Optimización Combinatoria

Sistemas inteligentes en ingeniería civil Máster Oficial en Transporte, Territorio y Urbanismo
Curso 2008-09 Programa Oficial de Posgrado. Ingeniería Civil y Urbanismo
Sistemas inteligentes en ingeniería civil. Prof. Dr. Ing. V. Yepes
http://personales.upv.es/vyepesp/
Optimización heurística en
proyecto y construcción
Prof. Víctor Yepes Piqueras

Dr. Ingeniero de Caminos, Canales y Puertos
U.D. Procedimientos de Construcción y Organización de Obras
Dpto. Ingeniería de la Construcción y Proyectos de Ingeniería Civil
Máster Oficial en Transporte, Territorio y Urbanismo >ValenciaCurso2008/09
Modelización
Prof. Dr. Ing. Víctor Yepes Piqueras

http://personales.upv.es/vyepesp/ 1
Optimización
Modelo matemático
Optimizar f(x)
sujeto a (s.a.)
x∈X⊆Ω
Donde:
x representa una solución.
f(x) es la evaluación de una función objetivo
arbitraria, f, de acuerdo con x.
X es el espacio factible de soluciones.
Ω es el espacio posible.
Algoritmos
Orden de magnitud de
un algoritmo

> Optimización combinatoria
Optimización combinatoria
• Problema de la mochila (0-1 knapsack

problem):
– Seleccionar de entre un conjunto de n
productos, cada uno con un valor ci y un
volumen vi, aquellos que quepan en un
recipiente con volumen V, y que tengan el
mayor valor posible.
– El número de subconjuntos posible del
conjunto {1...n} es 2n.

• Problema del viajante de comercio

(travelling salesman problem):
– Consideremos un viajante que tiene que
visitar cada una de n ciudades una sola vez,
regresando a la ciudad de origen. ¿En qué
orden deben visitarse para que la distancia
sea mínima?
– El número de soluciones posible es de
(n-1)!/2.
El problema del viajero

Si consideramos n ciudades:
• Para n=10, hay unas 181,000 soluciones posibles
• Para n=20 hay unas
10,000,000,000,000,000 soluciones posibles
• Para n=50 hay unas 100,000,000,000,
000,000,000,000,000,000,000,000,000,000,
000,000,000,000,000,000,000 soluciones posibles
• Sólo hay 1,000,000,000,000,000,000,000 litros de
agua en el planeta

Técnicas de resolución de problemas de O.C.
Optimización combinatoria:
“contiene los dos elementos que hacen atractivo un
problema a los matemáticos: planteamiento sencillo y
dificultad de resolución” (Garfinkel, 1985)
Explosión combinatoria
Ruta más corta Mota de polvo

1.86 x 1041
entre 37 en la atmósfera
Ruta más corta Mota de polvo

4.66 x 10155
entre 100 en el Universo
20 billones en 1 seg 20 nodos en 50 m 25 nodos en 5 siglos

Enumeración implícita
Ramificación y acotación
Algoritmos de
Plano de corte
resolución exactos
Programación dinámica
Otros
Inviabilidad en
muchos casos reales
Aportación de soluciones
Procedimientos
satisfactorias
de resolución
Resolución en tiempo
aproximados
razonable

> Algoritmos aproximados:

heurísticas y metaheurísticas
Técnicas heurísticas
Lo que el mundo real demanda

• Existen problemas que no pueden resolverse
usando un algoritmo que requiere tiempo
polinomial.
• De hecho, en muchas aplicaciones prácticas,
no podemos siquiera decir si existe una
solución eficiente.
• Hay muchos problemas para los cuales el
mejor algoritmo que se conoce requiere
tiempo exponencial.

¿Qué es una heurística?

• La palabra heurística se deriva del griego
heuriskein, que significa "encontrar" o "descubrir".
• El significado del término ha variado
históricamente.
• Algunos han usado el término como un antónimo
de "algorítmico".
• Por ejemplo, Newell et al. dicen: "a un proceso que
puede resolver un cierto problema, pero que no ofrece
ninguna garantía de lograrlo, se le denomina una
'heurística' para ese problema"

• Las heurísticas fueron un área predominante en
los orígenes de la Inteligencia Artificial.
• Actualmente, el término suele usarse como un
adjetivo, refiriéndose a cualquier técnica que
mejore el desempeño en promedio de la solución
de un problema, aunque no mejore
necesariamente el desempeño en el peor caso
(Russell & Norvig, 1995).


