Documente Academic
Documente Profesional
Documente Cultură
Una forma posible de obtener una mejor solución es reiniciar estos procedimientos básicos de
SLS desde posiciones de búsqueda iniciales elegidas al azar. Sin embargo, este enfoque ha
demostrado ser relativamente poco efectivo en la práctica para casos de problemas de tamaño
razonable (y se “descompone” para casos grandes [111]).
Para superar estas limitaciones, en las últimas décadas, se ha introducido un gran número de
métodos SLS más sofisticados y de propósito general [67]; a menudo se denominan
metaheurísticas [46], ya que se basan en esquemas de nivel superior para controlar uno o más
procedimientos de búsqueda heurística subsidiaria.
Ejemplos de tales métodos de SLS basados en la población incluyen algoritmos evolutivos [62,
54, 106, 114], dispersión búsqueda [47, 53], y optimización de colonias de hormigas [34, 35, 36].
En este capítulo, ofrecemos una descripción general de los conceptos principales que subyacen
en el marco de SLS y describimos algunas de las técnicas más relevantes de SLS. También
discutimos algunas direcciones de investigación recientes importantes en el área de búsqueda
local estocástica. El resto de este capítulo está estructurado de la siguiente manera. En la Sección
2, situamos la noción de SLS dentro del contexto más amplio de paradigmas de búsqueda
fundamentales y revisamos brevemente la definición de un algoritmo de SLS. En la Sección 3,
resumimos los principales problemas y tendencias en el diseño de algoritmos codiciosos de
mejora constructiva e iterativa, mientras que en las Secciones 4 a 6, ofrecemos una visión
general concisa de algunos de los métodos SLS simples, híbridos y basados en la población más
utilizada . Finalmente, en la Sección 7, discutimos algunos temas recientes de interés, como el
diseño sistemático de los algoritmos SLS y los métodos para la configuración automática de los
algoritmos SLS.