Está en la página 1de 67

Metaheursticas: Concepto y Propiedades

Jos A. Moreno Prez.

jamoreno@ull.es
http://webpages.ull.es/users/jamoreno/ Departamento de Estadstica, I.O. y Computacin. Universidad de La Laguna

Grupo de Computacin Inteligente.


MIEMBROS Jess David Beltrn Cano Julio Brito Santana Clara Campos Muoz Ignacio J. Garca del Amo Miguel Garca Torres Rayco Jorge Cabrera gci@ull.es Francisco J. Martnez Rodrguez http://webpages.ull.es/users/gci/ Beln Melin Batista Dep. de Estadstica, I.O. y Computacin Jos A. Moreno Prez J. Marcos Moreno Vega Universidad de La Laguna Raquel Rivero Martn

Metaheursticas: una revisin actualizada. Documento de Trabajo, n. 2/2004. DEIOC. Universidad de La Laguna

Una visin actualizada


Ofrecer una visin global actualizada del campo de las metaheursticas, centrada en torno a la nocin de metaheurstica, una clasificacin, su relevancia y el anlisis de las cualidades deseables. Una discusin rigurosa del concepto de metaheurstica, una clasificacin estructurada y exhaustiva de las diferentes estrategias, un informe completo de las aplicaciones relevantes o el estudio detallado de las caractersticas apropiadas de una metaheurstica es una empresa imposible de contemplar y a la que contribuyen diversos autores con reflexiones intercaladas en libros o artculos sobre metaheursticas especficas

Contenidos
Los fundamentos del concepto de metaheurstica. Los tipos principales de Metaheursticas. El paradigma de las metaheursticas de bsqueda. La gama completa de propuestas aparecidas. Los elementos para apreciar su relevancia. Las caractersticas del Software disponible Las propiedades deseables de las metaheursticas. Conclusiones derivadas de la perspectiva.

Esquema
1. 2. 3. 4. 5. Concepto de Metaheurstica. Tipos de Metaheurstica. Relevancia de las Metaheursticas. Propiedades deseables. Comentarios finales (conclusiones).

1. Concepto de Metaheurstica
Las heursticas en IA La estrategia de desarrollo de la IA Las metaheursticas en IA. El calificativo heurstico en IA Heurstica en Optimizacin El calificativo heurstico en IO Heursticas Generales y Especficas El trmino Metaheurstica Concepto de Metaheurstica

Heursticas en IA
En Inteligencia Artificial (IA) se emplea el calificativo heurstico, en un sentido muy genrico, para aplicarlo a todos aquellos aspectos que tienen que ver con el empleo de conocimiento en la realizacin dinmica de tareas. Se habla de heurstica para referirse a una tcnica, mtodo o procedimiento inteligente de realizar una tarea que no es producto de un riguroso anlisis formal, sino de conocimiento experto sobre la tarea. En especial, se usa el trmino heurstico para referirse a un procedimiento que trata de aportar soluciones a un problema con un buen rendimiento, en lo referente a la calidad de las soluciones y a los recursos empleados.

Estrategia de la IA
En la resolucin de problemas especficos han surgido procedimientos heursticos exitosos, de los que se ha tratado de extraer lo que es esencial en su xito para aplicarlo a otros problemas o en contextos ms extensos. Como ha ocurrido claramente en diversos campos de la IA, en especial con los sistemas expertos, esta lnea de investigacin ha contribuido al desarrollo cientfico del campo de las heursticas y a extender la aplicacin de sus resultados. De esta forma se han obtenido, tanto tcnicas y recursos computacionales especficos, como estrategias de diseo generales para procedimientos heursticos de resolucin de problemas. Estas estrategias generales para construir algoritmos, que quedan por encima de las heursticas, y van algo ms all, se denominan metaheursticas.

Las Metaheursticas en IA
Las metaheursticas son estas estrategias generales para construir algoritmos, que quedan por encima de las heursticas, y van algo ms all, se denominan metaheursticas. son el resultado de la estrategia general de la Inteligencia Artificial al aplicarla a las heursticas desarrollarlas y aplicarlas como Sistemas Expertos. Las metaheursticas pueden integrarse como un sistema experto para facilitar su uso genrico a la vez que mejorar su rendimiento.

Calficativo de heurstico en IA
La idea ms genrica del trmino heurstico est relacionada con la tarea de resolver inteligentemente problemas reales usando conocimiento. El trmino heurstica proviene de una palabra griega con un significado relacionado con el concepto de encontrar y se vincula a la supuesta exclamacin eureka de Arqumedes al descubrir su famoso principio. La concepcin ms comn en IA es interpretar que heurstico es el calificativo apropiado para los procedimientos que, empleando conocimiento acerca de un problema y de las tcnicas aplicables, tratan de aportar soluciones (o acercarse a ellas) usando una cantidad de recursos (generalmente tiempo) razonable.

Heurstica en Optimizacin
En un problema de optimizacin, aparte de las condiciones que deben cumplir las soluciones factibles del problema, se busca la que es ptima segn algn criterio de comparacin entre ellas. En Optimizacin Matemtica (y en I.O.), el trmino heurstico se aplica a un procedimiento de resolucin de problemas de optimizacin con una concepcin diferente:

se califica de heurstico a un procedimiento para el que se tiene un alto grado de confianza en que encuentra soluciones de alta calidad con un coste computacional razonable, aunque no se garantice su optimalidad o su factibilidad, e incluso, en algunos casos, no se llegue a establecer lo cerca que se est de dicha situacin.

