Resumen

Las hiperheurísticas de selección son herramientas de búsqueda genéricas que eligen dinámicamente, de un conjunto dado, el operador más prometedor (heurística de bajo nivel) para aplicar en cada iteración del proceso de búsqueda. El rendimiento de estos métodos depende de la calidad del conjunto de heurísticas. Dos tipos de heurísticas pueden formar parte del conjunto: las heurísticas de diversificación, que ayudan a escapar de óptimos locales, y las heurísticas de intensificación, que explotan eficazmente regiones prometedoras en las cercanías de buenas soluciones. Una estrategia de búsqueda efectiva requiere un equilibrio entre estas dos estrategias. Sin embargo, no es sencillo categorizar un operador como heurística de intensificación o diversificación en dominios complejos. Por lo tanto, proponemos una metodología automatizada para hacer esta clasificación. Esto aporta rigor metodológico a la configuración de una hiperheurística de búsqueda local iterada con etapas de diversificación e intensificación. La metodología considera la clasificación empírica

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Selección; Hiperheurísticas; Heurísticas; Diversificación; Intensificación; Búsqueda
• Keywords:Selection; Hyper-heuristics; Heuristics; Diversification; Intensification; Search