• Una definición más precisa y adecuada para
los fines de este curso es la proporcionada por
Reeves (1993):
• Una heurística es una técnica que busca
soluciones buenas (es decir, casi óptimas) a un
costo computacional razonable, aunque sin
garantizar factibilidad u optimalidad de las
mismas. En algunos casos, ni siquiera puede
determinar qué tan cerca del óptimo se encuentra
una solución factible en particular.
Heurísticas Procedimientos sencillos

Algoritmos específicos
“tailored algorithms” (Telfar, 1994)
Flexibilidad en el manejo de las
características propias del problema
Éxito regla 80/20 (Ho, 1994)
Metaheurísticas Término acuñado por Glover (1986)
Métodos generales (Osman et al., 1996)
Emulan estrategias eficientes
en la Naturaleza e inteligencia artificial
Guían procedimientos específicos
Sistemas inteligentes (Goonatilake et al., 1995)

Condicionantes No existe método exacto

Innecesaria la mejor solución
Datos poco fiables
Modelo fuertemente simplificado
Limitaciones de tiempo de cálculo,
Paso intermedio a otro método
Tipología
(Díaz et al., 1996)
Construcción soluciones factibles
Descomposición
Reducción
Manipulación del modelo
Búsqueda local
• Principales ventajas de las heurísticas:

– Simples de entender y fáciles de implementar
– Ahorran tiempo de formulación y de
computación
– A menudo producen soluciones aceptables
• Principal limitación:
– No garantiza la solución óptima

Técnicas metaheurísticas
Algoritmos
Inteligencia genéticos
artificial Evolución
Lógica borrosa biológica
Algoritmos
Redes
meméticos
neuronales
Búsqueda
METAHEURÍSTICAS Estrategias
tabú evolutivas
GRASP Comportamiento
Búsqueda Mecánica de los insectos
local guiada estadística
Colonias de
Búsqueda hormigas
... Aceptación
local iterada Cristalización
por umbrales
simulada ...
Técnicas metaheurísticas
• La elección de una técnica heurística o

metaheurística depende, entre otros, de los
siguientes factores:
– Si la decisión a tomar es estratégica, táctica u
operacional.
– La frecuencia con la que se debe tomar la decisión.
– El tiempo disponible.
– La capacidad analítica del decisor.
– El tamaño del problema (incluyendo el número de
variables de decisión).
– La ausencia o presencia de elementos significativos que
sean aleatorios.

Evaluación de las heurísticas y las metaheurísticas
Robustez
Comparación
Tiempo de Calidad de
entre
cálculo la solución
estrategias
Flexibilidad Barr et al. (1995)

Evaluación de las heurísticas y las metaheurísticas
Óptimos de Pareto
Búsqueda local
Local Search (LS)

Búsqueda local
Movimiento, operación o
transformación:
Modificación de una solución
actual a otra mediante una regla
determinada.
Entorno o vecindario:
Conjunto de soluciones a las cuales se puede llegar desde
una solución de partida mediante un movimiento
determinado.
Óptimo de un entorno:
Solución que presenta una mejor función objetivo del
entorno definido por una solución inicial, incluyéndose ella
misma.
Búsqueda local
Ejemplo de movimiento en el problema del viajante (TSP)

Saltos múltiples aleatorios

Random walk strategy
Saltos múltiples aleatorios
• Random walk strategy:

– Se selecciona aleatoriamente un conjunto, más o menos
extenso de soluciones.
– Se elige aquella factible que presente la mayor
valoración de la función objetivo.
• Inconvenientes:
– Es difícil caer en un óptimo local o global, salvo que el
número de opciones visitadas sea tremendamente
elevado.
– No se aprovecha ningún tipo de información de las
visitas ya realizadas que influya en la siguiente elección.
– Sólo tiene algún sentido en espacios tremendamente
abruptos y discontinuos.

Búsqueda local de máximo

gradiente (escalada)
Greedy local search
(hill-climbing)
Búsqueda local de máximo gradiente

• Criterios de parada:
– Llegada a óptimo local por ser imposible la
mejora.
– Terminación tras un número determinado de
iteraciones o de tiempo de cálculo.
– Terminación tras un número determinado de
iteraciones sin mejora.
• FIRST BEST (FB): Se elige la primera de las

opciones que mejora la opción precedente.
– Más rápida que GB.
– En ocasiones llega a mejores soluciones que GB.
– Si se mantiene el criterio de visita a los vecinos, el
algoritmo es reproducible.
• GLOBAL BEST (GB): Se selecciona la mejor

de todas las soluciones del entorno a la actual.
– Es una opción determinista, y por tanto, partiendo de
una solución inicial se puede reproducir el algoritmo.

