1 Un Algoritmo Genético Fijo para solucionar el problema de Asignación de Canales L.E. Ruiz y C.I. Páez, Member, IEEE Resumen—En el presente artículo se expone una solución al Problema de Asignación de Canales (CAP) sujeto a una demanda especificada por el diseñador y bajo las restricciones de interferencia electromagnética Co-canal, Adyacente y Co-Site. La solución fue realizada con un Algoritmo Genético Fijo (AGF) con operadores de cruce fijo, mutación fija, reinserción y con un algoritmo de búsqueda local. Se encontró que la función de asignación de Aptitud de Jerarquía no lineal, el operador de Reinserción basada en Aptitud y el algoritmo de búsqueda local, mejoran sustancialmente la convergencia del problema y la velocidad de ejecución. Índice de Términos—Algoritmo Genético, Diseño de Redes Celulares, Asignación de Canales. I. INTRODUCCIÓN D EBIDO a la demanda creciente de los servicios que involucran acceso a radio frecuencia y a la característica limitada de este espectro, surge la necesidad de implementar algoritmos eficientes que satisfagan las restricciones de interferencia electromagnética, para la asignación compartida de estos recursos. La solución de este problema es de complejidad dura No-Polinómica [1] y ha sido solucionado en las dos últimas décadas con métodos de optimización basados en Grafos [2,3], Métodos Heurísticos [4,5], Redes Neuronales [6,7,8] y Algoritmos Genéticos (AG) [9,10,11]. Los AG fueron formulados por primera vez en la década de los 70 por Holland, quien tuvo su inspiración en la Evolución Biológica. Éstos han sido utilizados desde las dos últimas décadas con resultados aceptables para la solución de problemas complejos, como la generación de música, la síntesis de dispositivos electrónicos y algunas estrategias de planeación [11]. Los AG se consideran una técnica de búsqueda global estocástica, que a través de los operadores genéticos aplicados a una población encuentra las posibles soluciones de un problema [12]. Las principales diferencias de los AG con respecto a los métodos de búsqueda tradicional, se encuentra entre otras, en la utilización de estrategias que permiten operar Este trabajo hace parte de los resultados parciales obtenidos por el grupo de investigación en Optimización en Telecomunicaciones de la FUSM (Fundación Universitaria San Martín), Bogotá - Colombia. L.E. Ruiz email: luiseduardoruiz@hotmail.com C.I. Paez. email: car-paez@ieee.org sobre múltiples soluciones, la utilización de estrategias evolutivas basadas en reglas de transición probabilística, la codificación de los parámetros de entrada y la eliminación de estrategias basadas en derivadas [13]. La eficacia de los AG para dar solución a problemas ha permitido encontrar respuestas vitales en diseño de telecomunicaciones, como la asignación de recursos a nivel de sistema (canales, frecuencias, enlaces), el diseño de topologías de red fija, la localización de estaciones base, la gestión de la movilidad de los usuarios, la gestión de las llamadas, la estrategia de detección multiusuario en CDMA, el diseño de las tramas en TDMA y ecualización de canales [11]. El desafío de la comunidad científica en esta área, se encuentra en diseñar, comprobar e innovar en los siguientes aspectos, para incrementar la efectividad y el tiempo de convergencia en los resultados. Obtener una representación eficiente de la población de individuos. Implementar una función de costo que represente de forma exacta y simple el problema. Escoger, concebir, modificar y/o definir los operadores genéticos y sus parámetros. Elegir una técnica de búsqueda local para obtener mejores resultados, especialmente en los problemas de optimización combinatoria. Obtener una adecuada representación del problema, para evitar que éste se convierta en un AG difícil. [1,14]. En el siguiente trabajo se presentan los resultados parciales encontrados