Modelamiento de Procesos Industriales IND6-1,IND6-2,IND6-3,IND6-4,IND6-5, Prof. Dr. Alexander J. Benavides |. Relacione los conceptos | soluciones desde cero. afadiendo uno a uno los ntos hasta obtener una solucién completa. (GF Sscrifican 1a garantfa de optimalidad para obsener solu- ‘ciones casi Gptimas en ticmpos razonables. {€€) Conjunto de soluciones similares a la solucién actual, a Tas que se Hega aplicando un cambio simple. ‘Busca solucionar problemas con un conjunto finito de so- Juciones y que tienen variables discretas. (9 xtraegia que basea mejores soluciones cerca dela solu ‘cin actual. Ge soluciones crcl mover un clement 9 jos otros elementos entre 185 njunto de soluciones creadas al mover un elemento a ‘pura posicign, colocando en su lugar al elemento que &- taba en la nucva posicion. Say Estrategia ‘que busca soluciones que leven anuevos {ores minimos locales. mejor decision posible a cada paso de seers yme- (@) Toma la ciGn. (&) Iterativamente intenta reem tuna mejor solucién dentro de una vecin plazar la solucién actual con ndad definida. 2 Algoritmo constructive _& — Miétodos Aproximados 3. Vecindad de insercién yy 4 ___ Imtensificacién Pe Algoritmo goloso 4h Vecindad de intereambio Mertese “ f y % am Examen Final, Teérico ~ Prictico. Seccién 2. Mencione al menos cuatro clasificacio- nes de metaheuristicas @) Expat (b) Sf ) , Das () Veege @ No Nemory Seccién 3. Relacione los conceptos (af Utiliza una distribucién de probabilidad exponencial ne~ sativa como criterio para aceptar neotes solucioncs. Se basen el principio de sobrevivencia del més apro pa ra sclecefonar las micjores soluciones de un conjunto Je f soluciones diversas r (6 Unliza un esquema de perturbasidn en eh qe Siempre ‘mata mejor decisién Jaca) para prodycir mejores Soho nes diversas. te) (@y Utiti2n un mecanistno de memoria para probibir i explo- racién de vecindades previamente Visitas. (c) Pasea una sola solucién para explorarel espacio de Wis queda. Kf) Muestrea cl espacio de biésqueda con un conjunto d& 80- luciones. (e) Genera repetidamente soluciones diversas eon un esqis> ne de pertrbacién,y explora sus vecndades con IA eSPE= ranra de encontar mejores lines locales 41 trerated Greedy Algorithm { © algoritmo Genética __b © Técnica poblacional erated Local re Tabu Search,Output: The best solution s* found d 1: s:= Constructive HEuRISTIC( ) LOCAL_Searchi(s) EXCHANGE_ELEMENTS_RANDOMLY(s, 4) ie : Locat_SeARcH(s’) ae 3: ACCE i, aes ie ey u : eee ena T) then ‘for each (-(K),7(K + 1)) € Rinarandom order do Update s* if necessary ‘x? = Remove Jon(r,7(k)) end if x4 = Insext_Jon(e?-7(H)) 10: until. some stopping criterion is satisfied Can”) < Crna) then ee : Come) 1: end for . Comose() 2 Comex oa Apia SHR GT 0 peru, and atempetire (e) Input: A number dof elemei rants Thebes solution s* found during tbesearch. fA ALEORUO _GENETELD {ro -= CONSTRUCTIVE_HEURISTIC() | : oe 7 2: $= LOCAL_SEARCH(s) 5) Tapats A numberof solution o explore . Seren = oo REMOVE_ELEMENTS(s, d) Hs ere) 9 1N SERT_ELEMENTS_GREB py(s?,d) : ate & v= Locat_Seancn(#) 7 ‘ - oe) if ACCEPTANCE_CRITERION(s, 8°, T°) then (P= MUTATE Some SoLuTions()?) sas gsT_SoLuTions(n, Pw Pw P") SO haa ‘ me stopping criterions satisfied pare . ‘Fe sseombmscions Pant oe stoping eterion sae a ee r(c) input: “noo-pemutaion schedule x whimakespan Cpail#): ‘Ouipa A zal opinom este x i mstenan Cas) = Tagan pe een Grows) (0: Tent The rose tines oy foreach job Jj on each machine E e/, Mon 2 wes Coals”) Crome) Ges on ee Sy scleced subset of ali (see ext) ates remain SS ey ae Lat et) € Rinarandomente 1 es a= jobs ordered by non-increasing total processing time fae swan sons(n(h).7(k+1)) 3: for t€ [2,m] do If Cmax 2?) < Conor! “Evaluate all possible insertions of job 2xp(t) into nes Cruel) Insert job (1) into = atthe best position ‘Optionally, improve the partial solution 4 end for 2