ALGORITMOS METAHEURSTICOS Los algoritmos metaheursticos son algoritmos aproximados de optimizacin y bsqueda de propsito general.

Son procedimientos iterativos que guan una heurstica subordinada combinando de forma inteligente distintos conceptos para explorar y explotar adecuadamente el espacio de bsqueda. Metaheursticas: Definicin Son algoritmos aproximados de propsito general consistentes en procedimientos iterativos que guan una heurstica subordinada combinando de forma inteligente distintos conceptos para explorar y explotar adecuadamente el espacio de bsqueda Ventajas: Algoritmos de propsito general Gran xito en la prctica Fcilmente implementables Fcilmente paralelizables

Inconvenientes: Son algoritmos aproximados, no exactos Son altamente no determinsticos (probabilsticos) Presentan poca base terica

Metaheursticas: Procedimiento iterativo maestro que gua y modifica las operaciones de una heurstica subordinada para producir eficientemente soluciones de alta calidad En los ltimos aos han aparecido una serie de mtodos bajo el nombre de Metaheursticos Propsito de obtener mejores resultados que los alcanzados por los heursticos tradicionales El trmino metaheurstico fue introducido por Fred Glover en 1986: Los procedimientos Metaheursticos son una clase de mtodos aproximados que estn diseados para resolver problemas difciles de optimizacin combinatoria, en los que los heursticos clsicos no son efectivos. Los Metaheursticos proporcionan un marco general para crear nuevos algoritmos hbridos combinando diferentes conceptos derivados de la inteligencia artificial, la evolucin biolgica y los mecanismos estadsticos

FUENTES DE INSPIRACIN DE LAS METAHEURSTICAS

Funcionamiento de las Metaheursticas Para obtener buenas soluciones, cualquier algoritmo de bsqueda debe establecer un balance adecuado entre dos caractersticas contradictorias del proceso: o o Intensificacin: cantidad de esfuerzo empleado en la bsqueda en la regin actual (explotacin del espacio) Diversificacin: cantidad de esfuerzo empleado en la bsqueda en regiones distantes del espacio (exploracin)

El equilibrio entre intensificacin y diversificacin es necesario para: o o Identificar rpidamente regiones del espacio con soluciones de buena calidad No consumir mucho tiempo en regiones del espacio no prometedoras o ya exploradas

Las metaheursticas aplican distintas estrategias para obtener un buen balance entre intensificacin y diversificacin

Clasificacin de las Metaheursticas Existen distintas metaheursticas en funcin de conceptos como: Seguimiento de trayectoria considerado Uso de poblaciones de soluciones Uso de memoria Nmero de vecindarios considerados Fuente de inspiracin

CLASIFICACIN DE LOS ALGORITMOS METAHEURSTICOS Taxonoma tabular La estructuracin tabular consiste en contruir una tabla de caractersticas que permita la comparacin entre las metaheursticas. Esta tabla contiene una columna por acada una de las caractersticas; en cada celda de la tabla se rellenar con el valor correspondiente. Estas son algunas caractersticas que se han considerado ms descriptivas para realizar una clasificacin tabular: Inspiracin: determina si una metaheurstica se inspira en un simil real o no. El valor de la casilla ser: si en caso afirmativo, no en caso negativo y parcialmente en el caso de que se base en una metaheurstica con inspiracin real, aunque no inspire directamente. Nmero de soluciones: determina la cantidad de soluciones que se utiliza la metaheurstica para implementar la busqueda. El valor de esta casilla puede ser trayectorial en el caso de utilizar una nica solucin y poblacional en el caso de que utilice un conjunto de soluciones. Multi-arranque: determina si la metaheurstica se ejecuta una o vairas veces. El valor de esta casilla ser si en el caso de que sea multi-arranque y no en caso contrario. Bsqueda local: determina si la metaheurstica utiliza un procedimiento de bsqueda local para mejorar las soluciones. El valor de esta casilla ser si en caso afirmativo y no en caso negativo. Funcin objetivo: determina si la metaheurstica modifica la funcin objetivo para hacer la bsqueda o no. El valor en esta casilla ser dinmica en el caso de que se modifique la funcin objetivo y esttica en el caso contrario. Niveles de vecindad: determina si la metaheurstica utiliza una o varias estructuras de vecindad. En el primer caso el valor de la casilla ser uno y en el segundo caso varios. Vecindad: establece si la metaheurstica utiliza una estructura de vecindad esttica o dinmica. En el primer caso el valor de la casilla ser esttica y en el segundo caso dinmica. Memoria: establece si la metaheurstica utiliza estructura de memorias para la bsqueda. El valor de la casilla ser explicita en el caso de tener una estructura explcita que almacene y gue la bsqueda o implcita cuando se tienen en cuenta caractersticas del pasado. Procesos aleatorios: determina si la metaheurstica contempla fenmenos de aleatorizacin para permitir movimientos que puedan empeorar la solucin para salir de ptimos locales. El valor de la casilla ser si en caso afirmativo y no en el caso contrario. Procesos adaptativos: determina si la metaheurstica se adapta al problema, de tal forma que es capaz de cambiar sus parmetros, ya sea para intensificar o para diversificar la

bsqueda. El valor de la casilla ser si en caso de que algn procedimiento sea adaptativo o no en caso negativo. Taxonoma jerrquica Las taxonomas jerrquicas establecen una estructura de rbol para intentar clasificar las metaheursticas. Estas clasificaciones asumen que son parciales, ya que la relacin entre estos algoritmos suele ser ms compleja. En la siguiente figura se presenta una propuesta que permite clasificar jerrquicamente la mayora de las metaheursticas: