T

c
n
i
c
a
s

M
e
t
a
h
e
u
r

s
t
i
c
a
s

d
e

O
p
t
i
m
i
z
a
c
i

n

U
n
i
v
e
r
s
i
d
a
d

N
a
c
i
o
n
a
l

d
e

A
n
c
a
s
h

S
a
n
t
i
a
g
o

A
n
t
u
n
e
z

d
e

M
a
y
o
l
o

(
U
N
A
S
A
M
)

METAHEURSTICAS
Bsquedas de buenas
soluciones de manera
eficiente
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Heursticas
+ Heurstica" deriva del griego heuriskein, que significa
"encontrar" o "descubrir".
+ Objetivos fundamentales en computacin:
Reducir los tiempos de ejecucin
Encontrar buenas soluciones, usualmente las ptimas
+ Una heurstica es un algoritmo que ofrece uno o
ambos objetivos.
+ No hay garanta de obtener la solucin ptima pero s
buenas soluciones.
+ Heursticas de construccin:
Se van aadiendo paulatinamente componentes individuales
a la solucin.
Algoritmos golosos (greedy): en cada paso se elige la mejor
opcin
Ejemplo: algoritmo del vecino ms prximo para el problema del
viajante.
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ El problema del viajante
Recorrer todas las
ciudades, pasando
una sola vez por cada
una de ellas,
finalizando en la
ciudad de partida y
con una distancia total
recorrida mnima
7! = 5040
posibles rutas
Ruta obtenida por el algoritmo greedy
Ruta ptima
1
2
6
5
4
3
7
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Mtodos de bsqueda local
Exploracin de soluciones vecinas, pasando de una
solucin a otra vecina que resulte mejor
Propensos a quedar atrapados en ptimos locales
Dependencia del punto inicial
Bsqueda ciega, no se utiliza informacin recogida durante la
ejecucin del algoritmo.
3

) (
3
N
2

) (
2
N
1

) (
1
N
0

) (
0
N
Solucin inicial
4

) (
4
N
ptimo local
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Valor del objetivo
x
ptimos locales
ptimo global
Valor del objetivo
x
Valor del objetivo
x
ptimos locales
ptimo global
ptimos locales
ptimo global
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+En las heursticas se pueden incorporar
mecanismos de construccin aleatoria
para escapar de ptimos locales.
+Razones para utilizar heursticas:
Resolucin de problemas complejos
Problemas de gran tamao
Problemas no lineales
Problemas combinatorios
Inexistencia o poca efectividad de
algoritmos ptimos
Facilidad para no quedar atrapadas en los
ptimos locales

T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Concepto de metaheurstica
+ Proceso iterativo que gua y modifica las operaciones de la heurstica
subordinada para producir de manera efectiva soluciones de alta
calidad. Puede manipular una sola solucin en cada iteracin o todo un
conjunto de ellas; la heurstica subordinada puede ser un procedimiento
de bsqueda local o un mtodo constructivo (Vob et. al. 1999)

+ Proceso iterativo, con una estructura y unas reglas generales de
funcionamiento que lo caracterizan, que gua un mtodo subordinado
combinando inteligente diversos conceptos para explorar los espacios
de bsqueda utilizando estrategias aprendidas para conseguir
soluciones quasi-ptimas de manera eficiente (Osman y Kelly, 1996)

+ Estrategia maestra que gua y modifica otras heursticas para producir
soluciones ms all de aquellas que normalmente se generan en una
bsqueda de ptimos locales (Glover y Laguna, 1997).

T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Algoritmos metaheursticos:
Combinan algoritmos heursticos con otro tipo de tcnicas
(estadsticas, I.A., bio-inspiradas) para mejorar la efectividad y
rendimiento
Tratan de explotar una coleccin de ideas sensatas para ir
mejorando la calidad de las soluciones
Procesos iterativos con criterios de parada fijados por el
usuario:
Nmero de iteraciones
Nmero de iteraciones sin mejora
Mejora por debajo de un umbral entre iteraciones
Acercamiento al ptimo, si se conoce una cota.
Mecanismos de clculo simple
Pueden ser utilizados e implementados por personas sin una
cualificacin matemtica de alto nivel.
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Ejemplos:
Computacin evolutiva
Algoritmos genticos
Simulated Annealing (termodinamica)
Bsqueda tab (mov. No permitidos- tabu)
ACO (Ant Colony Algorithm)
PSO (Particle Swarm Optimization) (aves, peces)


