CAPITULO 1: COMPLEJIDAD COMPUTACIONAL Y HEURSTICAS. COMPLEJIDAD COMPUTACIONAL.

Para estudiar un sistema es necesario elaborar un modelo, el cual sea una representacin formal de la teora o una explicacin formal de la observacin cientfica. La modelacin de sistemas comprende: en describir el comportamiento de sistemas, generar hiptesis de situaciones problemticas y predecir un comportamiento futuro. Sabiendo que existen muchas alternativas de solucin para un problema, se debe seleccionar el algoritmo ms eficiente, el mejor conjunto de pasos, el que tarde menos en ejecutarse, que tenga menos lneas de cdigo. Un algoritmo ser ms eficiente comparado con otro, siempre que consuma menos recursos, como el tiempo y espacio de memoria necesarios para ejecutarlo. La eficiencia de un algoritmo puede ser cuantificada mediante el tiempo necesario de ejecucin del programa o por la memoria que utiliza el programa para su ejecucin. La mayor parte de los problemas en teora de la complejidad tienen que ver con los problemas de decisin, que corresponden a poder dar una respuesta positiva o negativa un problema dado. Los problemas se clasifican en clases de complejidad: Problemas P: Son aquellos problemas de decisin que pueden ser resueltos en tiempo polinmico, es decir problemas de tamao creciente. Los problemas de complejidad polinmica en la prctica se pueden resolver en un tiempo razonable. Problemas NP: Contiene los problemas de decisin que son resueltos por una MT no determinista en tiempo polinmico. Problemas NP Completos: Estos problemas se caracterizan por ser todos "iguales" en el sentido de que si se descubriera una solucin para alguno de ellos, esta solucin sera fcilmente aplicable a todos ellos. Todos los algoritmos conocidos para problemas NP-completos utilizan tiempo exponencial con respecto al tamao de la entrada. Para resolver un problema NP-completo de tamao arbitrario, se utiliza uno de los siguientes enfoques: aproximacin, probabilstico, restricciones, casos particulares, algoritmo gentico, Heursticas. HEURSTICAS. Es una tcnica que aumenta la eficiencia de un proceso de bsqueda, posiblemente sacrificando demandas de completitud. Una funcin heurstica es una correspondencia entre las descripciones de estados del problema hacia alguna medida de deseabilidad, normalmente representada por nmeros. Quiere decir que mensura cada estado del problema (solucin) y dice qu tan cerca de la solucin ptima est. No existe un mtodo exacto de resolucin, o el mismo requiere de mucho gasto computacional y/o de memoria. No es necesario encontrar la solucin ptima; basta con una solucin suficientemente buena. Los datos son poco fiables y por tanto no tiene sentido el tratar de encontrar el ptimo global para dichos datos. Existen limitaciones de tiempo (y/o de memoria) en proporcionar la respuesta. Si bien las combinaciones que se logran con una heurstica pueden no ser muy buenas en los peores casos, estos peores casos raramente ocurren en el mundo real. Las heursticas se pueden clasificar en algunos mtodos como son: Mtodo constructivo: Consiste en construir paso a paso la solucin del problema. Mtodo de Descomposicin: Se descompone el problema en sub problemas ms sencillos de resolver. Mtodos Inductivos: La idea de estos mtodos es generalizar de versiones pequeas o ms sencillas al caso completo. Mtodo de Reduccin: Se trata de identificar alguna caracterstica que presumiblemente deba poseer la solucin ptima e introducirlas como restricciones del problema. El objeto es restringir el espacio de soluciones simplificando el problema. Mtodos Combinados: Los mtodos constructivos y los de bsqueda local constituyen la base de los procedimientos metaheursticos y son conocidos como mtodos combinados.

