Está en la página 1de 5

1. ¿Qué es un problema de optimización combinatoria?

Es un campo de investigación en rápido crecimiento, esto se debe a la importancia de


la combinación, problemas de optimización para el mundo científico y el industrial.

2. ¿Qué es un método aproximado?


En métodos aproximados, sacrificamos la garantía de encontrar soluciones óptimas
para obtener buenas soluciones en una cantidad de tiempo significativamente
reducida. Entre los métodos aproximados básicos, generalmente distinguimos entre
métodos constructivos y métodos de búsqueda local.

3. ¿Qué es un método aproximado básico o heurística?


La heurística es un método de construcción de alto nivel que guía a resolver un
problema específico, el objetivo es evitar las desventajas permitiendo una óptima
búsqueda local.

4. ¿Cuáles son los dos (2) métodos aproximados básicos? Describa cómo funciona cada
uno.
Métodos constructivos: Los algoritmos constructivos generan soluciones desde cero
agregando a una solución parcial que esta inicialmente vacías componentes hasta que
esta se complete.
Métodos de búsqueda local: Esta comienza con una solución inicial e iterativamente
reemplazar la solución actual por una solución mejor en un vecindario adecuadamente
definido de la solución actual.

¿Qué es un óptimo local en una vecindad?


Es una búsqueda óptima en una estructura de vecindad que nos permite definir el
concepto de soluciones localmente mínimas.

5. ¿Qué es un óptimo global?


Es aquella posibilidad que se acerca a la región factible

6. ¿Qué es una metaheurística? ¡Dé una definición propia!


Por lo general se aplica a problemas que no tienen un algoritmo especifica que dé una
solución satisfactoria o si no se puede implementar un método optimo, la mayoría
tiene como objetivo los problemas de optimización combinatoria.

7. ¿Qué es intensificación en una metaheurística?


Es una estrategia a corto plazo vinculado con la aleatoriedad que logra identificar con
mayor rapidez las regiones en el espacio de búsqueda y son soluciones de alta calidad.

8. ¿Qué es diversificación en una metaheurística?


Es una estrategia a corto plazo que de forma aleatoria es utilizada para no perder
demasiado tiempo en las regiones del espacio de búsqueda, de esta forma evitar la
pérdida de tiempo en encontrar soluciones óptimas.

9. ¿Cómo se clasifican las metaheurísticas? Describa los cinco tipos de clasificación.


- Inspirada o no-inspirada frente a la naturaleza:
Es una forma intuitiva de clasificación basada en los orígenes del algoritmo, posees
diferentes
clasificaciones como:
⮚ Basados en la Naturaleza: Algoritmos Genéticos y Anti genéticos
⮚ No basados en la Naturaleza: Búsqueda Tabú, Iterado Búsqueda Local

- Frente a la búsqueda de un punto de base poblacional:


Describe una trayectoria en el espacio de búsqueda durante el proceso de la misma,
además describe la evolución de un conjunto de puntos en el espacio de búsqueda.

- Función objetivo estático:


Busca eliminar los mínimos de local para que se pueda modificar la búsqueda de
terrenos así clasificándolos de acuerdo a la forma en la que se usa la función objetivo.

- Uno frente a diversas estructuras.


Acá los algoritmos metaheuristicos emplean una estructura única vecindario esto
quiere decir que no cambia en el transcurso del algoritmo.

- Memoria frente a métodos sin memoria.


Acá los algoritmos sin memoria realizan el proceso de Markov, la información se utiliza
exclusivamente para determinar el estado actual del proceso de búsqueda.

- Optimación combinatoria.

10. ¿Qué son métodos de trayectoria?


Los métodos de trayectoria son un proceso de búsqueda que se realiza por un
desplazamiento en el espacio de búsqueda. Estos dan información sobre cómo se
define a un algoritmo y como este se comporta tomando en cuenta su efectividad.
- Búsqueda local básica.
- El simulado.
- Búsqueda tabú.
- Explorando búsqueda local.

11. ¿Cómo funciona el criterio de aceptación de Simulated Annealing?


Permite movimientos que resultan en soluciones de peor calidad que la solución
inicial, la probabilidad de realizar un movimiento se reduce durante la búsqueda.
El algoritmo comienza en una solución inicial de forma aleatoria o heurísticamente
construido y se inicia la T de temperatura, la que se disminuye durante el proceso de
búsqueda por lo que la probabilidad de aceptar movimientos de subida es alta y poco
a poco van llegando a simple algoritmo de mejora iterativa, si se utilizaría una
memoria sería beneficioso para el algoritmo.

12. ¿Cómo se utiliza la lista tabú y el criterio de aspiración en la búsqueda tabú?


La Búsqueda Tabú es una metaheurística es utilizada mayormente para resolver
problemas de optimización combinatoria, y ha sido aplicada eficazmente en la
resolución de problemas de generación de horarios escolares.