+ Uso genrico
+ Tratan de recorrer el espacio de soluciones sin quedar
atrapados en una zona.
Exploracin del espacio
Explotacin de las soluciones obtenidas
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Clasificacin de algoritmos
metaheursticos
+ Mtodos de trayectoria:
s = Solucin inicial
repite
Mejorar(s)
hasta que sea imposible mejorar
Ejemplos: Bsqueda local, Simulated Annealing, Bsqueda
Tab, Mtodos de bsqueda local explorativa (GRASP,
VNS, GLS,...)
+ Mtodos basados en poblaciones:
Ejemplos: Computacin evolutiva, Algoritmos genticos,
Algoritmos memticos, Algoritmos basados en colonias de
hormigas

T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Otros posibles criterios de clasificacin:
Algoritmos determinsticos o aleatorios
Determinsticos: bsqueda tab, bsqueda dispersa
Aleatorios: genticos, ACO, PSO
Basados en procesos fsicos, biolgicos, inteligencia
artificial,
Uso de memoria
Sin memoria: Simulated Annealing, GRASP, genticos,
bsqueda local
Con memoria: Bsqueda tab, ACO
+ Esquema de clasificacin X/Y/Z (propuesto por
Laguna):
X = A (adaptativo, con memoria) o M (sin memoria)
Y= N (determinsta) o S (aleatorio)
Z = 1 (basado en una solucin) o P (basado en poblaciones).
Ejemplo: ACO = A/S/P
+ Algoritmos hbridos.
Lecturas complementarias:
Blum & Roli (2005), Puchinger & Raidl (2005)
T

c
n
i
c
a
s

M
e
t
a
h
e
u
r

s
t
i
c
a
s

d
e

O
p
t
i
m
i
z
a
c
i

n

U
n
i
v
e
r
s
i
d
a
d

N
a
c
i
o
n
a
l

d
e

A
n
c
a
s
h

S
a
n
t
i
a
g
o

A
n
t
u
n
e
z

d
e

M
a
y
o
l
o

(
U
N
A
S
A
M
)

Bsqueda Tab
Bsqueda con memoria
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Bsqueda Tab
+ Orgenes:
Fred Glover:
Heuristics for integer programming using surrogate
constraints (1977)
Future paths for integer programming and links to artificial
intelligence (1986)
Introduccin del trmino metaheurstica
Glover y Laguna (1997). Tabu Search. Kluwer Academic
Publishers.
+ Aplicar estrategias basadas en procedimientos
de aprendizaje (Inteligencia Artificial)
Uso de memoria
Bsqueda Inteligente = Memoria + Aprendizaje
Una mala seleccin estratgica proporciona ms
informacin que una buena seleccin aleatoria
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+Principios bsicos:
Memoria selectiva: recordar nicamente las
caractersticas importantes del camino
Evaluacin:
Calidad: identificar elementos comunes a buenas
soluciones
Influencia: medir el impacto de elecciones realizadas
durante la bsqueda
Estructura:
Reciente: almacenar ltimas ocurrencias
Frecuente: almacenar la frecuencia de las ocurrencias
Exploracin inteligente: basada en la
informacin recogida durante la bsqueda
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+Algoritmo TS bsico:
Utiliza una bsqueda local con memoria a
corto plazo que le permite escapar de
mnimos locales y evita ciclos.
La memoria de corto plazo esta
representada por la lista Tab
Registra las ltimas soluciones visitadas e
impide volver a ellas en los prximos
movimientos
Actualizacin FIFO de la lista Tab
Se pueden aceptar cambios que empeoren
las soluciones para evitar caminos ya
explorados.
Se trata de evitar los ptimos locales.
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Algoritmo
s GenerarSolucionInicial
ListaTabu C
While no condicion fin do

s MejorSolucion(s, E(s) \ ListaTabu)
Actualizar(ListaTabu)
End While
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Ejemplo: secuenciacin de
operaciones
+ N operaciones deben pasar por una mquina
+ Objetivo: minimizacin del retraso total
+ Cada tarea T
j
tiene:
Un tiempo de procesamiento p
j cj el tiempo en que resuelvo la tarea