CAPITULO 2: OPTIMIZACIN DE SISTEMAS ENERGTICOS (ALGORITMOS GENTICOS). Los algoritmos genticos son parte de la computacin evolutiva, estn basados en la teora de la evolucin de Darwin, y son apropiados para resolver problemas donde el dominio de la solucin pueda resultar demasiado extenso. Para aplicar el algoritmo gentico (AG) al campo de la resolucin de problemas habr que seguir una serie de pasos, los cuales son: Generar la poblacin de tamao adecuado y de forma aleatoria. Evaluar la puntuacin de cada uno de los cromosomas generados. Permitir la reproduccin de los cromosomas siendo los ms aptos los que tengan ms probabilidad de reproducirse. Con cierta probabilidad de mutacin, mutar un gen del nuevo individuo generado. Organizar la nueva poblacin. Estos pasos se repetirn hasta que se d una condicin de terminacin. Se puede fijar un nmero mximo de iteraciones antes de finalizar el algoritmo gentico o detenerlo cuando no se produzcan ms cambios en la poblacin. Los parmetros a considerar en un algoritmo gentico son: Tamao de la poblacin: Es el nmero de cromosomas que tenemos en nuestra poblacin. La medida de esta no puede ser ni muy baja ni muy alta, ya que el AG no se genera de manera precisa. Probabilidad de Cruce: Indica la frecuencia con la que se producen cruces entre los cromosomas padre es decir, que haya probabilidad de reproduccin entre ellos. Probabilidad de Mutacin: Nos indica la frecuencia con la que los genes de un cromosoma son mutados. En caso de que haya mutaciones, parte del cromosoma descendiente es modificado y si la probabilidad de mutacin es del 100%, la totalidad del cromosoma se cambia.

La aplicacin ms comn de los algoritmos genticos ha sido la solucin de problemas de optimizacin, en donde han mostrado ser muy eficientes. La principal ventaja de los algoritmos genticos radica en su sencillez. Se requiere poca informacin sobre el espacio de bsqueda ya que se trabaja sobre un conjunto de soluciones o parmetros codificados (hiptesis o individuos). Se busca una solucin por aproximacin de la poblacin, en lugar de una aproximacin punto a punto. Con un control adecuado podemos mejorar la aptitud promedio de la poblacin, obteniendo nuevos y mejores individuos y, por lo tanto, mejores soluciones. Los AG son relativamente fciles de entender e implementar, y su ventaja y desventaja a la vez es su robustez, si posee una mala implementacin, el AG seguir corriendo y tarde o temprano encofrar el problema o encofrar un ptimo local. CAPITULO 3: EL PROBLEMA DEL VENDEDOR VIAJERO. En el problema del vendedor viajero, un conjunto de ciudades es dado y las distancias entre cada una de ellas son conocidas. El objetivo es encontrar la ruta ms corta que permita visitar cada ciudad una sola vez. Para solucionar este problema se ha tomado el algoritmo de la optimizacin mediante colonias de hormigas (ACO). Estas hormigas depositan feromonas sobre el terreno para marcar algn camino favorable que podra ser seguido por otros miembros de la colonia. Un comportamiento caracterstico de las colonias de hormigas es su capacidad de encontrar los caminos ms cortos entre las fuentes de comida y el hormiguero. De acuerdo a las condiciones del problema, se establece el siguiente seudocdigo: 1. Ingreso de parmetros concerniente a las ciudades y hormigas (nmero de ciudades, cantidad de hormigas, rastros de feromona [i][j]0, iteraciones, , , )

2. Para cada hormiga asignar de manera aleatoriamente su nodo de inicio. 3. Construccin del recorrido de cada hormiga desde el punto inicial hasta el resto de nodos de acuerdo a la probabilidad de eleccin de cada ruta. 4. Determinar el costo de cada ruta trazada. 5. Actualizacin de la matriz de feromonas en funcin de la probabilidad de seleccin de cada va. (Esto se lo realiza para cada hormiga en cada iteracin) 6. De acuerdo a la actualizacin de la matriz de feromonas determinar el coste de cada ruta trazada (repetir hasta completar el nmero de iteraciones) 7. Guardar el recorrido de menor costo y presentar como solucin Esta manera de trabajar de las hormigas ha ayudado en mltiples soluciones para problemas lineales los mismos que generan una pista para que los dems sigan estos alcanzando as una mejor solucin en un menor tiempo. CAPITULO 4: BSQUEDA TAB. La Bsqueda Tab, est basada en la modificacin de una solucin inicial, en su espacio de soluciones, para encontrar otras nuevas. La base para la bsqueda tab puede describirse como sigue: El algoritmo de Bsqueda Tab empieza de igual forma que cualquier algoritmo de bsqueda local, procediendo de manera iterativa en un punto inicial (solucin inicial). A partir de esta solucin inicial, genera en cada iteracin, una nueva solucin. Para llegar a esta nueva solucin en cada iteracin, se mueve de posicin (intercambio) un elemento (trabajo) de la solucin inicial para generar diversas combinaciones y luego evala cada una de estas combinaciones con la funcin objetivo, de tal manera que escoja la mejor solucin en esa iteracin. La solucin obtenida en cada iteracin queda como punto de partida para la siguiente iteracin y es que a partir de esta solucin generar otra y as sucesivamente. Cada movimiento (intercambio de trabajos) que genera una solucin en cada iteracin, es colocado en una estructura de memoria que le da justamente el nombre a este algoritmo (lista Tab), debido a que los elementos que se colocan en esta lista no pueden ser considerados en las prximas iteraciones obligando de esta manera a encontrar nuevas soluciones diferentes a las anteriores. Adems, en cada iteracin guarda informacin acerca de los movimientos realizados, de tal manera que pueda poseer informacin de la regin que ha explorado, y as poder buscar en otras regiones con el fin de encontrar mejores soluciones.

