Ciclos de Procesos innecesarios – Finaliza antes de alcanzar su

objetivo

• Convergencia Genética– 95% comparte el mismo valor de

gen– Pseudoaleatorio– Puede tomar demasiadas

evoluciones.

• Análisis del problema• Diseño del Cromosoma. • Implementación de la función

de Aptitud. • Selección de los operadores. • Desarrollo del prototipo. • Implementación del Prototipo.

Capitulo III: Marco AplicativoMETODOLOGÍA DE LOS ALGORITMO GENÉTICOS

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOAnálisis (1)

R1

(Alimentos)

Costo1

R2

(Alimentos)R3

(Alimentos)RN

(Alimentos)R4

(Alimentos)

Costo2 Costo3Costo4 CostoN

…NUT1 NUT2 NUT3 NUT4 NUTN

ABSTRACCIÓN DEL PROBLEMA

• Considerando 3 espacios vectoriales como ser: – Al (Alimentos)– Nu(Aporte en Nutrientes)– Co(Costo económico)

• Donde:

Al = (a1, a2, a3, a4, a5, …aN)

Nu = (n1, n2, n3, n4, n5, …, nM) donde M es Fijo

Co = (cP)

• Siendo

N = Numero de Alimentos

M = Numero de Nutrientes

P = Valor de Costo en Bs.


Se obtiene el conjunto de genes:

(1)

Se define que el conjunto ) estará definido por quedando la formula de la siguiente manera:

(2)


• Se define la estructura de la siguiente forma:

(3)

representa a un alimento

De esta forma, un recurso Rx es designada a un gen de cromosoma Desigp de la siguiente manera:

Si Rx = 0, representa un gen vacio

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOEstructura del Cromosoma (1)

Cabe recalcar que los valores de Rx

serán importados desde una base de datos para realizar su respectivo análisis

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOEstructura del Cromosoma (2)

• El conjunto de cromosomas representa una población a la cual denominaremos con el «conjunto P», donde se encuentran todos los individuos a ser utilizados, como se muestra a continuación:

(5)• Dónde:

P = Población

TP = Tamaño de la Población

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOLa Población

• Para realizar la evaluación se emplea una modificación del Fitness puro para los problemas de maximización y minimización.

• Dónde:

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOEvaluación (1)

𝑠 (𝑖 , 𝑗 )={ 𝑟 (𝑖 , 𝑡 )𝑚𝑖𝑛𝑖𝑚𝑖𝑧𝑎𝑐𝑖ó𝑛𝑟𝑚𝑎𝑥−𝑟 (𝑖 , 𝑡 )𝑚𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑐𝑖ó𝑛 (7)

s(i,j) = valor deseado para el individuo i en el caso jc(i,j) = valor obtenido para por el individuo i para el caso jNc = Número de casos.

• Para este caso se emplea la siguiente ecuación:


𝐸𝑣𝑎𝑙 (𝐷𝑒𝑠𝑖𝑔¿¿𝑝 )=∑𝑠=1

𝑇𝑐

¿¿ ¿

Dónde: = Costo del gen para el caso (s). = Costo máximo dela solución esperada.= función de aptitud para los nutrientes

Tc = Tamaño del Cromosoma

Lo que se desea obtener es la maximización de nutrientes y la minimización de costos que será expresada de la siguiente manera:

Para la minimización de costos:


Para la maximización de nutrientes se utilizara la siguiente ecuación:

Dónde: = Función de aptitud para nutrientes = Cota superior del error del fitness puro. = Aporte nutritivo esperados para el caso i

= Aporte nutritivo obtenido para el caso i. = Tamaño de los nutrientes del recurso para

el caso s


Reemplazando viii en vii obtenemos la función de aptitud del algoritmo genético:

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOSelección

El operador de selección se basado en el criterio de elitismo, el cual consiste en seleccionar el mejor cromosoma y presérvalo hasta que surja otro más apto.