El calificativo Heurstico en IO
En Optimizacin Matemtica (y en I.O.), se usa el calificativo heurstico en contraposicin a exacto, que se aplica los procedimientos a los que se les exige que la solucin aportada sea ptima y factible. Una solucin heurstica de un problema es la proporcionada por un mtodo heurstico, es decir, aquella solucin sobre la que se tiene cierta confianza de que es factible y ptima, o de que alcanza un alto grado de optimalidad y/o factibilidad. Tambin es usual aplicar el trmino heurstica cuando, utilizando el conocimiento que se tiene del problema, se realizan modificaciones en el procedimiento de solucin del problema que, aunque no afectan a la complejidad del mismo, mejoran el rendimiento en su comportamiento prctico.

Heursticas Generales y Especficas


Unas heursticas para resolver un problema de optimizacin pueden ser ms generales o especficas que otras. Los mtodos heursticos especficos deben ser diseados a propsito para cada problema, utilizando toda la informacin disponible y el anlisis terico del modelo. Los procedimientos especficos bien diseados suelen tener un rendimiento significativamente ms alto que las heursticas generales. Las heursticas ms generales, por el contrario, presentan otro tipo de ventajas, como la sencillez, adaptabilidad, robustez ... Sin embargo, las heursticas generales emanadas de las metaheursticas pueden mejorar su rendimiento utilizando recursos computacionales y estrategias inteligentes.

El trmino Metaheurstica
El trmino metaheurstica se obtiene de anteponer a heurstica el sufijo meta que significa ms all o a un nivel superior. Los conceptos actuales de lo que es una metaheurstica estn basados en las diferentes interpretaciones de lo que es una forma inteligente de resolver un problema. Las metaheursticas son: estrategias inteligentes para disear o mejorar procedimientos heursticos muy generales con un alto rendimiento. El trmino metaheurstica apareci por primera vez en el artculo seminal sobre bsqueda tab de Fred Glover en 1986. A partir de entonces han surgido multitud de propuestas de pautas para disear buenos procedimientos para resolver ciertos problemas que, al ampliar su campo de aplicacin, han adoptado la denominacin de metaheursticas.

Concepto de Metaheurstica
Las metaheursticas son: estrategias generales de diseo de procedimientos heursticos para la resolucin de problemas con un alto rendimiento. Los metaheursticas se refieren al diseo de los tipos fundamentales de procedimientos heursticos de solucin de un problema de optimizacin. Las metaheursticas principales se refieren a mtodos de relajacin, procesos constructivos, bsquedas por entornos y procedimientos evolutivos. Las metaheursticas de bsqueda constituyen el paradigma central de estas tcnicas en la resolucin de problemas de optimizacin.

Esquema
1. 2. 3. 4. 5. Concepto de Metaheurstica. Tipos de Metaheurstica. Relevancia de las Metaheursticas. Propiedades deseables. Comentarios finales (conclusiones).

2. Tipos de metaheursticas
Las metaheursticas son estrategias para disear procedimientos heursticos. Por tanto, los tipos de metaheursticas se establecen, en primer lugar, en funcin del tipo de procedimientos a los que se refiere. Algunos de los tipos fundamentales son: 1. Las metaheursticas para los mtodos de relajacin, 2. Las metaheursticas para los procesos constructivos, 3. Las metaheursticas para las bsquedas por entornos y 4. Las metaheursticas para los procedimientos evolutivos.

Los cuatro tipos fundamentales


1. Las metaheursticas de relajacin se refieren a procedimientos de
resolucin de problemas que utilizan relajaciones del modelo original (es decir, modificaciones del modelo que hacen al problema ms fcil de resolver), cuya solucin facilita la solucin del problema original.

2. Las metaheursticas constructivas se orientan a los procedimientos que


tratan de la obtencin de una solucin a partir del anlisis y seleccin paulatina de las componentes que la forman.

3. Las metaheursticas de bsqueda guan los procedimientos que usan


transformaciones o movimientos para recorrer el espacio de soluciones alternativas y explotar las estructuras de entornos asociadas.

4. Las metaheursticas evolutivas estn enfocadas a los procedimientos


basados en conjuntos de soluciones que evolucionan sobre el espacio de soluciones.

Otros Tipos de Metaheurstica


Algunas metaheursticas surgen combinando metaheursticas de distinto tipo, como la metaheurstica GRASP (Greedy Randomized Adaptive Search Procedure), que combina una fase constructiva con una fase de bsqueda de mejora. Otras metaheursticas se centran en el uso de algn tipo de recurso computacional o formal especial como las redes neuronales, los sistemas de hormigas o la programacin por restricciones y no se incluyen claramente en ninguno de los cuatro tipos anteriores.

