Calcular distancias evolutivas, como la distancia de inversión o la distancia de doble corte y unión, entre las órdenes del gen de dos organismos es un problema combinatorio complejo. Este escenario puede ser aún más complicado si queremos construir árboles filogenéticos, ya que la mayoría de los enfoques en la literatura primero resuelve el problema mediano para tres genomas, que se demostró que es NP-Hard para varios modelos evolutivos. En este trabajo, proponemos varios algoritmos evolutivos para el problema de ordenar permutaciones (sin signo) por inversiones, cuya salida es la distancia de inversión. Estos algoritmos se basan en un algoritmo genético simple, en el que se integraron diferentes heurísticas, como la búsqueda local, el aprendizaje basado en la oposición y la eliminación de puntos de interrupción. Los experimentos se realizaron utilizando diferentes tipos...

Ordenación de permutaciones por reversiones es uno de los problemas más desafiantes relacionados con el análisis de la distancia evolutiva entre organismos. En el caso de permutaciones con signo, el problema puede ser resuelto en tiempo lineal, sin embargo en el caso de permutaciones sin signo el problema fue demostrado que es NP-Hard. En este trabajo se ha propuesto un algoritmo genético (AG) para resolver el problema de ordenación de permutaciones sin signo. Este enfoque está basado en el método propuesto por Auyeung y Abraham que usa soluciones exactas para el caso de permutaciones con signo para resolver la versión del problema sin signo. Además, fue propuesto un AG mejorado que usa una heurística de eliminación de puntos de quiebra antes de la primera generación. Diversos experimentos fueron realizados tomando como entrada permutaciones generadas aleatoriamente. Ya que m...

Clustering es una técnica popular de análisis de datos para identificar grupos homogé¬neos de objetos basado en los valores de sus atributos, utilizado en muchas disciplinas y aplicaciones. En este trabajo utilizamos el algoritmo de optimización basado en el compor¬tamiento social de las arañas (SSO) para optimizar grupos de datos tomando como métrica la suma de distancias euclidianas. El algoritmo SSO, propuesto por Cuevas et al., se basa en la simulación del comportamiento social cooperativo de las arañas. Los individuos usa¬dos en este algoritmo son arañas (macho y hembra) que interactúan entre sí basados en el comportamiento cooperativo de una colonia de arañas; este comportamiento es la directriz para el funcionamiento de este algoritmo. En este trabajo el algoritmo SSO fue analizado, adaptado e implementado para optimizar el problema de Clustering. Para efectos de co...