Autoridades

82 A. Centeno, et al / Revista Ingeniería UC , Vol. 23, No. 1, abril 2016, 81-89
optimización. En el estado actual de las investigaciones,
existen dos enfoques o esquemas principales
sobre los está fundamentado el desarrollo
de métodos y algoritmos para dar solución al
PIAM, los cuales son comúnmente denominados
como el control de parámetros y la afinación de
parámetros (AP) [1, 2]. En el esquema de afinación
los parámetros de una metaheurística, tras ser
inicialmente instanciada, permanecen constantes
durante toda la ejecución de la misma. La AP puede
estar o no basada en modelos [2]. Enmarcado
en el esquema de afinación no basado en modelos,
se cuenta con la meta–optimización [3], [4], [5]
o aplicación de una meta–heurística (algoritmo
meta–optimizador) para afinar los parámetros de
otra meta–heurística (algoritmo objetivo) [2].
El presente trabajo expone los resultados
de la implementación de una propuesta meta–
optimizadora que permite la afinación de los
parámetros del Algoritmo de Búsqueda Armónica
(ABA) [6] conjuntamente con la generación de
información sobre su comportamiento. Como
algoritmo meta–optimizador (MO) fue empleado
al propio ABA, estableciéndose un lazo de
retroalimentación entre los parámetros de éste
y los asociados al algoritmo objetivo (AO).
La propuesta desarrollada fue sometida a prueba
sobre tres instancias de problemas de optimización
no lineales y no restringidos.
Como antecedentes en los trabajos de meta–
optimización de la ABA destacan los trabajo de
Gandomi y Alavi [7], y Yang, et al [8]. Gandomi
y Alavi proponen un algoritmo biológicamente
inspirada, donde la manada de krill (KH) es usada
para la solución de tareas de optimización. El
algoritmo de KH está basado en la simulación
del comportamiento de manada de individuos de
krill. El algoritmo de KH es capaz de resolver de
manera eficiente una amplia gama de problemas de
optimización de referencia [7]. La realización de
cualquier algoritmo dependerá en gran medida el
ajuste de sus parámetros del algoritmo dependiente.
El ajuste óptimo debe permitir que el algoritmo
logre el mejor rendimiento para resolver una
serie de problemas de optimización. Sin embargo,
tales ajustes de parámetros es un problema de
optimización difícil. Yang, et al presentan un
marco para los algoritmos de autoajuste para
que un algoritmo a ser sintonizado puede ser
usada para ajustar el propio algoritmo. Mediante
el algoritmo de luciérnaga como un ejemplo,
muestran que este marco funciona bien [8].
2. Afinación de Parámetros
Los algoritmos de optimización inspirados en
la naturaleza han sido cada vez más popular en
los últimos años, y la mayoría de estos algoritmos
meta–heurísticos han sido muy eficiente. el libro
de Yang [9] se esfuerza en introducir los últimos
avances en relación con los principales algoritmos
inspirados en la naturaleza, en este libro recalca la
necesidad de la afinación de parámetros. Esta necesidad
de la afinación de los parámetros también
resalta en el libro de Kaveh y Mahdavi [10].
Figura 1: Estructura en capas de la afinación de parámetros.
Las flechas mostradas en a) y b) denotan, respectivamente, el
flujo de control e información entre las capas
A grandes rasgos, la resolución del PIAM a
través de la aplicación de la AP es equivalente a resolver
la instancia de un problema de optimización
mediante una meta–heurística. Sin embargo, la
AP constituye un meta–problema con respecto al
proceso de optimización [2]. La Figura 1, bosqueja
esta relación jerárquica entre el AO, ubicado en
la capa meta–heurística e implementado sobre
la capa de aplicación, y la capa superior o
de diseño correspondiente a un método afinador
implementado para afinar los parámetros del AO.
La dinámica esquematizada en la Figura 1
puede ser resumida en los siguientes términos:
en la capa de diseño el afinador construye una
configuración válida, conformada por todos los
parámetros instanciados del AO, y la envía a
Revista Ingeniería UC, ISSN: 1316–6832, Facultad de Ingeniería, Universidad de Carabobo.