El papel de las Bsquedas


De una u otra forma, todas las metaheursticas se pueden concebir como estrategias aplicadas a procesos de bsqueda, donde todas las situaciones intermedias en el proceso de resolucin del problema se interpretan como elementos de un espacio de bsqueda, que se van modificando a medida que se aplican las distintas operaciones diseadas para llegar a la resolucin definitiva. Por ello, y porque los procesos de bsqueda heurstica constituyen el paradigma central de las metaheursticas, es frecuente interpretar que el trmino metaheurstica es aplicable esencialmente a los procedimientos de bsqueda sobre un espacio de soluciones alternativas. Por este mismo motivo dedicamos aqu una atencin especial a las metaheursticas de bsqueda.

1. Metaheursticas de Relajacin
Una cuestin relevante al abordar un problema real es la obtencin de un modelo que permita emplear una tcnica de resolucin apropiada. Si con este modelo el problema resulta difcil de resolver se acude a modelos modificados en los que es ms sencillo encontrar buenas soluciones o en los que los procedimientos son ms eficientes. Una relajacin de un problema es un modelo simplificado obtenido al eliminar, debilitar o modificar restricciones (u objetivos) del problema real. En cualquier formulacin siempre existe algn grado de simplificacin, lo que puede afectar en mayor o menor medida al ajuste a la realidad de los procedimientos de resolucin y de las soluciones del problema propuestas. Los modelos muy ajustados a la realidad suelen ser muy difciles de resolver, y sus soluciones difciles de implementar exactamente, por lo que se acude a modelos relajados. Las metaheursticas de relajacin son: estrategias para el empleo de relajaciones del problema en el diseo de heursticas.

Relajaciones del problema


Las metaheursticas de relajacin se refieren al diseo, tanto de procedimientos que utilizan formulaciones relajadas del problema para proponer sus soluciones, como soluciones del problema, como de procedimientos que usan dichas relajaciones para guiar las operaciones realizadas para su resolucin. Muchas heursticas de relajacin modifican elementos del problema para proponer la solucin de estas modificaciones como solucin heurstica del problema original. Las buenas relajaciones son las que simplifican el problema y hacen ms eficientes los procedimientos de solucin, pero cuya resolucin proporciona muy buenas soluciones del problema original. Por ejemplo, para un problema de programacin lineal entera, su relajacin lineal consiste en ignorar la restriccin de que las variables sean enteras. Se aplican procedimientos eficientes de programacin lineal, como el mtodo del Simplex, a dicha relajacin y se propone una solucin entera muy prxima a la solucin del problema relajado.

Relajacin de restricciones
En algunos procedimientos se proponen modificaciones del problema que suelen estar encaminadas a relajar las restricciones a las que debe estar sometida la solucin, permitiendo que el recorrido bordee la regin factible para acercarse al ptimo global incluso desde la regin no factible. Entre las metaheursticas que emplean la relajacin de restricciones se encuentran los mtodos: de relajacin lagrangiana o de restricciones subordinadas.

Relajacin del objetivo


Otras estrategias modifican la funcin objetivo para obtener, de forma ms rpida, valoraciones aproximadas (por exceso o por defecto) de la calidad de la solucin que orientan la bsqueda, al menos en los estados iniciales. Es frecuente encontrar problemas en los que evaluar la funcin objetivo puede significar resolver otro problema de gran dificultad, realizar un proceso de simulacin o realizar algn tipo de inversin o consumo de recursos. Para estos problemas es muy til encontrar funciones sencillas de calcular que den una idea aproximada de la calidad de las soluciones sin necesidad de una evaluacin ajustada de la funcin objetivo.

2. Metaheursticas Constructivas
Las heursticas constructivas aportan soluciones del problema por medio de un procedimiento que incorpora iterativamente elementos a una estructura, inicialmente vaca, que representa a la solucin. Las metaheursticas constructivas establecen estrategias para seleccionar las componentes con las que se construye una buena solucin del problema. Entre las metaheursticas primitivas en este contexto se encuentra la popular estrategia voraz o greedy, que implica la eleccin que da mejores resultados inmediatos, sin tener en cuenta una perspectiva ms amplia. Dentro de este tipo de metaheurstica, destaca la aportacin de la metaheurstica GRASP que, en la primera de sus dos fases, incorpora a la estrategia greedy pasos aleatorios con criterios adaptativos para la seleccin de los elementos a incluir en la solucin.

3. Metaheursticas de Bsqueda
El tipo de metaheurstica ms importante es el de las metaheursticas de bsqueda, que establecen estrategias para recorrer el espacio de soluciones del problema transformando de forma iterativa soluciones de partida. Las bsquedas evolutivas se distinguen de stas en que es un conjunto de soluciones, generalmente llamado poblacin de bsqueda, el que evoluciona sobre el espacio de bsqueda. La concepcin primaria de heurstica ms frecuente era la de alguna regla inteligente para mejorar la solucin de un problema que se aplicaba iterativamente mientras fuera posible obtener nuevas mejoras. Tales procesos se conocen como bsquedas montonas (descendentes o ascendentes), algoritmos escaladores (hill-climbing) o bsquedas locales. Esta ltima denominacin obedece a que la mejora se obtiene en base al anlisis de soluciones similares a la que realiza la bsqueda; denominadas soluciones vecinas. Estrictamente hablando, una bsqueda local es la que basa su estrategia en el estudio de soluciones del vecindario o entorno de la solucin que realiza el recorrido.