Para la selección de los individuos se procederá a la selección por torneo, en el cual uno de los individuos resulta ganador, cual pasara a ser una posible solución y de la misma forma se procede con los demás individuos llegando a obtener la cantidad determinada de la población inicial

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOCruzamiento

Cruce de un punto

ANÁLISIS Y DISEÑO DEL ALGORITMO GENÉTICOMutación

DISEÑO DE LA INTERFAZ WEB DEL PROTOTIPOAnálisis de Requerimientos (1)

DISEÑO DE LA INTERFAZ WEB DEL PROTOTIPOAnálisis de Requerimientos (2)

DISEÑO DE LA INTERFAZ WEB DEL PROTOTIPOModelo de Presentación

Capitulo IV: Pruebas y ResultadosANÁLISIS Y RESULTADOS (1)

Se realizaron varias pruebas al algoritmo con diferentes parámetros, para verificar la funcionalidad del modelo, el cual genera diferentes resultados de acuerdo a los parámetros introducidos, se analizan dos casos:

Caso 1:Genero (G) = Adulto Mujer. Edad (E) = 18 – 30 añosPeso (P) = 53 Kg.Costo máximo a gastar (CG) = 15 Bs.

Tasa de

Efectividad %

Valor de Fitness Tiempo (s)

87.5 % 270.26 0.85

95% 270.40 6.868

95% 295.26 6.313

ANÁLISIS Y RESULTADOS (2)

Caso 2Genero (G) = Niño. Edad (E) = 6 añosPeso (P) = 20.4 Kg.Costo máximo a gastar (CG) = 20 Bs.

Tasa de

Efectividad %

Valor de Fitness Tiempo (s)

89.5 % 262.4 3.687

95% 302.51 6.348

97.5% 301.25 9.62

ANÁLISIS Y RESULTADOSMétrica Punto Función (1)

Número de entradas del usuario = 4 Número de salidas del usuario = 3 Número de consultas del usuario = 1 Numero de archivos = 2 Numero de interfaces externas = 2Además se emplea la siguiente ecuación:

(i)

Donde Fi (I = 1 a 14) son “los valores de ajuste de complejidad”. Para el propósito de nuestro cálculo, asumimos es 43 (un producto moderadamente complejo).

ANÁLISIS Y RESULTADOSMétrica Punto Función (2)

Factor de PonderaciónParámetro de

medición Cuenta x Simple Media Compleja =No de entradas

del usuario4 x 3 4 6 12

No de salidas del

usuario3 x 4 5 7 12

No de consultas

del usuario1 x 3 4 6 3

No de archivos2 x 7 10 15 14

No de interfaces

externas2 x 5 7 10 10

Cuenta Total 51

Por tanto el ajuste de punto función es: = 55.8

ANÁLISIS Y RESULTADOSValidación del Prototipo

ANÁLISIS Y RESULTADOSPruebas de Calidad (1)

Luego de obtener los resultados procedemos a mostrar la siguiente tabla con un resumen de las métricas obtenidas:

ANÁLISIS Y RESULTADOSPruebas de Calidad (3)

MétricasClases evaluadas

MaxNutMinCos MaxNutMinCosFuncionAptitud

Numero de Clases por Paquete

1 1

Numero de Métodos por Paquete

38 18

Número de líneas de Código

186 188

Numero de BloquesJavadoc

3 1

Número de Líneas de C 29 44

Complejidad Ciclomática

1.08 2.33

ANÁLISIS Y RESULTADOSEvaluación de la variable dependiente (1)

NroEfectividad del

Prototipo % Valor

esperado %X

1 95 90 5 1.96 3.8416

2 95 90 5 1.96 3.8416

3 93 90 3 -0.04 0.0016

4 95 90 5 1.96 3.8416

5 93 90 3 -0.04 0.0016

6 95 90 5 1.96 3.8416

7 93 90 3 -0.04 0.0016

8 91 90 1 -2.04 4.1616

9 95 90 5 1.96 3.8416

10 93 90 3 -0.04 0.0016

11 92 90 2 -1.04 1.0816

12 93 90 3 -0.04 0.0016

13 92 90 2 -1.04 1.0816

14 90 90 0 -3.04 9.2416

15 95 90 5 1.96 3.8416

16 95 90 5 1.96 3.8416

17 93 90 3 -0.04 0.0016

18 91 90 1 -2.04 4.1616

19 95 90 5 1.96 3.8416

20 90 90 0 -3.04 9.2416

21 92 90 2 -1.04 1.0816

22 90 90 0 -3.04 9.2416

23 95 90 5 1.96 3.8416

24 95 90 5 1.96 3.8416

25 90 90 0 -3.04 9.2416

= 86.96

Nivel de significación Para todo valor de probabilidad igual o menor que 0.05, se acepta Hi y se rechaza Ho. a = 0.05

