Resumen

En este trabajo, nos enfocamos en el problema de seleccionar heurísticas de bajo nivel en un enfoque hiperheurístico con aprendizaje offline, para la solución de instancias de diferentes dominios de problemas. El objetivo es mejorar el rendimiento del enfoque hiperheurístico offline, identificando clases de equivalencia en un conjunto de instancias de diferentes problemas y seleccionando las heurísticas de mejor rendimiento en cada uno de ellos. Se propone una metodología como primer paso de un conjunto de instancias de todos los problemas, y se consideran las características genéricas de cada instancia y el rendimiento de las heurísticas en cada una de ellas para definir los vectores de características y hacer una agrupación de clases. Se utiliza metaaprendizaje con pruebas estadísticas para seleccionar las heurísticas para cada clase. Finalmente, se utilizó el Naive Bayes para probar el conjunto de instancias con validación cruzada k-fold, y se compararon todos los resultados estadísticamente con los valores mejor conocidos. En esta investigación, la metodología fue probada aplicándola a los problemas de enrutamiento de vehículos

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Heurísticas; Enfoque hiperheurístico; Aprendizaje offline; Clases de equivalencia; Metaaprendizaje; Pruebas estadísticas
• Keywords:Heuristics; Hyperheuristic approach; Offline learning; Equivalence classes; Metalearning; Statistical tests