Un tiempo de finalizacin d
j

Una penalizacin por retraso w
j


)
`

=
=
j
d
j
C
j
j
w F
N
, 0 max
1
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Tarea Procesamiento Plazo finalizacin
1 5 9
2 8 10
3 2 16
4 6 7
5 10 20
6 3 23
Posible secuenciacin 1 2 3 4 5 6
Tarea Tiempo de
inicio
Tiempo de
finalizacin
Penalizacin
1 0 5 0
2 5 13 3
3 13 15 0
4 15 21 14
5 21 31 11
6 31 34 11
Penalizacin
total

F = 39
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

1 2 3 4 5 6
Solucin vecina
Intercambiar el orden de
dos tareas
Conjunto de vecinos de la solucin de partida:
Tarea j Tarea i F Valor del movimiento | d
i
d
j
|
1 2 40 1 1
1 3 42 3 7
1 4 38 -1 2
1 5 64 25 11
1 6 47 8 14
2 3 41 2 6
2 4 37 -2 3
2 5 49 10 10
2 6 39 0 13
3 4 42 3 9
3 5 54 15 4
3 6 48 9 7
4 5 43 4 13
4 6 38 -1 16
5 6 32 -7 3
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

1 2 3 4 5 6
Solucin actual
2 3 4 5 6
1
2
3
4
5
Estructura tab
F = 39
Intercambios ms
prometedores
5, 6 -7 S
2, 4 -2
1, 4 -1
4, 6 -1
2, 6 0
Tareas
Valor de
movimiento
ITERACIN 0
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

1 2 3 4 6 5
Solucin actual
2 3 4 5 6
1
2
3
4
5 3
Estructura tab
F = 32
Intercambios ms
prometedores
2, 4 -2 S
1, 4 -1
1, 2 1
2, 3 2
4, 6 2
Tareas
Valor de
movimiento
ITERACIN 1
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

1 4 3 2 6 5
Solucin actual
2 3 4 5 6
1
2 3
3
4
5 2
Estructura tab
F = 30
Intercambios ms
prometedores
1, 4 -2 S
1, 3 1
3, 4 2
2, 4 2 T
2, 6 2
Tareas
Valor de
movimiento
ITERACIN 2
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

4 1 3 2 6 5
Solucin actual
2 3 4 5 6
1 3
2 2
3
4
5 1
Estructura tab
F = 28
Intercambios ms
prometedores
1, 4 2 T
1, 3 2 S
2, 6 2
1, 2 3
2, 3 3
Tareas
Valor de
movimiento
ITERACIN 3
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

4 3 1 2 6 5
Solucin actual
2 3 4 5 6
1 3 2
2 1
3
4
5
Estructura tab
F = 30
Intercambios ms
prometedores
1, 3 -2 T
3, 4 1 S
1, 4 2 T
2, 6 2
1, 2 3
Tareas
Valor de
movimiento
ITERACIN 4
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

3 4 1 2 6 5
Solucin actual
2 3 4 5 6
1 2 1
2
3 3
4
5
Estructura tab
F = 31
Intercambios ms
prometedores
3, 4 -1 T
1, 3 -1 T
1, 4 1 T
2, 6 2 S
1, 2 3
Tareas
Valor de
movimiento
ITERACIN 5
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Memoria adaptativa para controlar el proceso de
bsqueda.
+ La memoria modifica la estructura del entorno de la
solucin actual:
N(x) N*(x)
+ Tipos de memoria:
Memoria a corto plazo: N*(x) _ N(x)
Listas tab
Memoria a largo plazo: el entorno modificado puede contener
soluciones que no estn en el entorno real
Soluciones lite (ptimos locales de alta calidad)
+ Un proceso basado nicamente en estrategias a corto
plazo puede permitir que una solucin sea visitada
ms de una vez, pero con diferentes entornos
reducidos en cada exploracin.
+ La memoria a largo plazo reduce la probabilidad de
repetir visitas.
+ Tambin es posible utilizar la memoria para modificar
la evaluacin de la funcin objetivo:
f(x) f*(x)