Zona de rechazo Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Hi.

Calculo de los grados de libertad


Calculo de la media aritmética:

Calculo de la desviación estándar:

Cálculo del valor estadístico


El valor calculado u obtenido de t (7.98) se compara con los valores críticos de la distribución t (tabla), y se observa que a una probabilidad de 0.05 le corresponde 2.262 de t. Por lo tanto, el cálculo tiene una probabilidad menor que 0.05

Decisión Como t es de 7.98, con 24 grados de libertad, tiene un valor de probabilidad menor que 0.05 entonces se acepta Hi y se rechaza Ho.

Hi: El Modelo de Algoritmo Genético, es una Herramienta capaz de disminuir las deficiencias nutricionales a través de dietas que maximicen la cantidad de nutrientes y minimicen el costo económico

ANÁLISIS Y RESULTADOSEvaluación de la variable independiente (1)

Para la evaluación de la variable independiente «Modelo de Algoritmo Genético», empleamos la función exponencial que nos permitirá determinar el nivel de confiabilidad del Modelo considerando la siguiente escala:

A continuación realizamos la evaluación mediante la función exponencial.Sea:

80% - 100 % Si es muy satisfactorio.51% - 79% Si es satisfactorio.10% - 50% No cumple con los requisitos.


Dónde: Representa el número de diagnósticos acertados t : es el tiempo que trabaja el Modelo de Algoritmo Genético

Si el sistema empieza a trabajar en el instante

P [T ≤ 𝑡 ]=F (t)Por tanto la probabilidad de trabajo sin fallas del sistema en el tiempo t es:

De los resultados obtenidos por el Modelo de Algoritmo Genético tenemos que de 25 dietas generadas el Modelo fallo en 4, para un tiempo de trabajo de 3 meses


La confiabilidad del Modelo de Algoritmos Genético para Maximizar Nutrientes y Minimizar Costos será:

= 0.92

Lo cual indica que el modelo de algoritmo genético es un 92% confiable

ANÁLISIS Y RESULTADOSEvaluación de las variable independiente y dependiente

VARNOMBRE DE

LA VARIABLEINDICADOR

INSTRUMEN

TOVALOR INTERPRETACIÓN

VI

Modelo de

Algoritmo

Genético

Medir el

porcentaje de

confiabilidad del

Modelo de

Algoritmo

Genético

Función

Exponencial

Nivel de

Confiabilidad

92%

La escala muy

satisfactoria esta entre el

rango de (80% - 100%),

la confiabilidad del

Modelo de Algoritmo

Genético es de 92%

VD(Y1)

Dietas que

maximicen la

cantidad de

nutrientes y

minimicen los

costos

económicos.

Nivel de confianza

de la dieta

generada

Prueba “t”

Student7.98

El valor calculado de “t”

es de 7.98, resulta ser

superior al valor de la

tabla, con un nivel de

confianza de 0.05

Después de analizar los resultados obtenidos en el análisis de la variable dependiente y el de la variable independiente concluimos que se acepta la hipótesis, ya que el modelo de algoritmo genético es una herramienta que disminuye las deficiencias nutricionales a través de dietas que maximizan la cantidad de nutrientes y minimizan los costos económicos, con un nivel de confianza mayor al 92%.

ANÁLISIS Y RESULTADOSEstado de la Hipótesis

Capitulo IV: Conclusiones y RecomendacionesConclusiones (1)

PROBLEMA GENERAL

¿El Modelo de Algoritmo Genético; será capaz de minimizar las

deficiencias nutricionales al brindar dietas que maximicen el consumo de

nutrientes y minimicen costos, de esta forma, mejorar la salud integral,

de la población de la ciudad de El Alto?


