GRASP

Dra. Iris Abril Martínez Salazar

HEURÍSTICAS MIOPES-
AVARICIOSAS-GREEDY

• Problema de la mochila
Mochila: 8 unidades de peso, 4 elementos para escoger
Elemento: 1, 2, 3, 4
Valor de los elementos, en dólares: 2, 5, 7, 9
Costo de los elementos, en unidades de peso: 1, 3, 5, 7
• Estrategias de construcción heurística.
Heurística 1: Seleccionar los elementos más valiosos.
Heurística 2: Seleccionar los elementos más valiosos por unidad de
peso.

¿Cuál es la solución al problema utilizando cada una de estas dos

estrategias?
 Calidad de la solución
Problema de la mochila:
Mochila: 8 unidades de peso, 4 elementos para escoger
Elementos: 1, 2, 3, 4
Valor de los elementos, en dólares: 2, 5, 7, 9
Costo de los elementos, en unidades de peso: 1, 3, 5, 7

Calidad de la solución
• Heurística 1: (1,4) , valor de la función objetivo: 11.
• Heurística 2: (1,2), valor de la función objetivo: 7.
• Solución óptima: (2,3), valor de la función objetivo: 12.
Ninguna de las estrategias permite alcanzar la solución óptima.
La estrategia 100% greedy no permitió llegar a la solución óptima.
Heurísticas Semi-greedy

En cada paso, se añade a la solución, no

necesariamente el elemento con mejor valor de la
función de evaluación.
GRASP (agarrar, abarcar)

G Greedy
R Randomized
A Adaptive
S Search
P Procedures

Se basa en la premisa de que soluciones iniciales buenas y

diversas juegan un papel importante en el éxito de los métodos
de búsqueda local.
GRASP

Método multi-arranque, en el que cada iteración

GRASP consiste en la construcción de una solución
miope aleatorizada, seguida de una búsqueda local,
usando la solución construida como punto inicial de
dicha búsqueda.
Este procedimiento se repite varias veces y la mejor
solución encontrada se devuelve como la solución
aproximada.
Componentes de GRASP

Función de evaluación miope:

Guiar la construcción de soluciones.
Efectuar el mejor movimiento disponible en
cada paso.

Procedimiento de elección al azar

Proceso de actualización adaptativo
Postprocesamiento
Función Miope (Greedy)

Para el TSP, podría ser:

-La distancia del cliente al ultimo cliente en la
ruta (similar a la función utilizada en el algoritmo
del vecino más cercano.
Para el problema de la mochila, podría ser:
-El valor de los objetos.
-El peso que ocupan los objetos.
-El métrico valor/peso.
 Lista Restringida de Candidatos

En cada etapa construir una lista de candidatos LC con

movimientos admisibles ordenados de manera decreciente
con respecto a su beneficio medido por la función miope

Restringir la lista (LRC) de forma que contenga buenos

movimiento aunque no necesariamente óptimo (en sentido
miope)
• Restringir por cardinalidad (los k mejores)
• Restringir por valor
LRC por valor

• Parametro a define la calidad de los elementos en

LRC.

• LRC contiene elementos con coste entre este

intervalo:
cmin £ c(e) £ cmin + a (cmax – cmin)

a @ 0??
a @ 1??
 a=1:
a=0:
construcción
construcción
puramente
puramente miope
aleatoria
Criterio Selectivo (a @ 0)

Pocos candidatos disponibles.

Ventaja: el objetivo miope no se compromente

demasiado. Se esperan valores Buenos de la función
objetivo.

Desventaja: diversidad de soluciones limitada, puede ser

que el óptimo y muchas buenas alternativas no se
encuentren.
Amplio criterio (a @ 1)

Extremo: cualquier candidato es elegible.

Un gran número de soluciones diferentes

Calidad promedio de las soluciones pobre

Se puede requerir de un gran número de construcciones

de GRASP para lograr un buen resultado
Adaptativo

• Una vez elegido el movimiento, se recalculan los

beneficios asociados con cada elemento.

• El cálculo debe reflejar el cambio producido al incorporar

la selección previa en la solución en construcción.
Post-procesamiento

Mejorar la solución obtenida en la fase de

construcción.

Idea: Si GRASP produce una diversidad

amplia de buenas soluciones, se espera que
al menos una de ellas pertenezca al entorno
de la solución óptima
ESQUEMA BÁSICO DE UN GRASP
Datos de entrada
Mejor solución encontrada hasta el momento: x*
• While (no se cumpla criterio de parada)
• Construir solución —> x
• Construir solucion de manera secuencial, utilizando la
función de evaluación greedy y las listas restringidas de
candidatos.
• Mejorar solución (x) —> x’
• Comparar solución (x’ contra x*)
• If (x’ mejor que x*)
• Actualizar x*
• Fin de GRASP
La mejor solución encontrada por GRASP es x*
Criterios de parada

Cierto número de
Cierto número de iteraciones sin
iteraciones. mejora en la mejor
solución encontrada.
 Espacio que
Objeto Beneficio
ocupa
Ejercicio individual 1 10 5
2 4 3
Resuelve el siguiente problema de 3 20 15
la mochila, utilizando la estrategia
4 6 3
construcción en base a mejor valor
del elemento y listas restringidas de 5 8 4
candidatos. 6 1 1
a) Lista restringida de candidatos 7 15 9
por cardinalidad con k=3.
8 2 2
b) Lista restringida de candidatos
por valor con a = 0.2.
9 6 3
10 5 3
La capacidad de la mochila es de 30.
11 10 4
12 10 7