Metaheursticas de Bsqueda Local


Las metaheursticas de bsqueda local son las estrategias o pautas generales para disear mtodos de bsqueda local, como la estrategia voraz o greedy. Esta metaheurstica establece como pauta, una vez consideradas cuales son las soluciones que intervienen en el anlisis local, elegir iterativamente la mejor de tales soluciones mientras exista alguna mejora posible. Sin embargo, se suele asumir que las bsquedas locales slo modifican la solucin que realiza el recorrido mediante una mejora en su propio entorno. El principal inconveniente de estas bsquedas locales es que se quedan atrapadas en un ptimo local, una solucin que no puede ser mejorada por un anlisis local. Por ello, el propsito fundamental de las primeras metaheursticas era extender una bsqueda local para continuarla ms all de los ptimos locales, denominndose Bsqueda Global.

Metaheursticas de Bsqueda Global


Las metaheursticas de bsqueda global incorporan pautas para tres formas bsicas de escapar de los ptimos locales de baja calidad: 1) volver a iniciar la bsqueda desde otra solucin de arranque, 2) modificar la estructura de entornos que se est aplicando y 3) permitir movimientos o transformaciones de la solucin de bsqueda que no sean de mejora. Surgen as, respectivamente, las metaheursticas de arranque mltiple, las metaheursticas de entorno variable y las metaheursticas de bsqueda no montona. 1) Las metaheursticas de arranque mltiple establecen pautas para reiniciar de forma inteligente las bsquedas descendentes. 2) Las metaheursticas de entorno variable modifican de forma sistemtica el tipo de movimiento con el objeto de evitar que la bsqueda se quede atrapada por una estructura de entornos rgida. 3) Las bsquedas que tambin aplican movimientos de no mejora durante el recorrido de bsqueda se denominan bsquedas no montonas.

Bsquedas no Montonas
Las metaheursticas para bsquedas no montonas controlan los posibles movimientos de empeoramiento de la solucin mediante criterios de aceptacin estocticos o utilizando la memoria del proceso de bsqueda. Las metaheursticas de bsqueda estocsticas establecen pautas para regular la probabilidad de aceptar transformaciones que no mejoren la solucin. El Recocido Simulado es el exponente ms importante de este tipo de metaheursticas donde la probabilidad de aceptacin es una funcin exponencial del empeoramiento producido. Las metaheursticas de bsqueda con memoria utilizan informacin sobre el recorrido realizado para evitar que la bsqueda se concentre en una misma zona del espacio. Fundamentalmente se trata de la Bsqueda Tab cuya propuesta original prohbe temporalmente soluciones muy parecidas a las ltimas soluciones del recorrido.

4. Metaheursticas Evolutivas
Las metaheursticas evolutivas establecen estrategias para conducir la evolucin en el espacio de bsqueda de conjuntos de soluciones (usualmente llamados poblaciones) con la intencin de acercarse a la solucin ptima con sus elementos. El aspecto fundamental de las heursticas evolutivas consiste en la interaccin entre los miembros de la poblacin frente a las bsqueda que se guan por la informacin de soluciones individuales. Las diferentes metaheursticas evolutivas se distinguen por la forma en que combinan la informacin proporcionada por los elementos de la poblacin para hacerla evolucionar mediante la obtencin de nuevas soluciones. Los algoritmos genticos y memticos y los de estimacin de distribuciones emplean fundamentalmente procedimientos aleatorios, mientras que las metaheursticas de bsqueda dispersa o de reencadenamiento de caminos (Path-Relinking) emplean procedimientos sistemticos.

Otros tipos de metaheursticas


Otras metaheursticas que aparecen en varias clasificaciones corresponden a tipos intermedios entre los anteriores. Entre ellas destacan: las metaheursticas de descomposicin y las metaheursticas de memoria a largo plazo. Otras metaheursticas se configuran como hbridos al incoporar elemento de otras ms simples. La metaheurstica GRASP: incluye una fase constructiva y una fase de mejora La metaheurstica de Arranque Mltiple: Incluye una fase de genarcin de soluciones y una fase de mejora

Metaheursticas de Descomposicin
Las metaheursticas de descomposicin establecen pautas para resolver un problema determinando subproblemas a partir de los que se construye una solucin del problema original. Se trata de metaheursticas intermedias entre las de relajacin y las constructivas, ya que se refieren bsicamente a las caractersticas que se pretenden obtener en los subproblemas y a cmo integrar las soluciones de estos subproblemas en una solucin del problema original. El objetivo fundamental es obtener subproblemas significativamente ms fciles de resolver que los originales, y cuyas soluciones puedan ser utilizadas efectivamente. Este es el tipo de metaheurstica ms apropiada para la aplicacin de estrategias de paralelizacin, donde es muy importante el equilibrio entre los subproblemas obtenidos.

La Memoria a largo plazo


Las metaheursticas de memoria a largo plazo constituyen el caso ms relevante de las metaheursticas de aprendizaje y se sitan entre las de arranque mltiple y las derivadas de la bsqueda tab. Por ejemplo, diversas metaheursticas se refieren al uso de informacin sobre las caractersticas y propiedades comunes a soluciones de alta calidad o sobre las decisiones de mejora adoptadas durante el proceso de solucin. Esta informacin permite mejorar el rendimiento de la bsqueda de arranque mltiple ajustando los parmetros que modulan la exploracin y la explotacin del proceso. Se incluyen en las metaheursticas de aprendizaje ya que son capaces de emplear informacin obtenida en la aplicacin del propio procedimiento, tanto a un problema especfico como a un tipo o clase especfica de problemas.