Objetivo General CumplidoEl capítulo 3 presenta el análisis, diseño e implementación del modelo de algoritmo genético. En los puntos 4.1 y 4.2 del capítulo 4 se efectuó la verificación del conocimiento a través de las pruebas de calidad efectuadas al modelo de algoritmo genéticoCuyo resultado es adecuado para los fines perseguidos, por consiguiente se construyó un modelo de algoritmo genético que maximice nutrientes y minimice costos


“Recolectar datos sobre recursos disponibles en el área y el costo de los mismos en el mercado o centros de abasto, además del aporte nutricional que brinda cada uno de ellos; dentro del área del caso de estudio los cuales serán empleados como datos para el algoritmo genético”

Aspecto que se cumple en el punto 4.1 y se puede observar los datos recolectados en el anexo D.


”Recolectar información sobre sugerencias nutricionales para la población de la ciudad del Alto, estos serán empleados como parámetros de trabajo del modelo de algoritmo genético”

Aspecto que se cumple en la elaboración del prototipo, en la evaluación del mismo y los datos obtenidos puede ser observado en el anexo C.


“Obtener información del especialista en nutrición, estos datos serán comparados con los datos obtenidos del modelo de algoritmo genético”,

este aspecto se cumple en el punto 4.2 y 4.3 del capítulo 4, para cumplir con este objetivo se recurrió a la Carrera de Nutrición y Dietética, donde se obtuvo información sobre nutrición en niños, adolescentes y adultos según los parámetros con los que trabaja el modelo de algoritmo genético, peso, edad y sexo.


“Analizar, diseñar y desarrollar de un prototipo del modelo de algoritmo genético que maximice nutrientes y minimice costos”

Este aspecto se cumple en capítulo 3, en el punto 3.3, donde se realiza el análisis, se plantea la estructura del cromosoma, la población con la que se trabajara, los métodos de evaluación, selección, cruzamiento y mutación. Todo esto siendo implementado en el lenguaje de programación Java.


“Analizar, diseñar y desarrollar una aplicación Web, en la cual se integre el modelo de algoritmo genético, de tal manera que se facilite el uso al usuario final ”

Este aspecto se cumple en el punto 3.4 del capítulo 3, donde empleando le ingeniería Web basada en el lenguaje unificado (UWE-UML), cumpliendo con todos los pasos que plantea este método de ingeniería, se procede a la implementación usando la tecnología Jsp en el entorno de desarrollo de software NetBeans, usando como gestor de base de datos a MySql y como servidor a GlassFish Server.


“Evaluar el modelo de algoritmo genético propuesto para validar la hipótesis”,

Este aspecto se cumple en el punto 4.1 y 4.2 donde se realiza la evaluación del modelo de algoritmo genético como el de las variables dependiente e independiente para evaluar la hipótesis planteada.

Capitulo IV: Conclusiones y RecomendacionesRecomendación (1)

• Se recomienda que para la implementación del sistema se utilice recomendaciones del área de estudio.

• Para obtener los mejores resultados se sugiere agregar a la base de datos de recursos, aquellos alimentos más económicos como ser quinua, lentejas, menudencias y no alimentos como fideos y alimentos procesados.

• Las dietas que ofrece el modelo son generadas en base a la maximización de nutrientes y minimización de costos, se recomienda que estas sea supervisadas por expertos nutricionistas.

Capitulo IV: Conclusiones y RecomendacionesRecomendación (2)

• El sistema solo puede ofrecer dietas en base a sus valores nutricionales, para que estas sean más apetitosas para el usuario se recomienda realizar un estudio para resolver este problema.

• Realizar un estudio sobre el tamaño de la población y la cantidad de evoluciones que debe utilizar el modelo al implementarse en una determinada región, ya que esto influye en el comportamiento del algoritmo genético y la ejecución del sistema.

Sesión de preguntas

Education

Modelos de Algoritmo Genetico