Seminarios de investigación en tecnología. Carrera de Arquitectura. Semestre Primavera 2022

Seminarios de investigación en tecnología – Semestre Primavera 2022 248 espacio de búsqueda que tienen aptitudes óptimas (Rutten, 2010). Si el problema tiene muchos óptimos separados (es decir, si la función de aptitud es multimodal), encontrar una solución globalmente óptima (la cima de la montaña más alta) en el paisaje puede ser extremadamente difícil. Hay cuatro familias principales de algoritmos evolutivos que se utilizan hoy en día, tres de las cuales se desarrollaron de forma independiente hace más de treinta años. Estos algoritmos son: el Algoritmo Genético (AG) creado por John Holland (1973), Programación Evolutiva (PE) creado por Lawrence Fogel (1963), Estrategias de Evolución (ES) creadas por Ingo Rechenberg (1973) y Programación Genética (GP) desarrollada por John Koza (1992). En este estudio se ocuparán algoritmos genéticos creados por Holland. Así mismo, para poder entender en detalle el proceso computacional del diseño generativo, en la próxima sección se presentará, en la visión de distintos autores, el programa a utilizar y su estructura. Algoritmos Genéticos El proceso fundamental que computan los algoritmos es la optimización. Entendiendo este concepto como el proceso de hacer algo mejor, en donde el diseñador concibe una idea y la optimización la mejora probando variaciones sobre un concepto inicial (Haupt, Haupt. 2004). Además, ellos proponen que los AG tienen ventajas como: optimización con variables continuas o discretas, búsqueda simultánea de distintas opciones de soluciones, puede trabajar con muchas variables al mismo tiempo y optimizan variables complejas. Así mismo, se trabaja con datos generados numéricamente, datos experimentales o funciones analíticas. Eiben y Smith (2015) propusieron que los algoritmos genéticos son lentos y para problemas de alta complejidad pueden ser costosos en términos de tiempo y recursos; dependiendo de los parámetros la evaluación, los algoritmos podría no llegar a una solución óptima o terminar en una solución prematura y la “mejor” solución solo es en comparación a otras soluciones, por lo que es necesario tener criterios definidos para la evaluación final. Al respecto, el proceso de optimización explicado por Rutten (2010) establece que primero se trabaja con un modelo (problema) y con variables (genes) que van cambiando el estado inicial de dicho modelo, entregando una población de soluciones candidatas (generación) las que se componen por individuos o fenotipos. Cada solución candidata tiene un conjunto de propiedades, que son valores específicos para cada uno de los genes, para ser mutados o alterados. En estas propiedades es donde se aplica la aptitud o “fitness” antes mencionada, para encontrar o acercarse a la solución más adecuada o de mayor calidad. Los algoritmos genéticos se encuentran incorporados en el plugin Galapagos, que opera dentro del ambiente de programación visual Grasshopper, que a su vez funciona dentro del software Rhinoceros. En este estudio se ocupa Galapagos por dos razones: primero, el problema de investigación analiza el diseño generativo en la etapa inicial del proceso de diseño, siendo esta abstracta. En segundo lugar, el proceso de evaluación con sintaxis espacial teoriza en el estudio de vacíos, esquemas geométricos, dejando en segundo plano,