en la solución y el modelo del problema de asignación de canales (CAP) con la técnica basada en AG. A continuación, en la sección II se presentará la formulación general del problema por medio de un AG. En la sección III, se presentará el modelo realizado para solucionar el CAP basado en el trabajo realizado por C.Y. Ngo y V.O.K. Li en la referencia [10]. En la sección IV se mostrarán los resultados de evaluar diferentes operadores genéticos y diferentes técnicas de optimización local. Por último, en la sección V se concluirá acerca de las mejores políticas encontradas en el AGF y cómo el grupo de investigación continuará trabajando en el área. II. FORMULACIÓN DEL PROBLEMA ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004. 2 El problema de asignación de canales en una red celular FCA [15] ha sido trabajado por medio de AG en [9,10,11], modelando diferentes representaciones del problema, diferentes operadores genéticos y diferentes algoritmos de búsqueda local fina. A continuación se realizará una breve descripción de un algoritmo genético simple, la formulación matemática del problema CAP y una descripción de la función de costo. A. Algoritmos Genéticos Simples Asociado al concepto de los Algoritmos Genéticos se encuentran una serie de términos que serán aclarados en la Tabla I. TABLA I TERMINOLOGÍA UTILIZADA EN ALGORTIMOS EVOLUTIVOS Fig. 2. Seudo código del AGS. El resultado final de la evaluación de este algoritmo, son los individuos más aptos para su ambiente. El criterio de finalización puede ser por el número de generaciones o por cumplimiento de un determinado umbral en el Fitness, entre otros. B. Formulación General del problema de Asignación de Canales En el problema particular de una red compuesta por N celdas distribuidas geográficamente en forma disyunta (Fig. 3), se desea asignar canales que cumplan las restricciones de compatibilidad electromagnética y los requerimientos de tráfico. Una posible representación de un individuo codificado (fenotipo) puede ser por medio de un vector tipo fila, como se observa gráficamente en Fig. 1. Fig. 1. Posible representación del fenotipo. La representación original implementada por Holland consistió de individuos conformados por cromosomas en los cuales cada gen estaba formado por Alelos binarios. Un Algoritmo Genético Simple (AGS) es un algoritmo sencillo con solo dos operadores (cruce y mutación) que logra en la mayoría de los casos soluciones factibles a los problemas planteados. Para la aplicación de un AGS [14] se debe primero encontrar una representación válida de los individuos (fenotipo) y definir un ambiente para esta representación (Función de Costo). También se debe escoger una política de selección, y los operados válidos de cruce y mutación. Un algoritmo que resume el AGS, se describe en la Fig. 2. Fig. 3. Topología básica de una red celular y su representación analítica básica. El vector tipo fila D = [dj]1xN representa la demanda de canales de la j-esima celda. La matriz simétrica C = [Cik]NxN representa las restricciones de compatibilidad electromagnética. El número Cik, representa la distancia de separación de canales mínima entre las celda i y la celda k. Estas restricciones pueden representar en una red celular, la distancia de separación de canales entre celdas adyacentes (ACC), la distancia de separación de los canales asignados en la misma celda (CSC) y la distancia de separación de canales que están en diferente cluster (CCC). La solución del problema anterior (Genotipo) es representada [7] por medio de un matriz F = [fim]NxM, donde M es el número de canales asignados a toda la red celular y N el número de celdas totales. Se utilizará la siguiente representación binaria para las posiciones de la matriz F: f im 1 , si _ el _ canal = el canal 0 si _ m _ es _ asignado m no es asignado a _ la _ celda _ i C. Descripción de la función objetivo La función objetivo que representa el número de infracciones en la asignación de canales para las celdas de toda la red es caracterizada por la función de costo (1) [6]. El ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004. 