Facultad de Ciencias Matemticas

Escuela de Investigacin
Operativa
Tpicos de Investigacin Operativa

SESIN 06

Luis Durad Romero.e-mail: ldurandr@unmsm.edu.pe

Semana 6. Mtodos Basados en Trayectorias Mltiples II:

ILS y VNS

1. Introduccin
2. Algoritmos de Bsqueda Local Reiterativos
Basados en ptimos: ILS
3. Bsqueda de Entorno Variable: VNS
4. Algunos datos de la WEB sobre su uso
5. Aplicaciones

1. Introduccin
Problemas de la Bsqueda Local (Tema 2)
El principal inconveniente de las Busquedas Locales (BL) es que, en
general, suministran soluciones localmente optimas que pueden estar
muy alejadas (en terminos de valor objetivo) de la solucin o
soluciones optimas globales.
SOLUCIONES: 3 opciones para salir de los ptimos locales
Permitir movimientos de empeoramiento de la solucin actual (Ejemplo: Enfriamiento
Simulado, Bsqueda Tab, )
Modificar la estructura de entornos (Ejemplo: VND, Bsqueda Tab, Bsqueda en
Entornos Variables: VNS, )
Volver a comenzar la bsqueda desde otra solucin inicial (Ejemplo: Bsquedas
Multiarranque, GRASP, ILS, VNS )

1. Introduccin
Modelos Multiarranque (Tema 5):
Mtodos constructivos de la solucin inicial
Construccin greedy: Algoritmos GRASP
Algoritmos Basados en Colonias de Hormigas: ACO
Mtodos iterativos mediante modificacin de la solucin
encontrada
ILS: Bsqueda Local Iterativa
VNS: Bsqueda de Entorno Variable
Hibridaciones
entre
tcnicas
poblacionales
de
exploracin/combinacin de soluciones y mtodos de
bsqueda local
Algoritmos Memticos / Algoritmos Genticos con BL
Scatter Search (Bsqueda Dispersa)

2. Algoritmos de bsqueda local Reiterativos

basados en ptimos: ILS

2.1. Algoritmo ILS
2.2. Modelo ILS Basado en Poblaciones

2.1. Algoritmo ILS

La ILS est basada en la aplicacin repetida de un algoritmo de
Bsqueda Local a una solucin inicial que se obtiene por mutacin de
un ptimo local previamente encontrado
Propuesta inicialmente en la Tesis Doctoral de Thomas Sttzle: T.
Sttzle, 1998. Local Search Algorithms for Combinatorial Problems-Analysis,
Improvements and New Applications. PhD Thesis, Darmstadt, Universityof Technology,
Department of Computer Science.

2. Algoritmos de bsqueda local Reiterativos

basados en ptimos: ILS

2.1. Algoritmo ILS
La aplicacin de la ILS necesita de la definicin de cuatro
componentes:
1. Una solucin inicial (usualmente, aleatoria)
2. Un procedimiento de modificacin (mutacin) que
aplica un cambio brusco sobre la solucin actual para
obtener una solucin Intermedia
3. Un procedimiento de Bsqueda Local
4. Un criterio de aceptacin que decide a qu solucin se
aplica el procedimiento de modificacin
En la mayora de las aplicaciones, la mutacin se aplica a la mejor
solucin encontrada

2. Algoritmos de bsqueda local Reiterativos

basados en ptimos: ILS

2.1. Algoritmo ILS

Figura: Representacin
del funcionamiento de la
ILS.
Cada en el ptimo local
s*.
La
perturbacin/mutacin
conduce a s. Despus
de aplicar la Bsqueda
Local, se encuentra un
nuevo ptimo s* que es
mejor que s*

2. Algoritmos de bsqueda local Reiterativos

basados en ptimos: ILS

2.1. Algoritmo ILS Procedimiento Bsqueda Local Reiterada (ILS)

2. Algoritmos de bsqueda local Reiterativos

basados en ptimos: ILS

2.2. Modelo ILS Basado en Poblaciones
MODELO REEMPLAZAR EL PEOR
Se genera una poblacin de soluciones iniciales
Se aplica una ILS en paralelo a partir de cada una de ellas, con
la nica peculiaridad de que las BL se ejecutan slo durante it
iteraciones
Cada rb iteraciones, se reemplaza la peor solucin encontrada por
la mejor
La motivacin asociada a este esquema es ir concentrando
gradualmente la bsqueda alrededor de la mejor solucin de la
poblacin

2. Algoritmos de bsqueda local Reiterativos

basados en ptimos: ILS

2.2. Modelo ILS Basado en Poblaciones
MODELO ESTRATEGIA (+)
Se generan soluciones iniciales
Se obtienen hijos a partir de ellas mediante la mutacin
Se aplica la BL a cada hijo y se seleccionan las mejores
soluciones obtenidas para formar la siguiente poblacin
Para evitar la convergencia local se pueden seleccionar los
mejores atendiendo a la distancia entre ellos

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.1.
3.2.
3.3.
3.4.

