Nombre: José de Jesús Cerón Herrera

Matricula: 21029155
Materia: Optimización y metaheurística v2
Asesor: David Lenin Diaz Nevaréz
Fecha: 13/12/23
Introducción

La heurística es una forma de resolver problemas que no garantiza la solución

óptima, pero que puede ser muy útil para problemas difíciles. Se basa en el uso de
la intuición, el pensamiento lateral y la creatividad para generar soluciones
aproximadas que sean lo suficientemente buenas para la mayoría de los casos.

Imaginemos que queremos llegar a un destino desconocido. Podemos utilizar un

mapa para trazar la ruta más corta, pero si el mapa no está actualizado o si el
tráfico es intenso, es posible que la ruta más corta no sea la mejor opción. En este
caso, podemos utilizar una heurística para encontrar una ruta alternativa que sea
más rápida o más conveniente.

Una heurística podría consistir en utilizar la intuición para elegir la ruta que parece
más directa. O bien, podríamos utilizar el pensamiento lateral para imaginar
diferentes rutas posibles y evaluarlas en función de diferentes criterios, como el
tiempo de viaje, el costo o la seguridad.

Las heurísticas se pueden utilizar para resolver una amplia gama de problemas,
desde la planificación del transporte hasta la asignación de recursos. Son una
herramienta valiosa para los problemas que son demasiado complejos o difíciles
para ser resueltos por métodos más tradicionales.

Metaheurísticas: un camino hacia la optimización

Las metaheurísticas son un tipo de heurística que se utiliza para resolver

problemas difíciles de optimización combinatoria. La optimización combinatoria es
el proceso de encontrar la mejor solución a un problema en el que las posibles
soluciones están formadas por combinaciones de elementos.

Los problemas de optimización combinatoria son muy comunes en el mundo real.

Por ejemplo, pueden utilizarse para encontrar la ruta más corta entre dos puntos,
el horario de trabajo más eficiente para un grupo de empleados, o la combinación
de productos que maximice las ganancias de una empresa.
Los métodos tradicionales de optimización combinatoria a menudo no son
capaces de encontrar soluciones óptimas para problemas difíciles. Esto se debe a
que los problemas de optimización combinatoria pueden tener una gran cantidad
de posibles soluciones, y explorar todas estas soluciones es una tarea
computacionalmente inviable.

Las metaheurísticas ofrecen una solución a este problema. Se basan en la

combinación de diferentes estrategias heurísticas, así como técnicas de
aprendizaje automático y optimización, para encontrar soluciones aproximadas
que sean lo suficientemente buenas para la mayoría de los casos.

Las metaheurísticas son una herramienta poderosa que se ha utilizado con éxito
para resolver una amplia gama de problemas de optimización combinatoria. Han
sido utilizadas para planificar rutas de transporte, asignar recursos, diseñar redes
de comunicación, y optimizar la producción industrial.

Algunos ejemplos de heurísticas

Regla de tres: Esta regla se utiliza para estimar un número desconocido a partir de
tres números conocidos. Por ejemplo, si sabemos que un coche de 100 CV
consume 6 litros a los 100 kilómetros, y que un coche de 120 CV consume 7 litros
a los 100 kilómetros, podemos estimar que un coche de 110 CV consumirá
aproximadamente 6,5 litros a los 100 kilómetros.
Búsqueda local: Esta estrategia consiste en explorar el espacio de soluciones a
partir de una solución inicial. A partir de esta solución inicial, se realizan pequeños
cambios para mejorar la solución. El proceso se repite hasta que se alcanza una
solución que no se puede mejorar más.
Programación lineal: Esta técnica se utiliza para resolver problemas de
optimización en los que las variables están limitadas por restricciones lineales.
Algunos ejemplos de metaheurísticas

Regla tabu: Esta estrategia consiste en evitar realizar cambios que ya se hayan
realizado en el pasado. Esto ayuda a evitar que la metaheurística quede atrapada
en un bucle local.
Enfriamiento simulado: Esta estrategia consiste en empezar con una solución
aleatoria y, a continuación, ir mejorando la solución gradualmente, reduciendo la
temperatura a medida que se avanza.
Enjambre de partículas: Esta estrategia se basa en el comportamiento de los
enjambres de insectos. Las partículas del enjambre se mueven por el espacio de
soluciones, y se atraen entre sí y se repelen de las soluciones peores.

