Modelacin y Optimizacin en Hidrosistemas Introduccin Una metaheurstica es un mtodo heurstico para resolver un tipo de problema computacional general, usando los parmetros dados por el usuario sobre unos procedimientos genricos y abstractos de una manera que se espera eficiente. Normalmente, estos procedimientos son heursticos. El nombre combina el prefijo griego "meta" ("ms all", aqu con el sentido de "nivel superior") y "heurstico" (de , heuriskein, "encontrar"). Introduccin Las metaheursticas generalmente se aplican a problemas que no tienen un algoritmo o heurstica especfica que d una solucin satisfactoria; o bien cuando no es posible implementar ese mtodo ptimo. La mayora de las metaheursticas tienen como objetivo los problemas de optimizacin combinatoria, pero por supuesto, se pueden aplicar a cualquier problema que se pueda reformular en trminos heursticos, por ejemplo en resolucin de ecuaciones booleanas. Conceptos principales El objetivo de la optimizacin combinatoria es encontrar un objeto matemtico finito (por ejemplo, un vector de bits o permutacin) que maximice (o minimice, dependiendo del problema) una funcin especificada por el usuario de la metaheurstica. A estos objetos se les suele llamar estados, y al conjunto de todos los estados candidatos se le llama espacio de bsqueda. La naturaleza de los estados y del espacio de bsqueda son usualmente especficos del problema. La funcin a optimizar se le llama funcin objetivo, y se da al usuario como un procedimiento caja-negra que evala el estado actual o la funcin. Dependiendo de la metaheurstica, el usuario puede tener que dar otras funciones caja-negra que produzcan un nuevo estado, generan variantes del estado actual, elijan un estado entre varios, aporten valores mximos o mnimos para la funcin objetivo en un conjunto de estados, y en ese estilo. Algunas metaheursticas mantienen en cada instante de ejecucin un nico estado actual, y lo cambian en cada iteracin por uno nuevo. Este paso bsico se conoce como transicin de estado, movimiento o actualizacin del estado. El movimiento es colina arriba o colina abajo dependiendo de si los valores que da la funcin objetivo se incrementa o se decrementa. El nuevo estado puede estar construido desde la nada por un generador de estados dado por el usuario. Alternativamente, el nuevo estado puede derivar del estado actual por un mutador proporcionado por el usuario; en este caso, el nuevo estado se conoce como vecino del estado actual. Generadores y mutadores son habitualmente procedimientos probabilsticos. El conjunto de todos los nuevos estados dados por el mutador es el vecindario del estado actual. Metaheursticas ms sofisticadas mantienen, en vez de un nico estado actual, un conjunto de varios estados candidato. As, el paso bsico aade o elimina estados de este conjunto. En este caso, los procedimientos dados por el usuario seleccionan estados para ser descartados, y generan nuevos estados a aadir. El ltimo estado puede ser generado como combinacin o cruce de dos o ms estados del conjunto. Una metaheurstica puede guardar informacin del ptimo actual, escogiendo el estado ptimo entre todos los ptimos actuales obtenidos en varias etapas del algoritmo. Dado que el nmero de candidatos puede ser muy grande, normalmente, las metaheursticas estn diseadas de manera que puedan ser interrumpidas por un tiempo mximo especificado por el usuario. Si no se interrumpen, algunas metaheursticas exactas examinaran todos los candidatos, y usarn mtodos heursticos slo para escoger el orden de la enumeracin; de hecho, siempre devolvern un ptimo real, si el tiempo mximo es lo suficientemente grande. Algunas metaheursticas muy conocidas son
Optimizacin aleatoria Bsqueda local Algoritmos voraces y Ascensin de colinas Ascensin de colinas con reinicializacin aleatoria Bsqueda primero el mejor Enfriamiento simulado Optimizacin basada en colonias de hormigas Algoritmos de enjambre Bsqueda tab Algoritmos genticos Algoritmos memticos GRASP Meta-RaPS Algoritmos multiarranque Inteligencia de enjambre Optimizacin de enjambre de partculas Bsqueda por difusin estocstica Optimizacin extrema Bsqueda dispersa (Scatter Search) Re-encadenamiento de trayectorias (Path Relinking) Hay un nmero enorme de variables e hbridos propuestos, y muchas ms metaheursticas han sido probadas en problemas especficos. Este es un campo en investigacin, con un gran nmero de publicaciones en revistas, un gran nmero de investigadores y usuarios, adems de un gran nmero de aplicaciones.