Esquema de Clasificacin
1. Relajacin (Lagrangiana, Restricciones surrogadas ) Proponer soluciones Guiar la bsqueda 2. Constructivas Greedy, Aleatoria, GRASP 3. Bsqueda Bsqueda Local Bsqueda Global: MultiStart (MS) Entorno Variable (VNS) Memoria (Tab Search) Estocsticas (Simulated Anealing) 4. Evolutivas Evolucin estocstica (AG, Memticos, EDAs) Evolucin determinstica (Scatter Search, Path-Relinking) Otras: Descomposicin, Memoria a largo plazo Mixtas: GRASP. Multi-Arranque Lista: NN,PR,ACO,EO,PSO,ILS,GLS,CH,FANS,RS,CP,NM,TA,BA,MOMH

Esquema
1. 2. 3. 4. 5. Concepto de Metaheurstica. Tipos de Metaheurstica. Relevancia de las Metaheursticas. Propiedades deseables. Comentarios finales (conclusiones).

Relevancia de las Metaheursticas


Se refleja en: La publicacin de libros dedicados expresamente a metaheursticas. La aparicin de artculos, especialmente revisiones o reviews, nmeros especiales de revistas, sobre metaheursticas. Los recursos disponibles en la red (pginas webs) que incluyen informacin sobre metaheursticas. Los programas o software especfico que incluyen la aplicacin de metaheursticas, etc.

Libros sobre metaheursticas (I)


Hasta 2000:

Antes de 1995 aparecen varios libros sobre una metaheurstica en particular; fundamentalmente Algoritmos Genticos (D.E. Goldberg (1989)). El texto de C. Reeves Modern Heuristic Techniques for Combinatorial Problems (1993) con captulos de las metaheursticas ms relevantes. El libro editado por V.J. Rayward-Smith Applications of Modern Heuristic Methods (1995) que recoje aplicaciones de diferentes metaheursticas. El nico texto en espaol en estos aos es el coordinado por Adenso Daz y otros titulado Optimizacin Heurstica y Redes Neuronales (1996) con captulos dedicados a las metaheursticas mas importantes. Antes de 2000 aparecen ms textos sobre algunas metaheursticas especficas: Destaca Tabu Search de M. Laguna y F. Glover (1997).

Libros sobre metaheursticas (II)


En 2000 destaca el excelente caracter pedaggico del texto de Michalewicz y Fogel How to Solve It: Modern Heuristics. Desde 2000 aparecen: Dos textos sobre aplicaciones en telecomunicaciones Oates et al. (2000) y Bhargava y Ye (2002), El texto de Voss y Woodruff (2002) sobre implementaciones El libro de Laguna y Mart sobre Scatter Search (2002). Varios dedicados a los algoritmos genticos (Reeves y Rowe (2002) Las colecciones Laguna y Gonzlez Velarde (2000) y Ribeiro y Hansen (2001) derivados de congresos respectivos. El texto de compendio ms reciente de Glover y Kochenberger (2003) Ya se dispone de nuevos ttulos (Dorigo y Stuztle (2004))

Literatura en Espaol
La literatura en espaol es escasa. El primer texto coordinado por A. Daz Optimizacin Heurstica y Redes Neuronales (1996) El texto de carcter docente Heursticas en Optimizacin J.A. Moreno y J.M. Moreno (2000) Artculo de revisin Metaheursticas: una visin global, Melin, Moreno y Moreno (2003) La monografa coordinada por J.A. Moreno y J.M. Moreno: Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial Num. 19, Volumen 2, Primavera-Verano 2003. http://sensei.ieec.uned.es/cgi-bin/aepia/contenidoNum.pl?numero=19

La Monografa
Inteligencia Artificial, Num. 19, Volumen 2, 2003.
1. Metaheuristicas: Una visin global Melin, Moreno, Moreno-Vega, 2. Bsqueda Tab. Glover, Melin. 3. Mtodos Multiarranque. Marti, Moreno-Vega,. 4. GRASP: Procedimientos de bsquedas miopes aleatorizados y adaptativos. Resende, Gonzlez Velarde, 5. Bsqueda de Entorno Variable. Hansen, Mladenovic, Moreno. 6. Diseo de Heursticas y Fundamentos del Recocido Simulado. Dowsland, Diaz. 7. FANS: una Heustica basada en Conjuntos Difusos para problemas de Optimizacin. Blanco, Pelta, Verdegay. 8. Scatter Search: Diseo Bsico y Estrategias avanzadas. Mart, Laguna. 9. Una Introduccin a los Algoritmos Memeticos. Moscato, Cotta Porras. 10. Algoritmos de Estimacin de Distribuciones en Problemas de Optimizacin Combinatoria. Larraaga, Lozano, Mhlenbein. 11. Tcnicas de resolucin de problemas de satisfaccin de restricciones. Manya, Gomes.