3 primer término de (1) representa la interferencia ACC y CCC (2). El segundo término de (1) representa la interferencia CSC (3). El último término de (1) representa el número total de violaciones de la restricción de canales solicitada por cada celda (4). ACC _ CCC ( F , C ) + CSC ( F , C ) (1) C (F , C , D) = + dem ( F , D ) n m ACC _ CCC ( F , C ) = ∑∑ ( i =1 p =1 ∑ ∑ n q = p + ( c ij −1) j =1 j ≠i Cij > 0 q = p −( cij −1) 1≤ q ≤ m p + (Cii −1) CSC (F , C ) = ∑∑ ∑ f iq f ip i =1 p =1 q = p − ( Cii −1) q≠ p 1≤q ≤ m n f jq ) f ip garantizar una correcta codificación, se adicionan Ckk-1 alelos de valor 0 al final de la antigua representación. La representación final del k-ésimo Gen contiene M + Ckk-1 dk(Ckk-1) Locus en total (Fig. 5). (2) m dem( F , D) = ∑ ∑ f iq − d i i =1 q =1 n m (3) 2 (4) III. SOLUCIÓN IMPLEMENTADA Con miras a simplificar la función objetivo y a incrementar la convergencia de la solución, se implementó un algoritmo genético híbrido compuesto por un AG Fijo (AGF) con un algoritmo de búsqueda local [10]. En el AGF se codifica a los individuos por medio de un esquema de mínima separación [10], razón por la cual se debe aplicar operadores genéticos especiales que garanticen dicha representación para cada generación. A continuación se detallan las simplificaciones, los operadores genéticos y funciones de búsqueda local evaluadas y/o implementadas. A. Representación de los Individuos en el AGF (Fenotipo) El individuo se representa por un único cromosoma formado por N Genes. El k-ésimo Gen representa una posible solución para la celda k, que satisface la demanda y la restricción CSC. La primera limitante es satisfecha al garantizar que la sumatoria de los Alelos que toman el valor ‘1’ es igual a la demanda necesaria en esa celda. La segunda restricción, se garantiza al exigir que en cada Gen, todos los Alelos de valor ‘1’ están separados uno de otro, como mínimo por Ckk-1 Alelos de valor ‘0’ (ver Fig. 4). Fig. 4. Gen k-ésimo de un Cromosoma sin codificación de Mínima Separación. La codificación de Mínima Separación de este gen, consiste en agrupar los Alelos de valor ‘1’ con (Ckk-1) Alelos consecutivos de valor ‘0’, para producir una nueva representación del Gen y por ende un nuevo cromosoma. Para Fig. 5. Representación de un Gen, codificado con mínima separación. B. Algoritmo Genético Fijo (AGF) En el algoritmo AGF implementado se utilizaron los operadores especiales de Cruce y Mutación fija, para garantizar que el número de Alelos con valor ‘1’ en cada Gen permaneciera constante de individuo a individuo. Gracias a esta característica se garantiza que las restricciones de demanda y de CSC siempre se cumplen, simplificando la función objetivo a solo la expresión (2). Adicionalmente, se evaluaron diferentes esquemas de reinserción y de búsqueda local, con el objetivo de mejorar la convergencia del problema. El seudocódigo del AGF implementado se ilustra a continuación: AGF { Generar Población inicial Evaluar la función Objetivo Calcular la representa Fenotipo Asociar función de Aptitud MIENTRAS (Número Generaciones < Umbral o C(F) diferente cero) { Seleccionar Individuos Calcular Codificación Mínima Separación Aplicar Operador de Cruce Genético Fijo Aplicar Operador de Mutación Genética Fija Calcular el Genotipo Aplicar el Algoritmo de Búsqueda Local Calcular la representa Fenotipo Asociar función de Aptitud Aplicar Reinserción } Individuos más Aptos (Resultado encontrado) } C. Esquemas de Asignación de Aptitud Se evaluaron dos diferentes estrategias de Asignación de Aptitud, a saber: el método basado en jerarquía lineal y el método basado en jerarquía no lineal. En ambos métodos se ordenan los individuos del menos apto al más apto, analizando el desempeño de éstos con respecto a su ambiente. En el caso lineal, se asigna el valor de Fitness dado en (5) y en el caso no lineal el valor de Fitness dado en (6), donde Nind es el número de individuos y j es la posición ordenada de éstos. El ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004. 