Determinista Aleatorio
Primer •A veces llega a •Muy empleado
óptimos locales cuando el orden de
descenso mejores. búsqueda puede
First Best •Más rápido. influir
•Dependencia del negativamente en la
orden de búsqueda. búsqueda.
Mayor •En ocasiones no •Sólo tiene sentido

garantiza la llegada a comprobar un
descenso un buen óptimo local. número previo de
Global Best •Más lento. opciones vecinas.
•Independiente del
orden de búsqueda.

• INCONVENIENTES:
– “Miopía”: no se garantiza que el óptimo
local sea el global.
– Dependencia de la solución inicial.
– Al ser un algoritmo secuencial no
permite el cálculo en paralelo en varios
procesadores.
• ¡IDEA!
– Permitir utilizar movimientos que
empeoren la función objetivo.
– Dos problemas:
• El procedimiento se puede ciclar, revisitando
soluciones ya vistas.
• Hay que establecer un criterio de parada ya
que un procedimiento de dichas características
podría iterar indefinidamente.

Búsqueda local con reinicios

Multi-start local search
Búsqueda local con reinicios
• Se trata de ejecutar el algoritmo de búsqueda local

partiendo de soluciones iniciales distintas.
• La ventaja es la incorporación de la diversificación
en la búsqueda.
Dos variantes:
–Alguna relación entre las
soluciones de partida que conserve S
cierta “memoria” de lo ocurrido
hasta el momento (método de las
perturbaciones).
S*
–Ninguna relación: reinicios ILS
aleatorios.

Algoritmos basados en
umbrales
Threshold Accepting (TA)
Demon Algorithms (DA)
Algoritmos basados en umbrales
• La aceptación por umbrales emplea un

enfoque parecido a SA, pero donde la
toma de decisiones es más sencilla.
• Se autoriza el menoscabo en la calidad
de las soluciones siempre y cuando no
se exceda en cierta magnitud la aptitud
de la solución actual.
• Propuesta por Dueck y Scheuer (1990)

s 0; T
Descripción genérica de
la aceptación por
i=0
umbrales (Threshold
Accepting)
Elegir
∈N(si)
s’∈
i=i+1
¿Criterio
de parada
? SI
NO
NO SI Óptimo
¿f(s’)<f(si)+T
si+1=s’ local si
?
Aceptación por umbrales (Threshold Accepting)
1. Seleccionar una solución inicial.

2. Elegir un umbral inicial, T>0
3. Buscar una solución del entorno y evaluar ∆E
(incremento de la función objetivo). Si ∆E >-T,
aceptar el movimiento.
4. Después de no conseguir ninguna mejora
durante un tiempo, o tras un número de
iteraciones, reducir T.
5. Volver al paso 3 hasta encontrar un criterio de
terminación.

Aceptación por umbrales (Threshold Accepting)
Aceptación por umbrales
Selección umbral inicial
T0 Medina (2001)
Movimientos
Ciclo de iteraciones Minoración del umbral
¿0,1<A% No T = T0 ⋅ (1 − x )
T0 ← 2 T0
T = T0 exp(− ln 2 ⋅ x α )
?
Si
No
¿A%<0,3
?
T0 ← T0 / 2 Reducción umbral inicial en
cada ciclo
Si
T0 T0 = T0' ⋅ k

Aceptación por umbrales estocásticos
Algoritmo del “Diluvio Universal” (Great Deluge Algorithm)
• El algoritmo rechaza una solución que tenga una

función de coste inferior a un nivel estipulado.
• Este principio se relaciona de alguna forma con
el enfoque Darwiniano:
En vez de sobrevivir los más fuertes, el GDA trabaja
eliminando a los más débiles.
• Gráficamente se podría pensar en un terreno,
con valles y montañas, donde poco a poco se va
inundando y sólo me permiten moverme en
terreno seco. Al final acabaré en una colina,
aunque no tiene porqué ser la mayor.

Algoritmo del “Diluvio Universal” (Great Deluge Algorithm)
1. Seleccionar una solución inicial.

