Estudio de técnicas de búsqueda por vecindad a muy gran escala
Estudio de técnicas de búsqueda por vecindad a muy gran escala
Estudio de técnicas de búsqueda por vecindad a muy gran escala
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
ór<strong>de</strong>nes parciales, árboles y otras estructuras combinatorias. La heurística <strong>de</strong> vecinda<strong>de</strong>s basada en<br />
ajustes se aplica también al problema <strong>de</strong> ruta <strong>de</strong> inventarios en los trabajos <strong>de</strong> Dror y Levy [15].<br />
Pue<strong>de</strong> obtenerse otra clase <strong>de</strong> vecinda<strong>de</strong>s basadas en ajustes mediante el agrupamiento <strong>de</strong> sub-<br />
itinerarios, don<strong>de</strong> éstos se generan resolviendo un problema <strong>de</strong> ajuste <strong>de</strong> peso mínimo bipartito ([43],<br />
[59]). En este caso, la <strong>búsqueda</strong> <strong>de</strong>l mejor itinerario es un problema NP-difícil. Para realizar la <strong>búsqueda</strong><br />
en este tipo <strong>de</strong> vecinda<strong>de</strong>s existen heurísticas eficaces ([27], [43], [59]), y es posible <strong>de</strong>sarrollar<br />
algoritmos <strong>de</strong> <strong>búsqueda</strong> en los mismos aplicando modificaciones <strong>de</strong> coste u otros medios <strong>de</strong> control <strong>de</strong>l<br />
ajuste generado.<br />
A continuación veremos una estructura <strong>de</strong> <strong>vecindad</strong> basada en ajustes no bipartitos, <strong>de</strong>ntro <strong>de</strong>l<br />
contexto <strong>de</strong>l problema <strong>de</strong> la partición general <strong>de</strong> conjuntos contemplado en el apartado 3. Llamemos S =<br />
{S1, S2, S3,…, SK} a una partición <strong>de</strong>l conjunto A = {a1, a2, a3,…, an}. A continuación, construyamos un<br />
grafo completo G = (N, E) tal que cada nodo i para 1 ≤ i ≤ K represente el subconjunto Si en S. Los<br />
pesos c[i, j] <strong>de</strong>l vértice (i, j) <strong>de</strong> G se pue<strong>de</strong>n construir separadamente conforme a una variedad <strong>de</strong> reglas,<br />
una <strong>de</strong> las cuales es la siguiente:<br />
(i) Sea la contribución <strong>de</strong>l coste <strong>de</strong>l subconjunto Si al problema <strong>de</strong> la partición d[Si].<br />
(ii) Para cada vértice (i, j) en E, se combinan los elementos <strong>de</strong> Si and Sj, y se vuelven a<br />
repartir óptimamente en dos subconjuntos, a los que llamaremos Si y Sj.<br />
(iii) Luego c[i, j] = (d[Si'] + d[Sj']) – (d[Si] + d[Sj]).<br />
Obsérvese que, si se eliminan <strong>de</strong> G los vértices con pesos no negativos, cualquier ajuste <strong>de</strong> coste<br />
negativo que se haga en este grafo <strong>de</strong>finirá un coste vecino <strong>de</strong> mejora <strong>de</strong> S. Tailard ha aplicado este tipo<br />
<strong>de</strong> i<strong>de</strong>as a una clase general <strong>de</strong> problemas <strong>de</strong> clustering ([71]), y al problema <strong>de</strong>l enrutamiento <strong>de</strong><br />
vehículos ([72]).<br />
5. Casos especiales resolubles y vecinda<strong>de</strong>s relacionadas<br />
Existen <strong>gran</strong> cantidad <strong>de</strong> estudios relativos a casos especiales <strong>de</strong> problemas <strong>de</strong> optimización<br />
combinatoria NP-difíciles que pue<strong>de</strong>n resolverse <strong>de</strong> forma eficiente. Particularmente interesantes para<br />
nosotros son aquellos casos especiales que se pue<strong>de</strong>n obtener a partir <strong>de</strong>l problema NP-difícil original<br />
limitando la topología <strong>de</strong>l problema, o añadiendo restricciones al problema original, o <strong>por</strong> medio <strong>de</strong> una<br />
combinación <strong>de</strong> estos dos factores. Al basar vecinda<strong>de</strong>s en estos supuestos especiales, a menudo se<br />
pue<strong>de</strong>n <strong>de</strong>sarrollar vecinda<strong>de</strong>s <strong>de</strong> tamaño exponencial en las que es posible realizar <strong>búsqueda</strong>s en tiempo<br />
polinómico. Conviene señalar que la mayoría <strong>de</strong> estas <strong>técnicas</strong> no se han probado experimentalmente,<br />
<strong>por</strong> lo que cabe esperar que produzcan óptimos locales poco satisfactorios. Obsérvese asimismo que la<br />
<strong>vecindad</strong> <strong>de</strong> intercambio cíclico vista en el apartado 4 se basa en un algoritmo O(n 2 ) para la obtención<br />
<strong>de</strong>l itinerario piramidal <strong>de</strong> coste mínimo.<br />
24