Documente Academic
Documente Profesional
Documente Cultură
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/261177060
CITATIONS READS
6 27
2 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Nelson Alfonso Gmez-Cruz on 29 March 2014.
Facultad de Administracin
Modelamiento y simulacin
de sistemas complejos
ISSN: 0124-8219
658.40352 SCDD 20
ISSN: 0124-8219
Introduccin....................................................................................... 5
Modelamiento y simulacin.................................................................. 7
Problemas P y N-P............................................................................... 11
Qu es un modelo?............................................................................. 17
Conclusiones....................................................................................... 29
Glosario.............................................................................................. 30
Referencias bibliogrficas..................................................................... 31
1
La distincin entre el software propietario y el software libre es, ulteriormente, un tema poltico. Existe un fuerte
y slido debate al respecto con fundamentos tericos consistentes. Sin embargo, el tema debe quedar aqu
de lado. Baste decir que, en el plano tico, se trata de la distincin entre hackers y crackers (as como entre
white hat hackers y black hat hackers). Otras distinciones ms sutiles son los samurai, wannabis, phreakers,
newbies y loosers.
2
ParadisEO es un software de gran inters para el trabajo con metaheursticas. 7
3
La complejidad del modelamiento basado en agentes debera estar en los resultados simulados, no en las
asunciones del modelo (). Una simulacin de la economa que busca predecir tasas de inters con tres
meses de anticipacin requiere ser tan rigurosa como sea posible. Por esta razn, se puede requerir que las
asunciones que entran en el modelo sean bastante complicadas. Asimismo, si una simulacin se usa para
entrenar al equipo de un supertanque, o para desarrollar tcticas para un nuevo avin de combate, la precisin
es importante y no la simplicidad del modelo. Pero si la meta consiste en profundizar nuestra comprensin de
8
algn proceso fundamental, entonces la simplicidad de las asunciones es importante y no la representacin
realista de todos los detalles de una determinada construccin (traduccin, C.E.M.).
Modelo
Modelamiento Simulacin
Sistema real
Computador
(mundo real)
Aplicacin Comprensin
10
4
El problema de las relaciones P y N-P constituye uno de los siete problemas que, conjuntamente con otros
seis, ha llegado a agruparse con el ttulo genrico de los Problemas Premios del Milenio, en el sentido de ser
los problemas ltimos constitutivos de las matemticas. Estos siete problemas son: la conjetura de Birch y
11
Swinterton-Dyer, la conjetura de Hodge, las ecuaciones Navier-Stokes, los problemas P y N-P, la conjetura
de Poincar, la hiptesis de Riemann y la teora de Yang-Mills.
P = N-P
P N-P
N-P P
P N-P
13
14
hacer una taxonoma de las ciencias de la complejidad y, por lo dems, al respecto existe una bibliografa
amplia relativamente coincidente entre s.
16
19
20 6
Expresin acuada por M. Sipper. Vase De Castro y Von Zuben, 2005.
7
Un problema no computable es aquel que no encuentra solucin en una mquina universal de Turing o, lo
que es equivalente, en un computador basado en la arquitectura Von Neumann (la cual se centra en un pro-
cesador muy complejo capaz de resolver tareas complejas de forma secuencial una a la vez). En trminos
21
coloquiales, se tratan problemas que no se pueden solucionar con los recursos que provee un computador
convencional porttil o de escritorio con un procesador nico.