Desarrollo

Elementos Heurísticas Metaheurísticas

Características Son Algoritmos y Son procedimientos
acciones para solucionar iterativos que guían una
un problema. heurística subordinada
combinando de forma
inteligente distintos
conceptos para explorar
y
explotar adecuadamente
el espacio de búsqueda.
Ventajas Son económicas tanto en Tienen una alta tasa de
tiempo como en dinero. convergencia (lo que nos
La evaluación heurística da una mayor certeza de
tiende a centrarse en que obtendremos una
menos áreas, más solución valida).
relevantes, por lo que los
problemas que identifica
tienden a ser
importantes.
Desventajas Pueden llevar a errores A veces hallar una
de juicio, sobre todo en solución valida puede
la tomar una cantidad de
toma de decisiones mas tiempo muy grande.
complejas (Sesgos
cognitivos).
Similitudes No se garantiza la Es un método bastante
solución óptima al Inestable.
problema en cuestión,
sino más bien una
solución factible muy
buena.
Diferencias Explota la información Técnicas independientes
dependiente del de los problemas que se
problema para encontrar pueden aplicar a una
 una solución “lo amplia gama de
suficientemente buena” problemas.
para un problema
especifico.

Investiga y explica 5 ejemplos de heurísticas aplicados a la vida real.

1. Regla de tres
La regla de tres es una heurística simple que se utiliza para estimar un número
desconocido a partir de tres números conocidos. Por ejemplo, si sabemos que un
coche de 100 CV consume 6 litros a los 100 kilómetros, y que un coche de 120 CV
consume 7 litros a los 100 kilómetros, podemos estimar que un coche de 110 CV
consumirá aproximadamente 6,5 litros a los 100 kilómetros.
2. Búsqueda local
La búsqueda local es una estrategia heurística que consiste en explorar el espacio
de soluciones a partir de una solución inicial. A partir de esta solución inicial, se
realizan pequeños cambios para mejorar la solución. El proceso se repite hasta
que se alcanza una solución que no se puede mejorar más.
Por ejemplo, imaginemos que queremos encontrar la ruta más corta entre dos
puntos en un mapa. Podemos empezar con una ruta aleatoria y, a continuación, ir
mejorando la ruta gradualmente, cambiando las calles por otras que sean más
cortas o que eviten el tráfico.
3. Programación lineal
La programación lineal es una técnica heurística que se utiliza para resolver
problemas de optimización en los que las variables están limitadas por
restricciones lineales.
Por ejemplo, imaginemos que una empresa tiene que asignar sus recursos a
diferentes proyectos. La empresa quiere maximizar sus ganancias, pero también
tiene que cumplir con algunas restricciones, como el tiempo disponible de los
empleados y los recursos financieros. La programación lineal puede utilizarse para
encontrar una asignación de recursos que satisfaga todas las restricciones y que
maximice las ganancias de la empresa.

4. Regla tabú
La regla tabú es una estrategia heurística que consiste en evitar realizar cambios
que ya se hayan realizado en el pasado. Esto ayuda a evitar que la heurística
quede atrapada en un bucle local.
Por ejemplo, imaginemos que estamos jugando a un juego de ajedrez. Podemos
utilizar la regla tabú para evitar realizar movimientos que ya hayamos realizado en
el pasado. Esto puede ayudarnos a encontrar mejores movimientos y a ganar la
partida.

5. Enfriamiento simulado
El enfriamiento simulado es una estrategia heurística que consiste en empezar
con una solución aleatoria y, a continuación, ir mejorando la solución
gradualmente, reduciendo la temperatura a medida que se avanza.
Por ejemplo, imaginemos que estamos diseñando un circuito electrónico.
Podemos utilizar el enfriamiento simulado para encontrar un diseño que cumpla
con todos los requisitos y que sea lo más eficiente posible.

Estas son solo algunas de las muchas formas en que las heurísticas se aplican a
la vida real. Las heurísticas son herramientas poderosas que pueden utilizarse
para resolver una amplia gama de problemas difíciles.

Adicionalmente diseña un problema de la vida real y describe cómo se aplicaría

una metaheurística para solucionarlo

Problema:
Una empresa de transporte tiene que planificar las rutas de sus camiones para la
próxima semana. La empresa tiene que tener en cuenta una serie de factores,
como la distancia a recorrer, el tiempo de entrega, el costo del combustible y las
restricciones de los clientes.