Artculos sobre metaheursticas


Frecuentes artculos de Revisin sobre Metaheursticas. Diversos volmenes especiales sobre metaheursticas han venido apareciendo en diversas colecciones editoriales o revistas peridicas de los campos de Investigacin Operativa, Inteligencia Artificial, Ingeniera y Ciencias de la Computacin. Adems, en estas publicaciones se observa un incremento considerable del nmero de trabajos que incluyen procedimientos heursticos en los que se realizan planteamientos estndares de las metaheursticas. Las estadsticas de frecuencias de papers de las distintas metaheursticas: GA, AE, SA, TS, VNS, MS, ...,

Revistas sobre Metaheursticas


Desde 1985 se viene publicando la revista: Journal of Heuristics (kluwer). que concentra una parte importante de las publicaciones en este campo Otras revistas relevantes en metaheursticas son: Computational Optimization and Applications (kluwer) Computers and Operations Research (Elsevier) European Journal of Operational Research (Elsevier) INFORMS Journal on Computing (INFORMS) Journal of Combinatorial Optimization (kluwer) Evolutionary Computation (MIT press)

Enlaces relacionados
Diversas asociaciones, entidades y proyectos ofrencen informacin sobre metaheursticas en Internet. La red HEUR {http://heur.uv.es/} se cre en 2002 financiada por el Ministerio de Ciencia y Tecnologa a travs del el proyecto TIC200210886E con 15 grupos y 101 miembros. Con el objetivo de la red es la difusin de los mtodos metaheursticos, as como la interaccin entre los distintos grupos, la red proporciona en este portal tutoriales y artculos de investigacin sobre procedimientos metaheursticos. El grupo EURO Working Group/European Chapter en Metaheursticas (EU/ME) proporciona abundante informacin en su pgina sobre las distintas metaheursticas (http://www.euro.org). La red de excelencia sobre Metaheurstoca (Metaheuristics Network} (http://www.metaheuristics.org/) financiada por la unin europea dedica especial atencin a algunas metaheursticas.

Sitios de Metaheursticas
Sobre metaheursticas especficas se tienen los siguientes enlaces: El sitio oficial de la Bsqueda por Entorno Variable (VNS) http://vnsheuristic.ull.es La pgina sobre Ant Colony Optimization de M. Dorigo http://iridia.ulb.ac.be/~mdorigo/ACO/ACO.html La pgina sobre Algoritmos Memticos de Moscato http://www.densis.fee.unicamp.br/~moscato/memetic\_home.html}. La pgina Reactive Search de R. Battiti http://rtm.science.unitn.it/~battiti/reactive.html La pgina sobre Tabu Search de C. Rego and F. Glover http://www.tabusearch.net/ Sobre Simulated Annealing http://www.taygeta.com/annealing/simanneal.html. La red EvoNET sobre computacin evolutiva. http://evonet.dcs.napier.ac.uk/

Congresos
Los congresos ms relevantes en este campos son los siguientes: Los congresos espaoles de Metaheursticas, Algoritmos Evolutivos y Bioinspirado que en su cuarta edicin (MAEB'04) se ha celebrado en Crdoba y la quinta se celebrar en Septiembre de 2005 en Granada dentro del Primer Congreso en Informtica Las European Conference on Evolutionary Computational, EVOCOP 200? Su cuarta edicin se celebr del 3 al 5 de Abril en Coimbra y La quinta se celebrar en Lausana (Suiza) del 30-3-2005 al 1-4-2005 (http://evonet.lri.fr/eurogp2005/) Las Metaheuristics International Conference: MIC 200? La quinta edicin se decelbr en Kyoto (Japn) (MIC 2003) La sexta se celebrar del 22 a 26 Agosto del 2005 en Viena (http://www.mic2005.org/)

Software sobre metahursticas


Dos lineas principales: Implementacin de Cdigo eficiente. Desarrollo de entornos generales. Objetivo: reduccin del tiempo de especificacin de problemas y la solucin del mismo. Especificacin del problema: Herramientas de representacin de modelos, problemas y prototipos. Metodologas de generacin de cdigo general: Esqueletos, plantillas, librerias, templates, frameworks, Programacin procedimental, modularidad, Orientada a objetos, encapsulamiento, programacin funcional, reusabilidad del Software, Estas herramientas deben estar capacitadas para especificar e implementar diversas estrategias de resolucin, implementar diversas metaheursticas generales

Algunos ttulos (I)


AMPL (www.ampl.com/), CPLEX (www.cplex.com/), OPL (de de ILOG www.ilog.com), SALSA de Laburthe y Caseau Framework de Andreata, Carvalho y Ribeiro HotFrame: de S. Voss y A. Fink FANS, del grupo MODO (UGR) Local++, EasyLOcal++ de L. Di Gaspero y Schaerf (http://tabu.diegm.uniud.it/EasyLocal/) Ferland, Hertz, Lavoie TabOOBuilder de Graccho y Porto

Algunos ttulos (II)


MAFRA de Krasnogor y Smith Localizer, Localizer++ de L. Michel, P. Van Hentenryck OptQuest de Glover, Laguna y Mart MAGMA de Roli y Milano METHOOD de Grotehen y Dittrich (univ. Zurich) Evolver de Lou Mendelsohn GENOCOP de Z. Michalewicz Libro de Voss y Woodruff (2002)

Esquema
1. 2. 3. 4. 5. Concepto de Metaheurstica. Tipos de Metaheurstica. Relevancia de las Metaheursticas. Propiedades deseables. Comentarios finales (conclusiones).