13. ¿Cómo se utiliza la lista de candidatos restringidos en GRASP?


Greedy Randomized procedimiento de búsqueda adaptativa, es una meta heurística
sencilla que combina búsqueda local y heurísticas constructivas, está compuesto por
dos fases: solución de construcción y la mejor solución
La utilización de la lista de candidatos es realizada por pick-ing de manera uniforme al
azar de una lista de candidatos, la lista de candidatos está compuesto por los mejores
elementos y se actualiza
en cada paso de acuerdo a las puntuaciones de los elementos que van cambiando
durante la fase de construcción, se basa en los costes de arco, cuanto menor es el
costo de un arco, mayor será su puntaje.
14. ¿Cómo se utiliza la estructura de vecindades en VNS? ¿Por qué la búsqueda local
necesita una vecindad fuera de la estructura de vecindades?
Una variante equivalente a VNS, es la de cambiar la representación de las soluciones.
Como el cambio de representación cambia las soluciones que son vecinas, el efecto es
bien parecido.

15. ¿Cómo se escapa del mínimo local en la búsqueda local guiada?


El algoritmo funciona de la siguiente manera: parte de una solución inicial y aplica un
método de búsqueda local hasta alcanzar un mínimo local. Entonces la matriz de
penalizaciones se actualiza y va incrementando algunas de las penalizaciones y la
búsqueda local se inicia nuevamente. Las características personalizadas son aquellas
que tienen la máxima utilidad, cuanto mayor sea el costo, mayor será la utilidad de las
funciones. Sin embargo, el costo se escala por el parámetro de penalización para evitar
que el algoritmo esté totalmente sesgado hacia el costo y para que sea sensible al
historial de búsqueda.

16. ¿Para qué sirve la perturbación en la búsqueda local iterada?


La principal idea de búsqueda local iterativa es tratar de generar vecinos que nos
generen pozos de atracción o al menos diferentes.

17. ¿Qué son métodos basados en población?


Son aquellos métodos que tratan cada iteración del algoritmo con un conjunto, es
decir, una población de soluciones, en lugar de una única solución, por lo que, los
algoritmos basados en la población proporcionan una forma natural e intrínseca para
la exploración del espacio de búsqueda. Sin embargo, el rendimiento final depende de
la forma en que se manipula la población.

18. ¿Cuáles son los principales elementos de los algoritmos de evolución computacional?
Descríbalos brevemente.
-Descripción de los individuos:
Estos manejan poblaciones de individuos, el que se utiliza mas es la optimización
combinatoria que es la representación de soluciones como cadenas de bits, las
estructuras de árbol también son posibles.

-Proceso de evolución:
Acá se debe estructurar que individuos ingresaran a la población de la próxima
iteración mediante un esquema de selección, buscando elegir individuos para la
próxima población que son exclusivamente de la descendencia.
-Estructura del barrio:
Esta es una función de vecindad con un conjunto de individuos a los que se les permite
actuar como compañeros de combinación algorítmica.

-Fuentes de información:
Se emplea para poder crear nuevos individuos, pero también hay operadores de
recombinación que operan en más de dos individuos para crear uno nuevo.

-Inviabilidad:
Esto se da cuando se vuelven a unir individuos, los nuevos individuos pueden ser
potencialmente inviable

-Estrategia de intensificación:
Acá se busca mejorar la condición física de las personas.

-Estrategia de diversificación:
Se hace uso de un operador de mutación, que solo realiza una pequeña perturbación
aleatoria de un individuo, introduciendo un tipo de ruido para asi evitar la
convergencia prematura.

19. ¿Cuáles son los principales elementos de la búsqueda por dispersión? Descríbalos
brevemente.
-Generación de semillas:
Acá se crean una o más soluciones de prueba arbitraria, y se utilizan para iniciar el
resto del método.

-Generador de diversificación:
Es un procedimiento que genera una colección de diversas soluciones de prueba a
partir de una solución de prueba arbitraria.

-Mejora:
Se utiliza un mecanismo de mejora, en su mayoría una búsqueda local, para
transformar una solución de prueba en una o más soluciones de prueba mejoradas.

-Actualización del conjunto de referencias:


Es el encargado de construir y mantener un conjunto de referencia que consta de una
serie de mejores soluciones encontradas en el curso del algoritmo.

-Generación de subconjuntos:
Este produce un subconjunto de sus soluciones como base creando soluciones
combinada

-Combinación de soluciones:
Transforma un subconjunto de soluciones, producido por el método de generación de
subconjuntos en una o más soluciones combinadas, las soluciones de prueba pueden
ser tanto dentro como fuera de la región convexa que abarcan las soluciones de
referencia.

20. ¿Qué lleva al éxito a una buena metaheurística?


Una buena metaheurística tendría mucho éxito si puede obtener un equilibrio entre la
explotación de la búsqueda acumulada y la exploración del espacio de búsqueda para
así identificar soluciones de alta calidad en un problema.