Documente Academic
Documente Profesional
Documente Cultură
Algoritmos Modernos
Rosa Medina
Observaciones
I
Cambio de vecindarios en la b
usqueda
Cambia de solucion s
olo si hay mejoras
Determinstico
Exploracion de la regi
on factible
Ejemplo: KP 0-1
Max
s.t.
n de evaluacio
n: suma de
funcio
los beneficios de los tems
seleccionados
n inicial: ning
solucio
un tem es
seleccionado
Estocastico
Ejemplo: KP 0-1
Max
s.t.
n de evaluacio
n: suma de
funcio
los beneficios de los tems
seleccionados
n inicial: ning
solucio
un tem es
seleccionado
rmino: tres
criterio de te
iteraciones
xj {0, 1}j = 1, . . . , 4
10
Si x es igual a x 00 , es un
optimo local para ese vecindario,
cambiamos de vecindario
Si x es distinto de x 00 y la funci
on objetivo es mayor en x,
encontramos un nuevo
optimo local mejor que el anterior, nos
movemos a ese optimo local
Ejemplo: KP 0-1
Max
s.t.
n de evaluacio
n: suma de
funcio
los beneficios de los tems
seleccionados
n inicial: ning
solucio
un tem es
seleccionado
rmino: tres
criterio de te
iteraciones
xj {0, 1}j = 1, . . . , 4
13
Ejemplo: KP 0-1
Max
s.t.
n de evaluacio
n: suma de
funcio
los beneficios de los tems
seleccionados
n inicial: ning
solucio
un tem es
seleccionado
rmino: tres
criterio de te
iteraciones
xj {0, 1}j = 1, . . . , 4
16
17
: parametro
18
objetivo f (x)
x opt = x
f (x opt ) = f (x)
repeat
for all vecindario l do
Shaking : aleatoriamente elegir x 0 Nl (x)
Local Search: aplicando un local search, encontrar x 00 el mnimo local
Memorizar mejor soluci
on: {
if f (x 00 ) < f (x opt ) then
x opt = x 00 , f (x opt = f (x 00 )
end if}
Moverse o no: {
if f (x 00 ) (x, x 00 ) < f (x) then
x = x 00 , l = 1
end if}
end for
until criterio de t
ermino
Ejemplo: KP 0-1
Max
s.t.
n de evaluacio
n: suma de
funcio
los beneficios de los tems
seleccionados
n inicial: ning
solucio
un tem es
seleccionado
rmino: tres
criterio de te
iteraciones
xj {0, 1}j = 1, . . . , 4
19
Dos niveles