4. Propiedades deseables
Enumerar las propiedades deseables: Son todas las propiedades que favorecen el inters prctico y terico Indican direcciones a las que dirigir los esfuerzos para contribuir al desarrollo cientfico e ingenieril. No ser posible mejorar todas a la vez. algunas son parcialmente contrapuestas varias apuntan en la misma direccin Simple Precisa. Coherente Efectiva Eficaz Eficiente General. Adaptable. Robusta. Interactiva. Mltiple. Autnoma

Las propiedades deseables (I)


Simple. La metaheurstica debe estar basada en un principio sencillo y claro; fcil de comprender. Precisa. Los pasos y fases de la metaheurstica deben estar formulados en trminos concretos. Coherente. Los elementos de la metaheurstica debe deducirse naturalmente de sus principios. Efectiva. La metaheurstica debe proporcionar soluciones de muy alta calidad; ptimas o muy cercanas a las ptimas. Eficaz. La probabilidad de alcanzar soluciones ptimas de casos realistas con la metaheurstica debe ser alta. Eficiente. La metaheurstica debe realizar un buen aprovechamiento de recursos computacionales; tiempo de ejecucin y espacio de memoria.

Las propiedades deseables (II)


General. La metaheurstica debe ser utilizable con buen rendimiento en una amplia variedad de problemas. Adaptable. Debe ser capaz de adaptarse a diferentes contextos de aplicacin o modificaciones importantes del modelo. Robusta. El comportamiento debe ser poco sensible a pequeas alteraciones del modelo o contexto de aplicacin. Interactiva. Debe permitir que el usuario pueda aplicar sus conocimientos para mejorar el rendimiento del procedimiento. Mltiple. Debe suministrar diferentes soluciones alternativas de alta calidad entre las que el usuario pueda elegir. Autnoma. Debe permitir un funcionamiento autnomo, libre de parmetros o que se puedan establecer automticamente.

Comprensin (1-3)
Fcil comprensin: la simplicidad, la precisin y la coherencia. La simplicidad facilita su uso y amplia su aplicabilidad. La descripcin formal de las operaciones debe liberarse de la analoga fsica o biolgica que haya sido la fuente inicial de inspiracin para permitir mejoras que no respeten la analoga. La precisin en la descripcin de los elementos que componen la metaheurstica es crucial para concretar un procedimiento de alta calidad; fcil de implementar. La coherencia con sus principios implica que los procedimientos bsicos de los algoritmos deben traducirse coherentemente de los principios. Debe huirse de sentencias sin sentido o vagas.

Rendimiento (4-6)
Para validar la efectividad y eficacia deben afrontarse con xito un banco de casos reales (o simulados) de solucin conocidas. La eficiencia se contrasta experimentalmente en el empleo de un tiempo computacional moderado para alcanzar xito. La complejidad de los casos se limita por los recursos disponibles en lugar de por la necesidad de los usuarios. Frente a instancias grandes surgen las fortalezas y debilidades. Mejorar su rendimiento incorporando recursos e hibridizndose. Los algoritmos se complican y se usan muchos parmetros. Aunque mejoren su eficiencia, enmascaran las razones de ello. En algunos casos la especializacin lleva a un ajuste fino de parmetros sobre algn conjunto de entrenamiento concreto.

Aplicabilidad (7-9)
Se sustenta en su generalidad, adaptabilidad y robustez. La robustez se refleja en que el nmero de parmetros que hay que fijar en una aplicacin se mantiene bajo. La generalidad se refleja en la diversidad de los campos de aplicacin para los que se han utilizado con xito. La adaptabilidad permite que las conclusiones obtenidas al afrontar un tipo de problemas particular puedan ser aprovechadas en otros contextos. La aplicabilidad de las metaheursticas tiene que ser contrastada experimentalmente analizando el rendimiento frente a variaciones en las caractersticas de los problemas.

Utilidad (10-12)
Para la utilidad de la metaheurstica en aplicaciones reales, incorporndolas a los Sistemas de Ayuda a la Decisin, es importante que se propicien un interface amigable. La interactividad de los sistemas basados en las metaheursticas favorece la colaboracin con otros campos que proporcionan conocimientos especficos de los problemas para mejorar el rendimiento de la metaheurstica. La posibilidad de ofrecer mltiples soluciones de alta calidad, realmente diferentes, entre las que los decisores puedan optar contribuye a diseminar su uso. La relativa autonoma de implementaciones de la metaheurstica permite ganarse la confianza de usuarios poco expertos en optimizacin o en los campos de aplicacin.

Popularidad
Una caracterstica que contribuye a divulgar una metaheurstica es la novedad u originalidad de los principios que la inspiran y de los campos de repercusin social a los que se aplica. Por ejemplo: La inspiracin en fenmenos naturales de los algoritmos genticos (y otras metaheursticas como: Hormigas, Redes Neuronales, Bionmicos, Bandadas, La aplicacin a la demostracin matemtica de la metaheurstica de entorno variable. La aplicacin a la ingeniera gentica de las tcnicas FANS. En entornos cientficos, tecnolgicos, ingenieril o empresarial: el aspecto ms relevante es el xito asociado a la eficiencia y efectividad de los algoritmos derivados de la metaheurstica en la solucin de casos de gran tamao o aplicaciones reales.