Hill-climbing
Heursticas Bsqueda del mejor primero
Resolucin de problemas Bsqueda sistemtica desinformada
mediante heursticas y
metaheursticas (control, Anlisis de paisaje adaptativo
optimizacin, bsqueda, Bsqueda local
reconocimiento de Metaheursticas Bsqueda local iterada
patrones, aprendizaje, basadas en Bsqueda tab
adaptacin, evolucin y soluciones Temple o recocido simulado
otros) nicas Bsqueda variable de vecindad
Bsqueda local guiada
Sistemas difusos
Contina
22
Algoritmos genticos
Programacin gentica
Programacin evolutiva
Computacin Algoritmos memticos
evolutiva Estrategias evolutivas
(algoritmos Sistemas clasificadores de
evolutivos) conocimiento
Evolucin diferencial
Algoritmos coevolutivos
Metaheursticas
Resolucin de problemas Algoritmos culturales
basadas en
mediante heursticas y poblaciones Optimizacin por colonias de hormigas
metaheursticas (control, Optimizacin por enjambres de
optimizacin, bsqueda, partculas
reconocimiento de Inteligencia de
Optimizacin por forrajeo de
patrones, aprendizaje, enjambres (o
enjambres de bacterias
adaptacin, evolucin y colectiva)
Algoritmo de colmenas de abejas
otros) artificiales
Bsqueda por difusin estocstica
Computacin cuntica
24
SIA
RN CE
SD IE
Tcnicas probabilsticas
Sistemas bio-inspirados
Computacin
bio-inspirada
Optimizacin
bio-inspirada
simulados para explorar sus vastos espacios de soluciones. Por tanto, podemos
hablar en trminos de modelos de optimizacin y de optimizacin simulada.
La historia de la optimizacin puede rastrearse en tres momentos princi-
pales: desde la investigacin de operaciones, desde la inteligencia artificial
y desde la vida artificial. La investigacin de operaciones se consolid como
una rama de las matemticas a finales de los aos treinta y se mantuvo vigente
hasta finales de los aos ochenta. A ella se deben buena parte de los mtodos
clsicos de optimizacin, entre los que se encuentran las tcnicas de progra-
macin matemtica (continua, entera, mixta), los modelos de satisfaccin de
restricciones, la teora de colas y los inicios de la optimizacin combinatoria.
La inteligencia artificial, por su parte, retom y ampli los problemas de
optimizacin combinatoria, inici el trabajo con problemas de optimizacin
dinmica y multi-objetivo e inaugur el estudio de mtodos no analticos
(heursticos) de optimizacin como las redes neuronales, la bsqueda tab
o el temple simulado. Las heursticas y las metaheursticas basadas en solu-
ciones nicas comenzaron a tomar fuerza en la resolucin de problemas N-P.
El auge de los modelos de la inteligencia artificial (clsica) se mantuvo hasta
finales de los aos noventa.
La vida artificial es el plano ms reciente para la resolucin de los pro-
blemas complejos de optimizacin y se concreta en la construccin de me-
taheursticas (y no simplemente de heursticas) y, ms recientemente, en el
trabajo con hiperheursticas. Una metaheurstica es una metodologa (o un
marco algortmico) de alto nivel que posibilita el diseo de heursticas sub-
yacentes para resolver problemas complejos de optimizacin, mientras que
las hiperheursticas apuntan a la eleccin automtica de mtodos heursticos
o metaheursticos que resuelvan, cada vez, uno de los posibles puntos de
decisin o de solucin que caracterizan a los problemas complejos (Cotta,
Sevaux y Srensen, 2008). Las hiperheursticas utilizan informacin limitada
del problema dado y no requieren un conocimiento explcito de las heursticas
y metaheursticas disponibles para su resolucin.
A diferencia de los mtodos analticos y exactos tradicionales, las heurs-
ticas y metaheursticas no garantizan, en la mayora de las ocasiones, solu-
ciones ptimas o cercanas a un ptimo, supuesto el nmero astronmico de
soluciones posibles caracterstico de los problemas de complejidad creciente.
Mejor an: el objetivo principal de las heursticas y metaheursticas es pro-
ducir soluciones de calidad aceptable en un tiempo razonable. Por tanto, en 27
28
29
30
Facultad de Administracin
Modelamiento y simulacin
de sistemas complejos
port_BI_66_Admon.indd
View publication stats 1 3/2/10 8:09 AM