4 valor SP representa la presión de seleccionar los mejores individuos (Selective Pressure). 2( SP − 1)( j − 1) Fitness ( j ) = 2 − SP + con 1 ≤ SP ≤ 2 (5) Nind − 1 Nind ⋅ X j −1 Fitness ( j ) = Nind con 1 ≤ SP ≤ Nind − 2 (6) k −1 X ∑ k =1 donde X, es calculado como la raíz del polinomio: 0= Nind ∑a k =1 k −1 x k −1 (7) Fig. 7. Comparación entre los criterios RW y SUS. Un ejemplo de una asignación de aptitud es mostrado en la Fig. 6 con 11 individuos. La ventaja de la asignación no lineal es que permite con valores pequeños de SP, darle una mayor probabilidad a los individuos menos aptos de ser escogidos y con valores de SP grandes, permite asignar una mayor probabilidad de escoger solo a los individuos más aptos. Valor del Fitness Esquema de Asignación de Aptitud (SP=2.0) 2.5 2 Lineal 1.5 No lineal 1 0.5 0 1 2 3 4 5 6 7 8 9 10 11 Posición ordenada de los individuos Fig. 6. Comparación de la Asignación de Aptitud Lineal versus la no lineal. D. Política de Selección Los individuos escogidos para la reproducción son seleccionados de acuerdo a dos diferentes estrategias [12] a saber: Política de la Rueda de la Ruleta (Roulette Wheel RW) y la Política de Muestreo Universal Estocástico (Stochastic Universal Sampling - SUS). En ambos métodos se organizan los individuos de acuerdo a su función Fitness normalizada, en un círculo con un rango de ángulos bien definidos. En el criterio RW, se generan K ángulos aleatorios uniformemente distribuidos en el intervalo 0 a 360 grados y se escogen los K individuos que sean seleccionados en la rueda. En el criterio SUS, se genera un solo ángulo aleatorio θ1 uniformemente distribuido en el intervalo 0 a 360/K grados. Se genera los K ángulos por medio de la relación rθ1, con r = 1,...K y se escogen los K individuos que sean seleccionados en la rueda. En la Fig. 7 se puede observar un ejemplo seleccionando 4 individuos de la población (K=4) . Como se observa en la Fig, 7, el criterio SUS proporciona más selectividad que el criterio RW, cuando se encuentra un individuo muy bueno permitiendo que la solución converja rápidamente. Sin embargo, este hecho puede ser un problema ya que se puede quedar el algoritmo en mínimos o máximos locales y la única forma de salir de ellos sería por medio del operador de mutación. E. Operadores Genéticos utilizados El operador genético de Cruce Fijo implementado fue inspirado por [10], siendo modificado el algoritmo para no utilizar una pila y seguir manteniendo la misma complejidad computacional. En este operador, se toman dos padres representados por los cromosomas CH1 y CH2 y se genera la descendencia a partir de encontrar un Locus inicial y final aleatorios, e intercambiar el material genético siguiendo el algoritmo descrito a continuación. Operador de Cruce Fijo { MAX_locus = Número Máximo de Locus de CH1 LOCUS_inicial = U [0, MAX_locus] LOCUS_final = U [0, MAX_locus - LOCUS_inicial ] PARA i = LOCUS_inicial hasta LOCUS_final { SI (CH1( i ) XOR (CH2( i )) )AND (CRUCE = FALSE) { TempI = i; CRUCE = TRUE } SINO SI (CRUCE = TRUE) { SI ( CH1(i) XOR CH2(i) ) AND (CH1(TempI) XOR CH1 (i)) { CH1(TempI) = / CH1(TempI ); CH1 (i) = / CH1(i) CH2(TempI )= / CH2(TempI ); CH2 (i) = / CH2(i) CRUCE = FALSE } } } El operador Genético de Mutación fija reemplaza solo un par de locus, de tal forma que el alelo CH1(i) es intercambiado con el alelo CH1(j), si se cumple que CH1(i) XOR CH1(j) = 1. Este par de operadores genéticos especiales, fueron diseñados por [10] para garantizar que los descendientes tengan un número total de Alelos de valor ‘1’ igual al de los ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004. 