Conclusiones y posibles trabajos futuros.

Los resultados obtenidos demuestran que las estrategias de evolución pueden

mejorar notablemente los resultados obtenidos mediante métodos de regresión

y tienen una aplicación clara en problemas donde el paisaje de búsqueda no se

conoce o es imposible de calcular.

En el problema en cuestión que ha sido tratado, son varios los inconvenientes

con los que nos hemos encontrado y que hemos tenido que lidiar. El primero de

ellos es la costosa evaluación de candidatos y la imposibilidad de aproximar su

aptitud mediante alguna directriz heurística.

La representación de los parámetros del problema (que en nuestro caso se

correspondían con los coeficientes del polinomio interpolador) promovía el

solapamiento de las variables, de forma que, por ejemplo, un pequeño cambio

en el coeficiente de orden 3 podía alterar enormemente el resultado mientras

que un cambio similar en el término independiente solo ocasionaba un cambio

pequeño. Para mayor dificultad, encontramos que la función de aptitud no

estaba definida en todos los valores de forma que era enormemente difícil para

el algoritmo aprender acerca del espacio de soluciones y un camino evolutivo

prometedor podía acabar degenerando en soluciones inválidas.

Como línea de investigación futura debería proponerse una reformulación de la

representación de los candidatos que permitiese una mayor libertad al método

genético, a la vez que aprovechase mejor sus capacidades y limitase la

degeneración de la población. Por ejemplo, podría considerarse permitir al

algoritmo elegir el tipo de función interpoladora o incluso construir la suya

propia a partir de bloques constructivos básicos.

También, y debido a las capacidades implícitas de paralelización de los AE en

futuras ampliaciones podrían considerarse estrategias de evolución en

implementación paralela para explotar al máximo las posibilidades de ejecución

concurrente en multi-cpu, computación GPU, o ejecución en un Grid dedicado

de alto rendimiento.