La función de aptitud es una función real o entera de una o más variables, que está sujeta a optimización como resultado del trabajo de un algoritmo genético , dirige la evolución hacia la solución óptima. Es uno de los casos especiales de la función objetivo .
Obtuvo su nombre de la genética . Le permite evaluar el grado de aptitud de individuos específicos de la población y seleccionar los más aptos entre ellos (es decir, aquellos con los valores máximos de la función de aptitud) de acuerdo con el principio evolutivo de la supervivencia del más apto.
En el campo de la programación genética y los algoritmos genéticos, cada solución bajo investigación generalmente se representa como una cadena de números o caracteres (llamada cromosoma ). La idea principal es que después de cada ronda de prueba o simulación, elimine las n soluciones peor estudiadas (cromosomas) e introduzca n nuevas soluciones (cromosomas) en la población. Para implementar este método, cada solución investigada debe corresponder a un valor determinado, que indica qué tan cerca se acerca la solución al valor deseado, el valor especificado se obtiene aplicando la función de aptitud . A pesar de que el algoritmo se dedica a la búsqueda de la solución óptima, la dirección principal en la búsqueda la da una persona que debe determinar la función de aptitud . Si está mal diseñado, el algoritmo convergerá en una solución subóptima o tendrá dificultades para converger en una solución.
La función de aptitud no solo debe correlacionarse estrechamente con la solución deseada, sino también calcularse rápidamente. La velocidad de ejecución es muy importante, ya que un algoritmo genético típico debe repetirse muchas veces (a partir de 1000 iteraciones (generaciones)) para encontrar una solución a un problema no trivial.
La función de aptitud tiene una fuerte influencia en el funcionamiento de los algoritmos genéticos y debe tener una definición precisa y correcta. En los problemas de optimización , la función de aptitud suele optimizarse (maximizarse) y se denomina función objetivo . En los problemas de minimización, la función objetivo se transforma y el problema se reduce a la maximización.
En teoría de control , puede tomar la forma de una función de error , y en teoría de juegos , puede tomar la forma de una función de costo . En cada iteración del algoritmo genético, la aptitud de cada individuo de una población determinada se estima utilizando la función de aptitud y, en base a esta evaluación, se crea la siguiente población, que constituye un conjunto de soluciones potenciales [1] .
La función de fitness convierte el espacio de estado en un paisaje de fitness (paisaje adaptativo)[ término desconocido ] donde cada punto en el espacio tiene una cierta "altura", según su valor de aptitud.