5 padres y por ende, la descendencia cumple con la codificación de mínima separación y por consiguiente cumple con los requerimiento de la demanda y la restricción CSC. Estos operadores son aplicados a los individuos seleccionados con cierta probabilidad, que para el caso de mutación se denomina Pm y para el caso de cruce se denomina Px. F. Operador de Reinserción La descendencia producida por los operadores genéticos de cruce y mutación es reinsertada para producir una nueva población, utilizando alguno de los siguientes esquemas: Reinserción uniforme o Reinserción basada en aptitud. En el primer esquema de reinserción, se genera una nueva población reemplazando de forma aleatoria los padres por la descendencia. En el segundo esquema de reinserción, una nueva población es generada reemplazando a los padres menos competentes por la descendencia más apta. En la Fig. 8, se puede observar los dos esquemas utilizados. un porcentaje de descendientes de 40%, una probabilidad de mutación de 1%, una probabilidad de cruce del 95% y el método de selección SUS. En las figuras a continuación se analizan los resultados con diferentes individuos por generación, los dos diferentes esquemas de reinserción y de asignación de aptitud. Los resultados encontrados al comparar los operadores de selección (RWS y SUS) y los algoritmos de búsqueda local no fueron contundentes. En la Fig. 9 se observa los mejores datos obtenidos de la función de costo versus el tiempo de la simulación considerando una cantidad de 5, 15, 30, 45 y 60 individuos por generación. Se simuló durante 5 horas (18000 seg) por resultado y la gráfica suministra la información solo del intervalo de tiempo necesario para que la función de costo converja. Fig. 9. Convergencia de la Función de Costo versus el tiempo de la simulación. Fig. 8. Ejemplo de los esquemas de Reinserción utilizados. G. Búsqueda local Con el fin de incrementar la convergencia del problema se implementaron dos estrategias para mejorar localmente una determinada generación. La primera es la descrita por [10], la cual corresponde a buscar al canal asignado que más genera conflictos (peor caso) en la función de costo y reemplazarlo por un canal aleatorio que no haya sido asignado. El segundo corresponde a reemplazar el canal que más genere conflicto por un canal que permita disminuir la función de costo. Esta búsqueda se realiza desde el primer canal libre hasta final. IV. RESULTADOS A. Resultados de los Operadores y funciones evaluadas Como escenario básico de comparación de los operadores evaluados se utilizó el problema 4 descrito por [10], el cual esta formado por 25 celdas de tráfico no homogéneo y con un número de canales asignados de 74. En los diferentes resultados aquí presentados, se utilizaron Como lo demuestran lo resultados, es posible trabajar efectivamente el problema con micro poblaciones, con la ventaja de una rápida convergencia de la función objetivo a un valor pequeño pero con la desventaja de un tiempo grande para realmente cumplir con todas las restricciones del problema. Los resultados encontrados de este problema complejo, permiten concluir que es posible hallar la solución con poblaciones formadas entre 5 y 60 individuos. Trabajar con poblaciones grandes implica que el espacio de búsqueda se incrementa, permitiendo que se pueda encontrar el mínimo más rápidamente, pero con la desventaja de una tasa lenta de convergencia de la función objetivo. En la Fig. 10 se observa la comparación del mejor caso entre el esquema de reinserción uniforme y el basado en aptitud. Esta comparación demuestra que la reinserción uniforme le da más grado de libertad al problema, pero cuando la población es grande redunda en un tiempo de solución grande. El esquema basado en aptitud tiene una tasa de convergencia de la función de costo mayor pero corre el peligro, de quedarse un tiempo grande entre mínimos locales. Los resultados encontrados con una cantidad menor de individuos, permiten concluir que aunque se genera una diversidad en la solución, no es suficiente la cantidad de ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004. 