De esta forma se va encaminado hacia buenas soluciones que si bien es cierto podra no encontrar la mejor solucin, pero por lo menos localizar muy buenas soluciones en el entorno asociado. Esta tcnica tiene varias ventajas: Sencillo de implementar, con respecto a otras Metaheursticas. Utiliza de manera "inteligente" la memoria para salir de ptimos locales. Lleva un registro histrico de las soluciones visitadas, los cuales pueden ser utilizadas posteriormente. Permite aplicar estrategias de intensificacin y diversificacin, para poder encontrar una mejor solucin al buscar en un espacio de soluciones diferente.

As mismo esta tcnica tiene sus desventajas: La eficiencia depende principalmente de cmo est modelado el problema. Al igual que en todas las tcnicas heursticas, no existe forma de saber que tan cerca est de la solucin ptima.

La funcin objetivo es clave en esta Metaheurstica, pero no podemos saber si la que est definida para un problema, es la ptima, por esta razn, la forma de plantear esta funcin objetivo es otro campo de estudio en esta Metaheurstica. Las estrategias de Intensificacin y Diversificacin, tambin son materia de estudio, debido a que su eficiencia puede variar para cada problema. CAPITULO 5: RED NEURONAL ARTIFICIAL.

Una Red Neuronal Artificial es un modelo computacional que busca emular el comportamiento del cerebro humano. Las RNA son conjuntos de elementos de clculos simples, usualmente adaptativos, interconectados masivamente en paralelo y con una organizacin jerrquica que le permite interactuar con algn sistema del mismo modo que lo hace el sistema nervioso biolgico. Estas brindan gran facilidad al momento de su utilizacin e implementacin. Tambin nos permiten aproximar cualquier funcin matemtica, extraer patrones y detectar tramas que son difciles de apreciar por humanos u otras tcnicas computacionales. La estructura de una RNA est inspirada en la estructura neuronal biolgica. La neurona es una unidad bsica de la red que recibe informacin de otros mdulos o del entorno, la integra, la computa, y emite una nica salida que se va a transmitir a mltiples neuronas posteriores. Cada neurona acta de acuerdo a su funcin de activacin, esta relaciona la informacin de entrada de la neurona con el siguiente estado de activacin que tenga la misma. Existen dos tipos de neuronas, la primera es la neurona lineal en la cual su salida es linealmente dependiente de sus entradas, es decir, proporcional a las funciones de transferencia y de activacin; y la neurona no lineal en la que la funcin de activacin, o bien la funcin de transferencia (o ambas) son funciones no lineales, dando lugar a que la respuesta de la neurona no sea funcin lineal de sus entradas. El flujo de datos en las RNA se lleva de acuerdo a dos modelos, si es una red alimentad hacia adelante la informacin se mueve en un nico sentido, desde la entrada hacia la salida; y si es una red con retroalimentacin total o parcial los elementos pueden enviar estmulos a neuronas de capas anteriores, de su propia capa o a ellos mismos. El funcionamiento bsico de las redes neuronales abarca las fases de creacin y desarrollo, y de funcionamiento real o de ejecucin (fase operativa). En la primera fase se disea la arquitectura de la red y se la entrena para que aprenda el comportamiento que debe tener, es decir, aprenda a dar la respuesta adecuada a la configuracin de estmulos o patrones de entrada que se le presenten. En la segunda fase una red puede generalizar; ante entradas similares a las de su entrenamiento, producir salidas correctas. Por tanto, se le sigue suministrando informacin de entrada a la red pero no se realizar ningn ajuste. CAPITULO 6: METODOLIGA GRASP (Greedy Ramdomized Adaptive Search Procedures). La metodologa GRASP, consiste en combinar dos Heursticas que son: Heurstica constructiva y Heurstica de mejora. GRASP es un procedimiento iterativo en donde cada paso consiste en una fase constructiva y una de mejora. En la fase constructiva se aplica un procedimiento heurstico constructivo para obtener una buena solucin inicial, esta solucin se mejora en la segunda fase mediante un algoritmo de bsqueda local. La mejor de todas las soluciones examinadas se guarda como resultado final. Se puede definir GRASP como procedimientos de bsqueda basados en funciones Greddy Aleatorizadas Adaptivas. Se dice que es adaptivo porque en cada iteracin se actualizan los beneficios obtenidos de aadir el elemento seleccionado a la solucin parcial. Es decir, la evaluacin que se tenga de aadir un determinado elemento a la solucin en la iteracin J, no coincidir necesariamente con la que se tenga en la iteracin J+1. Es aleatorizado por cuanto no selecciona el mejor candidato segn la funcin Greddy adaptada sino que, con el

