1. No category

Heurística
• Los procesos que se llevan a cabo en el cerebro pueden ser
analizados, a un nivel de abstacción dado, como procesos
computacionales de algún tipo.
• En cierto sentido, el enfoque heurístico es el característico de
la IA. Newell y Simon asociaban el “método de búsqueda
heurística” con el tipo de representación de soluciones
parciales. Nosotros nos vamos a limitar a explicar qué significa
el término “heurística” en el ambito de la inteligencia artificial.
• Desde el inicio de la IA, el término “heurística” osciló entre
dos sentidos fundamentales vinculados a la utilización de
información del dominio de problemas (con el fin de hacer una
búsqueda más eficiente) y a la imposibilidad de garantizar
encontrar la solución de un problema.
• Estas definiciones se refieren a dos conjuntos diferentes de métodos:
dispositivos que mejoran la eficiencia y dispositivos que no
garantizan obtener un resultado. El paradigma metaheurístico
consiste en una familia de métodos de búsqueda que comenzó a
desarrollarse con ese nombre a partir de la década de los 80.
Estrictamente no se considera un paradigma sino simplemente un
conjunto de métodos o herramientas de búsqueda, pero es posible que
tarde o temprano entre en esta categoría. Osman y Kelly (1996)
describen la metaheurística del siguiente modo: “Estas familias de
enfoques incluyen pero no se limitan a procedimientos adaptativos
aleatorios golosos, algoritmos genéticos, búsqueda de umbral y sus
híbridos. Incorporan conceptos basados en la evolución biológica, la
resolución inteligente de problemas, las ciencias matemáticas y
físicas, el estudio del sistema nervioso y la mecánica estadística”. Un
poco más adelante, los autores describen a la disciplina de la
siguiente forma: “Las metaheurísticas son una clase de métodos
aproximados, que están diseñados para atacar problemas de
optimización combinatoria difíciles para los que las heurísticas
clásicas fracasaron en ser efectivas y eficientes. Las metaheurísticas
proporcionan marcos generales que permiten crear nuevos híbridos
combinando diferentes conceptos de heurísticas clásicas, inteligencia
artificial, evolución biológica, sistemas neuronales y mecánica
estadística”.
• Tipos de Algoritmos Heurísticos
• En una primera clasificación podemos decir que los algoritmos
heurísticos pueden ser:
• Simples: tienden a tener reglas de terminación bien definidas y se
detienen en un óptimo local.
• Complejos: pueden no tener reglas de terminación estándar y buscan
soluciones mejores hasta alcanzar un punto de parada arbitrario.
• Dentro de los algoritmos heurísticos complejos podemos hacer una
segunda clasificación, esta vez orientada a la funcionalidad de los
mismos:
• Aquellos algoritmos que fueron diseñados para dar solución a
problemas de búsqueda de óptimos o clasificación
• Aquellos algoritmos que tratan de deducir conocimiento a partir de
un conjunto de axiomas, conocidos como sistemas basados en el
conocimiento.
• Entre los algoritmos de búsqueda de óptimos se encuentran los
siguientes métodos:
• Búsqueda Tabú
• Temple Simulado
• Algoritmos Genéticos
• Redes Neuronales
• Búsqueda Tabú
• La búsqueda tabú es un procedimiento o estrategia dado a
conocer en los trabajos de Glover, y que esta teniendo
grandes exitos y mucha aceptación en los últimos años.
Según su creador, es un procedimiento que “explora el
espacio de soluciones más alla del óptimo local”, (Glover
y Laguna). Se permiten cambios hacia arriba o que
empeoran la solución, una vez que se llega a un óptimo
local. Simultáneamente los ultimos movimientos se
califican como tabús durante las siguientes iteraciones
para evitar que se vuelvan a soluciones anteriores y el
algoritmo cicle. El termino tabú hace referencia a un tipo
de inhibición a algo debido a connotaciones culturales o
historicas y que puede ser superada en determinadas
condiciones (Glover).
• Temple Simulado
• El uso del temple simulado en problemas de
Optimización se ha extendido desde mediados de los
ochenta hasta ahora, a partir de los trabajos de Kirpatrick,
Gelatt & Vecchi. Los algoritmos Temple Simulado están
basados en una estrecha analogía entre los procesos
físicos termodinámicos y los elementos de un problema
de optimización combinatoria. Aunque asintóticamente
estos algoritmos se comportan como exactos, (un análisis
exhaustivo de esta afirmación se puede encontrar en el
trabajo de Aarts & Korst), en la práctica se diseñan como
heurísticos. El campo de aplicaciones se ha extendido
durante estos años. En problemas de rutas destacan las
aportaciones de Osman, para el VRP; y Aarts y otros,
para el problema del viajante de comercio.
• Algoritmos Genéticos
• En los años 70, de la mano de John Holland, surgió una
de las líneas más prometedoras de la inteligencia
artificial, la de los algoritmos genéticos. Son llamados así
porque se inspiran en la evolución biológica y su base
genético-molecular. Estos algoritmos hacen evolucionar
una población de individuos sometiéndola a acciones
aleatorias semejantes a las que actúan en la evolución
biológica (mutaciones y recombinación genética), así
como también a una selección de acuerdo con algún
criterio, en función del cual se decide cuáles son los
individuos más adaptados, que sobreviven, y cuáles los
menos aptos, que son descartados.
• Redes Neuronales
• En inteligencia artificial las redes de neuronas artificiales
(RNA) son un ejemplo de aprendizaje y procesamiento
automático basado en el funcionamiento del sistema
nervioso animal. Se trata de simular el comportamiento
observado en las redes neuronales biológicas a través de
modelos matemáticos mediante mecanismos artificiales
(circuitos integrados, ordenadores…). Con las RNA se
pretende conseguir que las máquinas den repuestas
similares a las del cerebro humano, caracterizadas por su
generalización y robustez.