T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Periodo tab:
Se ha demostrado empricamente que un buen
valor del periodo tab depende del tamao del
ejemplo del problema.
No hay una regla estndar para determinar un
periodo tab efectivo para todas las clases de
problemas.
Necesidad de experimentacin.
Periodo tab muy pequeo: se detectan valores
repetidos en la funcin objetivo.
Periodo tab muy grande: deterioro progresivo de
las soluciones.
Reglas para determinar el periodo tab:
Estticas
El valor t se mantiene fijo durante toda las bsqueda
Dinmicas
Reglas dinmicas simples: elegir t entre tmin y tmax
aleatoriamente o mediante un patrn sistemtico
Reglas dinmicas dependientes de atributo: fijar tmin y
tmax en funcin de la calidad o influencia de los atributos.
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Criterios de aspiracin:
Se introducen para determinar cundo se pueden
reemplazar las restricciones tab, eliminando la
clasificacin tab de un movimiento.
Ejemplo: eliminar la clasificacin tab cuando el
movimiento conduce a una solucin mejor que la obtenida
hasta el momento.
+ Influencia: grado de cambio inducido en la
estructura de la solucin o en la factibilidad
Tras realizar un movimiento influyente se eliminan
las restricciones tab establecidas previamente
para movimientos menos influyentes.
Ejemplo: si el objetivo es distribuir objetos en un nmero
de cajas buscando pesos similares, el movimiento de un
objeto pesado de una caja a otra tiene alta influencia

Lecturas complementarias:
Glover & Laguna, Glover & Melin (2003)
T

c
n
i
c
a
s

M
e
t
a
h
e
u
r

s
t
i
c
a
s

d
e

O
p
t
i
m
i
z
a
c
i

n

U
n
i
v
e
r
s
i
d
a
d

N
a
c
i
o
n
a
l

d
e

A
n
c
a
s
h

S
a
n
t
i
a
g
o

A
n
t
u
n
e
z

d
e

M
a
y
o
l
o

(
U
N
A
S
A
M
)

GRASP
Procedimientos de bsqueda
miopes, aleatorizados y
adaptativos
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

GRASP (Greedy Randomized
Adaptive Search Procedures)
+ Feo, T. and M. Resende (1989).
A probabilistic heuristic for a computationally
difficult set covering problem. Operations Research
Letters 8, 6771.
+ Metaheurstica multi-arranque para problemas
combinatorios.
+ Se basa en la premisa de que soluciones
iniciales diversas y de buena calidad juegan
un papel importante en el xito de mtodos
locales de bsqueda.
+ Cada iteracin consta de dos fases:
Construccin de una solucin factible
Bsqueda local para localizacin de un mnimo
local en el entorno de la solucin construida
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Algoritmo

While no condicion fin do

s ConstruccinSolucin()
s BsquedaLocal()
ActualizarMejor()
End While
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Aplicaciones:
Enrutamiento
Lgica
Cubrimiento y particin
Localizacin
Optimizacin en grafos
Asignacin
Horarios
Transporte
Diseo de redes
Empaquetado

Lecturas complementarias:
Festa & Resende (2004), Resende & Gonzlez (2003)
T

c
n
i
c
a
s

M
e
t
a
h
e
u
r

s
t
i
c
a
s

d
e

O
p
t
i
m
i
z
a
c
i

n

U
n
i
v
e
r
s
i
d
a
d

N
a
c
i
o
n
a
l

d
e

A
n
c
a
s
h

S
a
n
t
i
a
g
o

A
n
t
u
n
e
z

d
e

M
a
y
o
l
o

(
U
N
A
S
A
M
)

Scatter Search
Bsqueda dispersa
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Bsqueda dispersa
+ Orgenes: Glover (1977)
+ Su uso empez a generalizarse a mediados
de los 90.
+ Mtodo evolutivo que trabaja con poblaciones
de soluciones.
+ Principios de la bsqueda dispersa:
Exploracin sistemtica sobre una serie de buenas
soluciones (conjunto de referencia)
Combinacin de dos o ms soluciones del conjunto
de referencia
Eleccin de pesos apropiados en la combinacin
Combinaciones convexas y no convexas
Distribucin dispersa de los puntos