6 material genético intercambiado para producir mejores tiempos de solución. soluciona el problema. Para un mayor detalle de la matriz de compatibilidad y el vector demanda de estos problemas se pueden consultar las referencias [6,8,10]. TABLA II BENCHMARK UTILIZADOS PARA EVALUAR EL AGF En la Tabla III, se muestran los resultados del tiempo de evaluación en un computador DURON 1.2 GHz con 128 de RAM del AGF para encontrar la asignación de canales óptima y la convergencia de dicho algoritmo. TABLA III RESULTADOS DE LOS BENCHMARK UTILIZADOS Fig. 10. Comparación de esquemas de Reinserción.. En la Fig. 11 se puede observar la comparación entre los mejores casos de ambos esquemas de Asignación de Aptitud. Con esta figura se puede concluir que tener un esquema de asignación no lineal con una presión de selección grande, permite disminuir el tiempo de convergencia de la función objetivo, sin embargo esta escogencia disminuye el espacio de búsqueda haciendo que se incremente el tiempo para encontrar el mínimo global. Fig. 11. Comparación entre los métodos de asignación de aptitud lineal y no lineal. B. Resultados del algoritmo con diferentes Benchmark El AGF implementado se evaluó con respecto a tres escenarios básicos, los cuales son reconocidos como Benchmark a nivel internacional. El primer problema (Pr1) es el número 1 de [16], el segundo problema (Pr2) es expuesto por [8] y el tercer problema (Pr3) es un diseño real en una zona de cubrimiento 24km x 21Km en la ciudad de Helsinki (Finlandia) expuesto por [6]. En la Tabla II, se expone la cantidad de celdas modeladas en cada problema, el número de canales utilizados en la solución y el número más pequeño de canales conocido que V. CONCLUSIONES En este artículo se implementó un AGF que soluciona el problema CAP. En éste, se evalúan múltiples operadores para determinar que influencia tienen sobre el incremento de la convergencia y la disminución del tiempo de simulación. La implementación de la búsqueda local disminuye sustancialmente el tiempo para encontrar una respuesta válida al problema CAP. Incrementar el número de individuos de la población inicial permite tener una mayor convergencia, pero no implica que el AGF se demore menos, ya que el tiempo de evaluar la función costo para cada individuo puede ser grande. Con una cantidad de individuos pequeña se puede disminuir rápidamente la función de costo combinándola con la asignación de Aptitud no lineal y un esquema de reinserción basado en aptitud, pero la falta de diversidad genética hace que se tenga un tiempo de simulación largo para encontrar el mínimo de la función. La comparación de los resultados de los Benchmark no es totalmente satisfactoria ya que en [10] se logra 73 canales para el problema Pr3. Nuestro AGF no logra este resultado por falta de tiempo de ejecución ya que se probó en un PC personal. Con la condiciones del problema, el comportamiento con micro poblaciones del AGF y con la necesidad de poder evaluar un algoritmo que solucione el problema CAP en un computador personal, se establece que la mejor estrategia es trabajar con múltiples sub poblaciones de tamaño pequeño aisladas con algún operador de migración. Estos nuevos operadores esperamos que aprovechen la convergencia rápida del AGF con una función de asignación de Aptitud no lineal, una presión de selección alta y un esquema de reinserción ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004. 