Esquema
1. 2. 3. 4. 5. Concepto de Metaheurstica. Tipos de Metaheurstica. Relevancia de las Metaheursticas. Propiedades deseables. Comentarios finales (conclusiones).

5. Comentarios Finales
Tendencias actuales en la investigacin en Metaheursticas. El papel de la intuicin en las Metaheursticas. La comprensin de las Metaheursticas. Organizacin del tpico de las Metaheursticas. Polmicas en el campo de las Metaheursticas. Las comparativas de Metaheursticas. Conclusiones de una visin global

Tendencias en la Investigacin
Se observan diversas tendencias en las investigaciones sobre tcnicas metaheursticas. Unas tratan de mantener la pureza de los mtodos y comprobar su efectividad en nuevos problemas, sin incorporar herramientas de otras metaheursticas, Otras investigaciones, desde una perspectiva ms ingenieril, tratan de aprovechar los recursos proporcionados por cada una de ellas. Para estos ltimos, la nica cuestin relevante es conocer si el beneficio en el rendimiento, proporcionado por la inclusin de tales herramientas, compensa al esfuerzo de su implementacin y al incremento de la complejidad de los cdigos resultantes.

El papel de la intuicin
El campo de investigacin sobre las metaheursticas ofrece ms oportunidades para aplicar la intuicin que la deduccin. En contraste con el xito prctico de muchas metaheursticas, el estudio terico est ms retrasado. Frecuentemente se obtienen buenas nuevas heursticas, con algo de inventiva y gran esfuerzo en el ajuste de numerosos parmetros, pero las razones de por qu funcionan tan bien permanecen desconocidas. La situacin es incluso peor para los hbridos, donde las aportaciones de las metaheursticas implicadas y el beneficio de la interaccin raramente son objetos de un estudio experimental bien diseado.

Comprensin de las metaheursticas


Algunas propuestas encaminadas a una mejor comprensin de estos aspectos son el estudio de la influencia de la topografa de los ptimos locales y de las trayectorias seguidas por los procesos de bsqueda heurstica. El anlisis de la evolucin de las distancias al ptimo frecuentemente se centran exclusivamente en la desviacin del objetivo alcanzado frente al mejor posible. Se puede obtener informacin ms til si se consideran distancias entre las propias soluciones y no slo su valor.

Organizacin del tpico


Los intentos por organizar este campo son numerosos, pero los conceptos principales son raramente definidos con precisin y hay todava muy pocos teoremas significativos. Ninguna estructura ha conseguido una aceptacin general. Ms bien, cada grupo de investigacin inspirador de una metaheurstica tiene su propio punto de vista y habilidad para explicar muchas heursticas en su propio vocabulario as como para absorber ideas de todo el campo (generalmente bajo la forma de hbridos).

Las polmicas
La peor consecuencia de este hecho es la tendencia a la proliferacin de reclamaciones de prioridades basadas en evidencias tan vagas que son difciles de evaluar. Con algunos argumentos o la reutilizacin de trminos en la descripcin de unas metaheursticas y otras, se puede interpretar que una de ellas es la otra definida de manera incompleta (si no se especifica algn elemento importante o es descrito por alguna vaga metfora) o como un caso particular, al restringir el tipo de herramienta aplicada a un tipo de problema. Esto sera igualmente arbitrario. Parece que el carcter bablico de la investigacin en metaheursticas es, esperemos que temporalmente, ligeramente deshonesto. Mientras esto permanezca as, xitos claros en problemas particulares sern ms importantes para evaluar las metaheursticas que largas controversias.

Comparativas
Finalmente, cuando se consideren globalmente las cualidades deseables de las metaheursticas, las comparativas de eficiencia no tendran el papel tan dominante, algunas veces exclusivo, que se les da en muchos artculos. El propsito de estas investigaciones debe ser la comprensin de las metaheursticas, no la competicin entre ellas. Otras cualidades de las heursticas y las metaheursticas distintas que la eficiencia pueden ser tan importantes a la larga, como la simplicidad, la precisin, la robustez, y, sobre todo la, amigabilidad.

Conclusiones
Para la resolucin prctica de problemas de inters, no resulta apropiado utilizar slo procedimientos diseados a propsito para cada modelo y dependientes de su estructura particular. Ante la necesidad de utilizar algoritmos heursticos, las metaheursticas proporcionan pautas y estrategias generales de diseo para obtener heursticas con un alto rendimiento escapando de ptimos locales. Las metaheursticas aportan soluciones de alta calidad con un consumo de recursos razonables, aprovechando la experiencia y funcionando de forma transparente por lo que el impacto prctico de las metaheursticas est siendo inmenso. De cara a los EDSS, es preferibe proporcionar un nmero moderado de soluciones diversas de muy alta calidad con un esfuerzo moderado, para lo que son tiles las bsquedas evolutivas inteligentes (Scatter Search).

GRACIAS
Jos A. Moreno jamoreno@ull.es