2. Elegir el “ritmo de lluvia” (rain speed) UP>0.
3. Elegir una “cota inicial del agua” (water level)
WL>0.
4. Generar una solución y obtener su evaluación E.
Si E>WL entonces se acepta el movimiento.
5. WL=WL+UP.
terminación.
Aceptación por cercanía al líder (Record to record travel)
1. Seleccionar una solución inicial y evaluarla

E=record.
2. Elegir una desviación permitida, D>0.
3. Generar una solución del entorno y obtener su
evaluación E.
a) Si E>Record-D, aceptar el movimiento.
b) Si E>Record, entonces Record=E nuevo.
terminación.

Lo marca la solución
Puede subir y bajar actual y un margen de
(Threshold Accepting) salvaguarda
Cota de energía
A ritmo constante
(Great Deluge Algorithm)
Siempre baja Lo marca la mejor

(Demon Algoritms) solución y un margen de
salvaguarda
(Record to Record Travel)
Algoritmo del solterón

Old Bachelor Acceptance
(OBA)

• Tanto SA como TA constituyen

estrategias de búsqueda aleatoria
que permiten la degradación
acotada de la solución
stochastic hill-climbing.
• En ambos casos, bien la temperatura
o el umbral, disminuyen de forma
monótona.
• ¿Es posible encontrar buenas
estrategias cambiando este modo de
proceder?
• Observaciones a SA y TA:
– No se sabe “a priori” cuanto va
a tardar el algoritmo, salvo que
lo detengamos cuando
transcurra un tiempo
determinado.
• De hecho si dedicamos más
tiempo, es probable encontrar
mejores soluciones.
– SA y TA son “ciegos” a las
características del problema.

• El algoritmo del solterón (OBA) se basa en

la aceptación por umbrales.
– El umbral cambia dinámicamente basándose en
la probabilidad de que nos encontremos cerca
de un óptimo local.
– OBA se basa en el principio de las
expectativas decrecientes : si un
soltero fracasa en su intento de conquistar a una
chica guapa, probablemente a la próxima
busque otra que lo sea algo menos.

Elegir
M, T0 y s0
i=0
Elegir
s’∈N(si)
si no
si+1=s’ ¿f(s’)<f(si)+Ti? si+1=s’
Ti+1=Ti-decr(Ti) Ti+1=Ti+decr(Ti)
si no
¿i<M? si

1. Elegir aleatoriamente una solución inicial s0

2. Elegir un umbral inicial T0
3. For i=0 to M-1
a. Elegir aleatoriamente una solución vecina s’∈N(si)
b. Si f(s’)<f(si)+Ti entonces
i. si+1=s’
ii. Ti+1= Ti -decr(Ti)
c. En caso contrario
i. si +1=si
M: Nº iteraciones
ii. Ti +1= Ti +incr(Ti)
d. End if
4. Elegir el mejor si, 0≤i≤M
http://personales.upv.es/vyepesp/
Optimización heurística en
proyecto y construcción
Prof. Víctor Yepes Piqueras

Dr. Ingeniero de Caminos, Canales y Puertos
U.D. Procedimientos de Construcción y Organización de Obras
Dpto. Ingeniería de la Construcción y Proyectos de Ingeniería Civil


Optimización Combinatoria

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Optimización Combinatoria

Uploaded by

Copyright:

Available Formats

Sistemas inteligentes en ingeniería civil Máster Oficial en Transporte, Territorio y Urbanismo

Curso 2008-09 Programa Oficial de Posgrado. Ingeniería Civil y Urbanismo

Sistemas inteligentes en ingeniería civil. Prof. Dr. Ing. V. Yepes

Prof. Víctor Yepes Piqueras

Máster Oficial en Transporte, Territorio y Urbanismo >ValenciaCurso2008/09

Sistemas inteligentes en ingeniería civil. Prof. Dr. Ing. V. Yepes

Máster Oficial en Transporte, Territorio y Urbanismo >ValenciaCurso2008/09

Prof. Dr. Ing. Víctor Yepes Piqueras

Sistemas inteligentes en ingeniería civil. Prof. Dr. Ing. V. Yepes

Máster Oficial en Transporte, Territorio y Urbanismo >ValenciaCurso2008/09

Sistemas inteligentes en ingeniería civil. Prof. Dr. Ing. V. Yepes

Máster Oficial en Transporte, Territorio y Urbanismo >ValenciaCurso2008/09

Prof. Dr. Ing. Víctor Yepes Piqueras

Sistemas inteligentes en ingeniería civil. Prof. Dr. Ing. V. Yepes