Optimización Heurística y Redes Neuronales

Contenidos - Table of Contents

1. INTRODUCCIÓN A LAS TÉCNICAS HEURÍSTICAS
Adenso Díaz and Fan T. Tseng

1.1. Introducción
1.2. Complejidad computacional
1.3. Heurísticas
1.4. Tipos de heurísticas
1.5. Las nuevas metaheurísticas
1.6. Ejercicios

2. RECOCIDO SIMULADO
Pablo Moscato y Adenso Díaz

2.1. Algoritmo de Metropolis
2.2. Analogía física y planteamiento básico de la metaheurística
2.3. Selección del programa de enfriamiento
2.4. Aspectos de implementación computacional
2.5. Convergencia del recocido simulado
2.6. "Number Partitioning", o la crónica de un fracaso para SA
2.7. Aplicaciones del recocido simulado

2.7.1. Aplicaciones en diferentes campos
2.8. Comentarios finales y algunas "creencias"
2.8.1. Otras funciones de aceptación
2.8.2. Correlaciones entre óptimos locales
2.8.3. "Hill Climbing" puede ser exponencial
2.9. Ejercicios

3. ALGORITMOS GENÉTICOS
Manuel Laguna y Pablo Moscato

3.1. Introducción

3.1.1. Analogías con la evolución
3.1.2. Composición de un algoritmo genético
3.2. Elementos básicos
3.2.1. La población inicial
3.2.2. Evaluación del nivel de "fitness"
3.3.3. Selección y operadores genéticos de sobrecruzamiento
3.3. Análisis de los algoritmos genéticos
3.3.1. El "Schema Theorem" y el paralelismo intrínseco
3.3.2. El análisis usando "Forma"
3.3.3. Corner Formae
3.3.4. Problemas "AG-difíciles" y el concepto de "Engaño"
3.4. Algoritmos meméticos
3.4.1. El problema de la Liga Nacional de Hockey (NHL)
3.4.2. El problema de coloración de un grafo
3.4.3. El perceptrón binario
3.5. Aplicaciones de los algoritmos genéticos
3.6. Ejercicios

4. BÚSQUEDA TABÚ
Fred Glover

4.1. Introducción. Fundamentos de la búsqueda tabú

4.1.1. Memoria de corto plazo y sus elementos
4.1.2. Memoria de largo plazo
4.1.3. Oscilación Estratégica
4.1.4. Reencadenamiento de Trayectorias
4.2. Estructuras de memoria y estrategias ilustrativas
4.2.1. Estructuras de memoria basadas en recencia y en ' frecuencia
4.2.2. Consideraciones para estrategias de Listas de Candidatos
4.2.3. Estructuras de memoria para Oscilación Estratégica
4.2.4. Consideraciones sobre Reencadenamiento de Trayectorias
4.3. Conclusiones
4.4. Ejercicios

5. GRASP
José Luis González

5.1. Introducción
5.2. Estrategias de GRASP y sus componentes
5.3. Diseño de GRASP
5.4. Procedimientos locales de optimización
5.5. Aplicaciones de GRASP
5.6. Conclusiones
5.7. Ejercicios

6. REDES NEURONALES
Hassan M. Ghaziri

6.1. Introducción
6.2. Del cerebro a las redes neuronales

6.2.1. Antecedentes biológicos
6.2.2. Modelos de neuronas
6.2.3. Arquitecturas
6.2.4. Reglas de aprendizaje
6.3. Redes neuronales artificiales y los problemas de optimización combi natoria
6.3.1. Aproximación estadística para el problema de optimización
6.3.1.1. La red de Hopfield
6.3.1.2. Mean Field Theory, MFT (Teoría del Campo Medio)
6.3.2. El algoritmo de Kohonen
6.4. Las redes neuronales y el problema del viajante
6.4.1. La solución de Hopfield
6.4.2. Redes elásticas
6.4.3. Método de Kohonen
6.4.4. Discusión de los tres métodos
6.5. El problema de los múltiples viajantes de comercio
6.6. El problema de las rutas de vehículos
6.7. Conclusiones


Back to main page