Metaheurística

Se puede decir que son una heurística que va más allá de los óptimos locales, es decir,
guían a otras heurísticas, Pueden ser utilizadas para manipular una solución parcial o
completa. Tomando esto en cuenta las metaheurísticas son estrategias inteligentes para
diseñar o mejorar procedimientos heurísticos muy generales con un alto rendimiento. En
la practica de los VRP y demás problemas de optimización combinatoria se han utilizado
algunas metaheurísticas populares como: Algoritmos genéticos (GA), recocido simulado
(SA), búsqueda tabú (TS), sistema de colonias de hormigas (ACS), La optimización de
enjambre de partículas (PSO).
Szeto y col. (2011) desarrollaron un algoritmo ABC mejorado basado en colonias de abejas
para resolver CVRP. Las metaheurísticas son estrategias para diseñar procedimientos
heurísticos. A continuación, presentamos 4 tipos fundamentales:

1. Las metaheurísticas de relajación se refieren a procedimientos de resolución de

problemas que utilizan relajaciones del modelo original (es decir, modificaciones del
modelo que hacen al problema más fácil de resolver), cuya solución facilita la solución del
problema original.
2. Las metaheurísticas constructivas se orientan a los procedimientos que tratan de la
obtención de una solución a partir del análisis y selección paulatina de las componentes que
la forman.
3. Las metaheurísticas de búsqueda guían los procedimientos que usan transformaciones
o movimientos para recorrer el espacio de soluciones alternativas y explotar las estructuras
de entornos asociadas.
4. Las metaheurísticas evolutivas están enfocada a los procedimientos basados en
conjuntos de soluciones que evolucionan sobre el espacio de soluciones.

Otras metaheurísticas se centran en el uso de algún tipo de recurso computacional o formal

especial como: las redes neuronales, los sistemas de hormigas o la programación por
restricciones.
Los autores sugirieron que Szeto y col. (2011) desarrollaron un algoritmo ABC mejorado
basado en colonias de abejas para resolver CVRP la solución puede intercambiarse incluso
con las peores soluciones si no hay una mejora de la solución en las últimas k iteraciones.
En 2013 Zhou y col propusieron un enfoque basado en GA para resolver el VRP bi-
objetivo con ventanas de tiempo Se han utilizado para resolver la selección de torneos, el
cruce de un punto y los operadores de mutación migratoria.
Se han utilizado operadores de mutación y cruce para el proceso de evolución. Las
soluciones obtenidas por DE se mejoran aún más mediante la aplicación de operadores de
búsqueda locales concluyendo que la eficiencia de DELS es limitada para problemas de
tamaño pequeño y los resultados pueden degradarse para casos más grandes
Lo Amarillo NO( es mas para aportar, luego añado más) dejaré un link también solo de soporte

chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/viewer.html?pdfurl=https%3A%2F
%2Ftebadm.ulpgc.es%2Falmacen%2Fseminarios%2FMH%2520Las%2520Palmas
%25202.pdf&clen=192105&chunk=true