Solución:
Una metaheurística que podría utilizarse para resolver este problema es el
enjambre de partículas. El enjambre de partículas es una estrategia que se basa
en el comportamiento de los enjambres de insectos. Las partículas del enjambre
se mueven por el espacio de soluciones, y se atraen entre sí y se repelen de las
soluciones peores.
En este caso, las partículas del enjambre representarían las diferentes rutas
posibles. Las partículas se moverían por el espacio de soluciones, cambiando las
rutas de acuerdo con las reglas del enjambre de partículas. El proceso se repetiría
hasta que se alcanzara una solución que no se pudiera mejorar más.
Las reglas del enjambre de partículas se pueden modificar para adaptarlas a las
necesidades específicas del problema. Por ejemplo, se podría modificar la
velocidad a la que se mueven las partículas, o la distancia a la que se atraen entre
sí.
En el caso de la empresa de transporte, las reglas del enjambre de partículas
podrían modificarse de la siguiente manera:
La velocidad de las partículas podría depender de la distancia a recorrer y del
tiempo de entrega.
La distancia a la que se atraen entre sí las partículas podría depender del costo
del combustible y de las restricciones de los clientes.
De esta manera, el enjambre de partículas podría encontrar una ruta que cumpla
con todos los requisitos de la empresa y que sea lo más eficiente posible.

Resultados:

El enjambre de partículas podría encontrar una solución al problema de la

empresa de transporte en un tiempo razonable. La solución sería aproximada,
pero lo suficientemente buena para la mayoría de los casos.
Además, el enjambre de partículas podría ser escalado para resolver problemas
más grandes. Por ejemplo, si la empresa de transporte tuviera que planificar las
rutas de sus camiones para un mes, el enjambre de partículas podría utilizarse
para encontrar una solución en un tiempo razonable.

Conclusión
Las metaheurísticas son un tipo de algoritmo que se utiliza para resolver
problemas complejos. A diferencia de los algoritmos tradicionales, que se basan
en un enfoque matemático riguroso, las metaheurísticas se basan en un enfoque
más empírico, utilizando técnicas como la búsqueda local, la exploración aleatoria
y la mejora iterativa.

Las metaheurísticas se utilizan en una variedad de contextos en la vida cotidiana,

como:
1. El tráfico en las grandes ciudades: Las metaheurísticas se pueden utilizar
para encontrar rutas óptimas para los vehículos, reduciendo el tiempo de
viaje y la contaminación.
2. Los niveles de contaminación: Las metaheurísticas se pueden utilizar para
optimizar los sistemas de transporte y energía, reduciendo la emisión de
gases contaminantes.
3. La calidad de los servicios de telecomunicaciones: Las metaheurísticas se
pueden utilizar para mejorar la cobertura y el rendimiento de las redes de
telecomunicaciones.
4. La resolución de disrupciones causadas por retrasos en los vuelos: Las
metaheurísticas se pueden utilizar para reasentar a los pasajeros afectados
por retrasos o cancelaciones de vuelos.
5. El tiempo necesario para recibir los productos: Las metaheurísticas se
pueden utilizar para optimizar las rutas de entrega, reduciendo el tiempo de
entrega de los productos.
6. Las heurísticas son un tipo de metaheurística que se utiliza para encontrar
soluciones aproximadas a problemas complejos. Las heurísticas son a
menudo más rápidas y simples que los algoritmos tradicionales, pero no
siempre garantizan una solución óptima.

En general, las metaheurísticas son una herramienta poderosa que puede ser
utilizada para resolver una amplia gama de problemas complejos. Las heurísticas
son una subclase de las metaheurísticas que son a menudo más rápidas y
simples, pero no siempre garantizan una solución óptima.

Libros
Metaheuristics: Theory and Applications, de Thomas Stützle y Holger H. Hoos
(2005)
Metaheuristics: An Introduction, de Michael T. Goodrich y Roberto Tamassia (2014)
Metaheuristics for Optimization: Theory and Applications, de J. S. Artacho y J. M.
Tamarit (2016)
Artículos
Metaheuristics: A Gentle Introduction, de R. Battiti (2002)
A Survey of Metaheuristics, de A. H. Gandibleux y Y. Gendreau (2002)
Metaheuristics: A Literature Survey, de C. Blum y A. Roli (2003)