Resumen

Normalmente, los algoritmos metaheurísticos se adaptan a un amplio conjunto de problemas aplicando unas pocas modificaciones en los parámetros para cada caso concreto. Sin embargo, esta flexibilidad exige un enorme esfuerzo para afinar correctamente dichos parámetros. Por ello, la sintonización de metaheurísticas surge como uno de los retos más importantes en el contexto de la investigación de estos algoritmos. Así, este trabajo pretende presentar una metodología que combina métodos estadísticos y de Inteligencia Artificial en el ajuste fino de metaheurísticas. La idea clave es un método heurístico, denominado Heuristic Oriented Racing Algorithm (HORA), que explora un espacio de búsqueda de parámetros buscando configuraciones candidatas cercanas a una alternativa prometedora. Para confirmar la validez de este planteamiento, presentamos un caso práctico de puesta a punto de dos metaheurísticas distintas: Simulated Annealing (SA) y Genetic Algorithm (GA), con el fin de resolver el clásico problema del viajante de comercio. Los resultados se comparan considerando la misma metaheurística sintonizada mediante un método de carreras. En general, el enfoque propuesto demostró ser eficaz en términos del tiempo total del proceso de sintonización. Nuestros resultados revelan que las metaheurísticas sintonizadas mediante HORA consiguen, con un esfuerzo computacional mucho menor, resultados similares en comparación con el caso en que se sintonizan mediante el otro enfoque de ajuste fino.

• Materias:Control del proceso Desarrollo de procesos Diagnóstico de fallos Optimización de procesos
• Subjects: Process development Fault diagnosis Process optimization
• Palabras claves:metaheurística, algoritmo de carreras orientado a la heurística, métodos de inteligencia artificial, menor esfuerzo computacional, hora, enfoque, parámetros, resultados, ajuste, algoritmo genético
• Keywords:metaheuristics, heuristic oriented racing algorithm, artificial intelligence methods, less computational effort, hora, approach, parameters, results, tuning, genetic algorithm