T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+Diferencias con los algoritmos genticos:
La seleccin de soluciones se hace de
forma sistemtica.
Se trabaja con un conjunto limitado
(conjunto de referencia)
Habitualmente 10 soluciones en el conjunto de
referencia
La combinacin de soluciones utiliza
informacin o conocimiento del problema.
Se aplica un proceso de mejora a las
soluciones obtenidas mediante
combinacin.
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Mtodo bsico:
Mtodo generador de soluciones diversas (100
aprox.)
Mtodo de mejora de soluciones (resolver
problemas de infactibilidad y aplicar un
procedimiento de bsqueda local para mejorar)
Seleccin de un conjunto de referencia (10 aprox.)
La mitad de las soluciones correspondern a las de mejor
calidad y el resto siguiendo un criterio de diversidad
Mtodo de generacin de subconjuntos del
conjunto de referencia
Ejemplo: seleccin de pares
Mtodo de combinacin de las soluciones en los
subconjuntos
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Generar conjunto de
soluciones diversas
Mejorar soluciones
Seleccionar conjunto de
referencia
Generar subconjuntos y
combinar soluciones
Actualizar conjunto de
referencia
Mejorar soluciones
Ha cambiado el
conjunto de
referencia?
FIN
No
S
Lecturas complementarias:
Glover (1999),
Mart & Laguna
Glover, Laguna & Mart
T

c
n
i
c
a
s

M
e
t
a
h
e
u
r

s
t
i
c
a
s

d
e

O
p
t
i
m
i
z
a
c
i

n

U
n
i
v
e
r
s
i
d
a
d

N
a
c
i
o
n
a
l

d
e

A
n
c
a
s
h

S
a
n
t
i
a
g
o

A
n
t
u
n
e
z

d
e

M
a
y
o
l
o

(
U
N
A
S
A
M
)

Algoritmos memticos
Metaheursticas
poblacionales que integran
ideas de diferentes tcnicas
de resolucin
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Conceptos bsicos
+ La idea es crear un conjunto de soluciones
nuevas a partir de las actuales.
Identificando y combinando los atributos de las
soluciones actuales.
+ Diferencias con los algoritmos genticos:
Los operadores de recombinacin ciegos, como los
usados tradicionalmente por los algoritmos
genticos, no incorporan ningn conocimiento del
dominio al momento de generar nuevos individuos.
El argumento principal para no introducir
conocimiento es para no sesgar la bsqueda, y
evitar convergencias prematuras a soluciones
subptimas, sin embargo, esto ltimo ha sido
cuestionado ltimamente.
T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

+ Los algoritmos memticos se pueden ver como
algoritmos genticos en donde se introduce
conocimiento del dominio para crear una nueva
generacin de individuos.
+ Utilizan el conocimiento del dominio para guiar mejor
la bsqueda y decidir qu elementos incorporar y
cules desechar al momento de crear nuevos
individuos
Operadores heursticos o hbridos.
+ El conocimiento se puede incorporar en:
La seleccin de los atributos de los padres que van a ser
transmitidos a los hijos.
La seleccin de los atributos que no son de los padres que
van a ser transmitidos a los hijos.
+ Generacin de una poblacin inicial
Aleatoriamente, GRASP, bsqueda local,
+ Individuo vs agente:
Individuo: agente pasivo que est sujeto a procesos y reglas
evolutivas (algoritmos genticos)
Agente: comportamiento activo (algoritmos memticos)

T

C
N
I
C
A
S

M
E
T
A
H
E
U
R

S
T
I
C
A
S

D
E

O
P
T
I
M
I
Z
A
C
I

N

D
r
.

n
g
e
l

C
o
b
o

O
r
t
e
g
a

U
n
i
v
e
r
s
i
d
a
d

d
e

C
a
n
t
a
b
r
i
a

(
E
s
p
a

a
)

Lecturas complementarias:
Krasnogor, Aragn & Pacheco,
Moscato & Cotta (2003)
Glover, Laguna & Mart