MINERÍA la mejor puerta de acceso al sector minero EDICIÓN 580 / ENERO 2026 52 En un enfoque FGA típico, los elementos del sistema difuso son codificados como individuos dentro de una población evolutiva, los cuales se someten a un proceso iterativo de mejora utilizando operadores genéticos. Los principales conceptos que estructuran un algoritmo FGA son: Individuos: representaciones codificadas de una solución candidata (por ejemplo, los parámetros de funciones de membresía o reglas difusas). Población: conjunto de individuos evaluados y evolucionados en cada generación. Función de aptitud (fitness): métrica que evalúa el rendimiento de cada individuo, generalmente a partir del error cuadrático medio (MSE), precisión o alguna otra métrica objetivo. El proceso de un FGA puede resumirse en los siguientes pasos: 1. Inicializar una población aleatoria de individuos. 2. Evaluar el desempeño de cada individuo mediante la función de aptitud. 3. Seleccionar a los individuos con mejor desempeño. 4. Aplicar operadores genéticos (cruce, mutación) para generar nuevas soluciones. 5. Repetir el ciclo hasta alcanzar un criterio de parada, como una generación máxima o una mejora mínima. Para la implementación práctica de este enfoque, se utilizó la librería Distributed Evolutionary Algorithms in Python (DEAP), una herramienta ampliamente reconocida por su versatilidad para desarrollar algoritmos evolutivos personalizados. DEAP fue introducida por Fortin et al. (2012) y se caracteriza por su Tabla 5. Comparación entre Modelos FIS, ANFIS y FGA Criterio Motor Difuso (FuzzyLite) Motor Neurodifuso (ANFIS) Motor Genético Difuso (FGA) Modelo base Takagi-Sugeno (definido manualmente) Takagi-Sugeno (aprendido automáticamente) FIS optimizado mediante GA Fuente de información Experto humano (reglas definidas manualmente) Datos históricos (entrenamiento supervisado) Datos históricos (optimización evolutiva) Entrenamiento No requiere (solo definición de reglas y membresías) Requiere entrenamiento (gradiente descendente) Requiere evolución de poblaciones (DEAP) Adaptabilidad Limitada (reglas fijas) Alta (ajuste de parámetros de funciones de membresía) Alta (optimiza funciones y relaciones mediante evolución) Dependencia de parámetros iniciales Alta (definición experta es crítica) Media (requiere valores iniciales, pero aprende) Baja (evoluciona desde poblaciones aleatorias) Tipo de salida Determinística (funciones lineales en Takagi-Sugeno) Aproximación funcional (regresión difusa) Aproximación funcional (por coeficientes optimizados) Librerías utilizadas Fuzzylite PyTorch, Simpful DEAP Nota. Extraído de Almeyda (2025). Figura 6. Diagrama de flujo de la unidad minera.
RkJQdWJsaXNoZXIy MTM0Mzk2