7 basado en aptitud. El grupo de investigación en Optimización de problemas de Telecomunicaciones de la FUSM seguirá trabajando en el problema CAP con Algoritmos Genéticos, tratando de evaluar que mejora se obtiene con sub poblaciones e implementar esta aplicación en computadores personales en configuración paralelo, tratar de buscar mejores representaciones del problema y explorar la influencia de nuevos operadores en la convergencia del problema. REFERENCIAS [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] A. Diaz, F. Glover, H. Ghaziri, J. Gonzales, M. Laguna, P. Moscato y F. Tseng. Optimización Heurística y redes Neuronales. Editorial Paraninfo. 1996. W.K. Hale, “Frequency assigment: Theory and applications”, Proc. IEEE, vol. 68, No.12, pp. 1497-1514, 1980. S. Kim and S.L. Kim, “A two phase algorithm for frequency assigment in cellular mobile system”, IEEE trans. Veh. Technol.,vol43, no. 3, pp. 542-548,1994. D. w. Tcha, J. H. Kwon, T. J. Choi and S.H. Oh. “PertubationMinimizing Frequency Assigment in a changing TDMA/FDMA Cellular Enviroment”, IEEE trans. Veh. Technoly, vol 49, No. 2, march 2000. Harilaos, G. Sandalidis and P. Stavroulakis. Handbook of Wireless Network and Mobile Computing by I. Stojmenovic. Capt: Heuristics for solving Fixed Channel Assigment Problems, pp.51-70.John Wiley&Sons, 2002. D. Kunz. “Channel assigment for cellular radio using neural networks”, IEEE trans. Veh. Technol., vol 40, pp. 188-193, february 1991. N. Funabiki and Y. Takefuji. A neural network parallel algoritm for Channel Assigment Problems in Cellular Radio Networks. IEEE Trans. On Vehicular technology, vol 41, No.4, November 1992. K.A. Smith, “Solving combinatorial optimisation problems using neural networks”, Ph.D. dissertation, Dept. of Electrical and Electronic Engineering, Univ. Melbourne. March 1996. W.K. Lai, “Channel Assigment Through Evolutionary Optimization”, IEEE trans. Vehicular Technology, vol 45, No.1, February, 1996. C.Y. Ngo y V.O.K. li. “Fixed channel assigment in cellular radio Networks using Modified Genetic Algorithm”. IEEE trans. Vehicular technology, vol 47, No.1 february 1998. pag 163-172. D.W. Corne, M.J. Oates and G.D. Smith. Telecommunication optimization: Heuristic and adaptive Techniques. Cpt 18-19. A. Chipperfield, P. Fleming, H. Pohlheim y C.Fonseca. “Genetic Algorithms Toolbox for use with MATLAB”. Department of Automatic Control and Systemas Engineering. University of Sheffield. D.E.Goldberg. Genetic algoritms in search optimization and machine learning. 1989. Addison-Weley. Pag 7. M.Srinivas, L.M Patnaik.“Genetic Algorithms: Survey”. IEEE Computer, vol, 27, isuue 6, June 1994, pp. 17-26 I. Katzela y M. Naghshineh. “Channel assigment schemes for cellular mobile telecommunication systems: A comprehensive survey”. IEEE personal communication, vol 3,issue 3, pp. 10-31, June 1996. K. N. Sivarajan, R.J. McEliece, and J.W. Ketchum, “Channel assigment in cellular radio”, in Proc. 39th IEEE Veh. Technol. Soc. Conf, may 1989, pp. 846-850. Carlos Iván Páez Rueda él nació en Cúcuta, Norte de Santander – Colombia en 1973. Él se graduó como ingeniero electrónico de la Universidad Pontificia Javeriana en el año 1997, Magíster en Eléctrica de la Universidad de los Andes en el año 2002. Su experiencia como profesional se encuentra en el área de diseño de redes Celulares de tecnología FDMA, TDMA y CDMA. Actualmente se desempeña como docente e investigador en la FUSM. Su campo de interés se encuentra en el diseño, simulación y optimización de problemas aplicados en la ingeniería de Telecomunicaciones. Luis E. Ruiz Gordillo. Él nació en Bogotá Colombia en 1979. él se graduó como ingeniero Electrónico y de Telecomunicaciones de la FUSM en el año 2004. Sus intereses son los sistemas móviles y la aplicación de los Algoritmos Genéticos a problemas de optimización en Telecomunicaciones. ISBN-958-33-6534-3. Segundo Congreso Internacional de la Región Andina ANDESCON 2004.