Siguiente: Introducción a los inventarios
Nivel anterior: Aplicaciones de la simulación
Previa: Contraste de hipótesis Montecarlo
Se plantea resolver heurísticamente el problema
Llamaremos valor incumbente en un iteración al mejor obtenido
hasta dicha iteración.
a) Búsqueda aleatoria pura
Se toman puntos al azar (pero uniformemente) sobre X y nos
quedamos con aquel que dé mejor valor.
b) Multicomienzo
- 1.
-
.
- 2.
- Se repite N veces: se genera
(de acuerdo con una
distribución D).
Se usa x como punto de inicio de cualquier método de búsqueda
local, obteniéndose xi*. Si
f*(xi)<f*, entonces
.
c) Direcciones aleatorias
Se selecciona un punto de partida. Se generan direcciones
aleatorias y se optimiza en cada una de esas direcciones. Para
cada dirección se toma como punto de partida el óptimo obtenido
con la dirección anterior.
d) Métodos que imitan procesos naturales
(i) Recocido simulado (simulated annealing)
- 1.
- Se elige
.
Se elige T1>0.
- 2.
- Se repite el siguiente proceso el número de de iteraciones que
resulte apropiado:
- Se genera
(un entorno de xi).
- Se genera
.
- Si
,
entonces se hace xi=y.
- Si
f(xi)<f*, entonces se hace
.
- Se actualiza Ti.
Se recomienda mantener Ti constante durante las primeras
iteraciones y luego hacer
.
(ii) Algoritmos genéticos.
Un algoritmo genético parte de un conjunto (población) de N
soluciones (individuos) que evolucionan de modo que se mantiene su
tamaño.
- Población: N individuos.
- Iteración i-ésima:
.
- Regla de selección: se eligen individuos x(i) de modo que los
mejores (mejor valor objetivo) tengan mayor probabilidad.
- Regla de cruce: dos individuos se parten e intercambian sus
partes.
- Mutación: mediante una regla específica se modifican los
resultados del cruce.
- Selección de malos individuos y muerte: se deja el tamaño de la
población en N individuos.