objeto de diversificar y no repetir soluciones en dos construcciones diferentes, se construye una lista con los mejores candidatos de entre los que se toma una al azar. En la fase de mejora se suele emplear un procedimiento de intercambio simple con el objeto de no emplear mucho tiempo en esta mejora. Notar que GRASP se basa en hacer mltiples iteraciones y quedarse con la mejor solucin, por lo que no es especialmente beneficioso para el mtodo el detenerse demasiado en mejorar una solucin dada. La metodologa GRASP se basa en dos fases una constructiva y de bsqueda local (Mejora), este mtodo es fcil de construir e implementar ya que tienen pocos parmetros y se maneja bien con las restricciones, tambin dentro de sus bondades este mtodo se puede hibridizar y paralelizar con facilidad. Entre sus inconvenientes es el hecho de definir el proceso constructivo y definir un ndice de tal forma que hablar de generalizar un proceso GRASP no es viable ya que el proceso depender del problema. Se debe considerar que se necesita hacer una serie no determinada de iteraciones para encontrar una solucin aceptable, lo que en tiempo computacional seria de un costo elevado debido a que se necesitara das, semanas o meses para encontrar una solucin lo cual no tiene sentido cuando se requiere rpido y bajo en costo. CAPITULO 7: RECOCIDO SIMULADO. Cuando un material se somete a un calentamiento a temperatura muy alta, y despus se le deja enfriar lentamente, sus molculas se acomodan de tal forma que la energa potencial de la configuracin de las molculas es mnima; a este proceso fsico le llamaremos recocido. El algoritmo de recocido simulado est basado en una analoga entre la simulacin de recocido de slidos y la problemtica de resolver problemas de optimizacin combinatoria de gran escala. Por esta razn el algoritmo se conoce como recocido simulado. Recocido denota un proceso de calentamiento de un slido a una temperatura en la que sus granos deformados recristalizan para producir nuevos granos. La temperatura de recocido o de re cristalizacin, depende del tipo de material, del grado de deformacin del mismo, adems de su uso futuro. Seguida a la fase de calentamiento, viene un proceso de enfriamiento en donde la temperatura se baja poco a poco. De esta manera, cada vez que se baja la temperatura, las partculas se reacomodan en estados de ms baja energa hasta que se obtiene un slido con sus partculas acomodadas conforme a una estructura de cristal. Si se comienza con un valor mximo de la temperatura, en la fase de enfriamiento del proceso de recocido, para cada valor de la temperatura T debe permitirse que se alcance su equilibrio trmico. Sin embargo, si el proceso de enfriamiento es demasiado rpido y no se alcanza en cada etapa el equilibrio trmico, el slido congelar en un estado cuya estructura ser amorfa en lugar de la estructura cristalina de ms baja energa. La estructura amorfa est caracterizada por una imperfecta cristalizacin del slido. El proceso de recocido consta de dos pasos fundamentales que son: Incrementar la temperatura del cuerpo a un valor mximo, y la disminucin cuidadosa de la temperatura hasta que las partculas se reacomoden por s mismas en un estado de mnima energa denominado el estado fundamental del cuerpo en estudio. La velocidad a la que se produce el enfriamiento es otra propiedad importante. La fundamentacin de este control se basa en el trabajo de Metropolis et al. (1953) en el campo de la termodinmica estadstica. Bsicamente, Metropolis modelo el proceso de recocido mencionado anteriormente simulando los cambios energticos en un sistema de partculas conforme decrece la temperatura, hasta que converge a un estado estable (optimo global).