Fase 3 (no recuerdo como se llama el equipo)

Esta es nuestra primera entrada del semestre. Este es el proyecto de las quinielas de basquetbol.

Fase 3
Proyecto Final

a. Breve descripción del medio ambiente.

En esta etapa del proyecto nos enfocamos en la utilización de un algoritmo genético para maximizar la probabilidad de ganar una quiniela deportiva. El programa deberá escoger una combinación que contenga los partidos con mayor probabilidad de ganar. En este programa se seleccionará un grupo de 5 partidos.

b. Descripción detallada del problema de optimización – da al menos un ejemplo en donde se vea por qué es un problema de optimización.

El problema de optimización es buscar la mejor combinación que permita al usuario tener mayor éxito al apostar. Un ejemplo de dos combinaciones de partidos sería:

- {chi,mia,ny,orl,hou}
- {chi,mem,tor,por,gst}

En las combinaciones anteriores solo se consideran algunos equipos. El Algoritmo Genético busca la mejor combinación entre un conjunto de todos los equipos de la semana.

c. Solución planteada al problema utilizando la técnica de Algoritmos Genéticos. Describe con detalle cada elemento del planteamiento:

i. Codificación del cromosoma.

Cada cromosoma tendrá la siguiente forma:

- {X1,X2,X3,X4,X5}

Cada X representa un equipo diferente que además tiene una probabilidad de ganar una apuesta.

De un ejemplo de un robot al decodificar.

{orl,mia,dal,ny,ind}
Donde las probabilidades de cada uno son {50%,55%,75%,53%,48%}

ii. Función a minimizar o maximizar. ¿Cómo se calcula?

Se calcula con la sumatoria de las probabilidades de cada partido.

iii. Forma de hacer la reproducción.

Se eligen los pares que se van a reproducir al azar.

iv. Forma de hacer el crossover.

Se elige un punto dentro del cromosoma a partir del cual se hará el crossover. La selección del punto es al azar. Por ejemplo {X1,X2,X3 | X4,X5}

v. Forma de hacer la mutación.

La mutación ocurre con un valor de 0.01 y cuando ocurre cambia uno de los valores de un cromosoma por otro valor del conjunto de equipos.

vi. Ejemplo de una generación de 4 elementos en la población.

- {chi,mia,ny,orl,hou}
- {la,okc,tor,por,gst}
- {ind,sac,phi,san,dal}
- {chi,mem,tor,por,gst}

d. Conclusiones después de la programación.
El principal problema que tuvimos durante esta etapa del proyecto es que nuestro problema es muy pequeño y simple para el uso de algoritmos genéticos. Consideramos que el conjunto de datos sobre el cual trabaja el algoritmo es muy pequeño. Sin embargo fue una buena experiencia poner en práctica varios de los conceptos vistos en clase.