Introduccin
Modelo VNS Bsico
Otros Modelos de Entornos Variables
VNS versus ILS

3.1. Introduccin
La Bsqueda de Entorno Variable (VNS) es una metaheurstica para
resolver problemas de optimizacin cuya idea bsica es el cambio
sistemtico de entorno dentro de una bsqueda local (aumentando el
tamao cuando la bsqueda no avanza)

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.1. Introduccin
La VNS est basada en tres hechos simples:
1. Un mnimo local con una estructura de entornos no lo es
necesariamente con otra
2. Un mnimo global es mnimo local con todas las posibles estructuras
de entornos
3. Para muchos problemas, los mnimos
locales con la misma o distinta estructura de
entorno estn relativamente cerca.
Los hechos 1 a 3 sugieren el empleo de varias
estructuras de entornos en las bsquedas
locales para abordar un problema
de
optimizacin

Figura: Secuencia Encajada de Entornos

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.1. Introduccin
Existen dos variantes:

Bsqueda Descendente Basada en Entornos Variables (VND):

Algoritmo de BL del mejor cuyo operador de vecino cambia de entorno
(amplindolo) cuando el mejor vecino generado es peor que la solucin
actual (visto en el Tema 2)

Bsqueda Basada en Entornos Variables (VNS): Algoritmo ILS en

el que el operador de mutacin cambia de entorno cuando la solucin
obtenida tras aplicar la BL es peor que la solucin actual

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.2. Modelo VNS Bsico
Existen dos variantes:

Sea Ek (k = 1, ..., kmx) un conjunto finito de estructuras de

vecindario (entorno) preseleccionadas, y sea Ek(S) el conjunto de
soluciones del entorno k-simo de S
VNS aplica progresivamente una BL sobre una solucin S obtenida a
partir de una mutacin de la actual S, realizada de acuerdo al tipo de
entorno utilizado en cada iteracin Ek(S)

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.2. Modelo VNS Bsico

Si la ltima BL efectuada result efectiva, es decir, si la solucin

obtenida tras ella, S, mejor la solucin actual, S, se pasa a trabajar
con el entorno primero E1.
En caso contrario, se pasa al siguiente entorno (kk+1) para
provocar una perturbacin mayor y alejar la nueva solucin de inicio de
la BL, S, de la zona del espacio de bsqueda en la que est situada la
actual S

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.2. Modelo VNS Bsico:

Procedimiento Bsqueda Basada en Entornos Variables (VNS)

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.2. Modelo VNS Bsico: Seleccin de Estructuras de Vecindario
Es posible seleccionar diferentes heursticas para utilizar en cada
iteracin en la que se aplica la BL. Existen diferentes posibilidades:
Cambiar los parmetros de los mtodos existentes en cada iteracin
Utilizar movimientos de diferente tamao k para generar vecindarios
que aumentan de tamao de acuerdo al aumento del parmetro k
Combinar las estrategias previas

3. BSQUEDA DE ENTORNO VARIABLE: VNS

3.4. VNS versus ILS
La mayor diferencia entre ILS y VNS radica en la filosofa subyacente
en las dos metaheursticas
ILS tiene explcitamente el objetivo de construir un camino en el
conjunto de soluciones optimales locales
VNS se deriva desde la idea de cambiar sistemticamente de
entorno a lo largo de la bsqueda

4. ALGUNOS DATOS DE LA WEB SOBRE SU USO

5. APLICACIONES
5.1. ILS en codificacin binaria
Operador de mutacin: Cada vez que se realiza una mutacin, se
vara el estado de 0.1n instancias
Algoritmo de bsqueda local: el utilizado en la Prctica 1
Criterio de aceptacin: se sigue el criterio del mejor, es decir, se
aplica la mutacin sobre la mejor solucin encontrada hasta el
momento.

5. APLICACIONES
5.2. VNS en codificacin binaria
Algoritmo de bsqueda local: el utilizado en la Prctica 1
Generacin de entornos: Se trabajar con kmax = 5 entornos
distintos definidos de la siguiente forma:

siendo d el nmero de instancias que cambian su estado de

pertenencia o ausencia al subconjunto S

5. APLICACIONES

Problema del ancho de banda (BRP)

El BRP es un problema combinatorio NP - duro con numerosas
aplicaciones. Entre otras, la del preproceso de matrices para la
resolucin de sistemas lineales y la de la ubicacin en memoria de los
documentos de una pgina web.

El problema ha sido estudiado por numerosos autores, desde la

propuesta en 1969 del algoritmo de Cuthill-McKee hasta la reciente
aplicacin de diversos metaheursticos (Mart et al. o Piana et al. )
El BRP puede enunciarse tanto en trminos de matrices como de
grafos.

5. APLICACIONES

Problema del ancho de banda (BRP)

Dado un grafo G = (V;E) con n vrtices (V = n) y m aristas (E =m),
una solucin del problema consiste en una numeracin (etiquetado) del
conjunto de vrtices. As, una solucin f, asigna los enteros {1; 2; ; n}
a los vrtices del grafo. El ancho de cada vrtice v segn el etiquetado f
se calcula como:
Bf (v) = max{f(v) - f(u) : uN(v)}

donde N(v) es el conjunto de vrtices adyacentes al vrtice v. A partir del

ancho de cada vrtice se obtiene el ancho del grafo como:
Bf (G) = max{Bf (v) : vV }

5. APLICACIONES

Problema del ancho de banda (BRP)

El BRP consiste en encontrar el etiquetado f del conjunto de vrtices
que minimiza el valor de Bf (G). Notar que un etiquetado es una
renumeracin y, por lo tanto, el conjunto de soluciones de este
problema es el conjunto de permutaciones de n elementos.

5. APLICACIONES

Problema del ancho de banda (BRP)

Si cuidamos el
Medio Ambiente,
cuidamos nuestro
Futuro