Búsqueda Guiada por Regresión: un algoritmo determinista para la optimización global

• Miquel Oliver-Vert ^[1]
  1. [1] Universidad Nacional de Educación a Distancia

     Universidad Nacional de Educación a Distancia

     Madrid, España

     
• Localización: Pi-InnovaMath, ISSN-e 2605-1249, Nº. 9, 2026
• Idioma: español
• DOI: 10.5944/pim.9.2026.47990
• Enlaces
  • Texto completo
• Resumen

  • Se presenta el algoritmo Búsqueda Guiada por Regresión (BGR), un método determinista de optimización global diseñado para localizar el mínimo de funciones tanto reales como vectoriales definidas en dominios multidimensionales. El algoritmo integra modelos de regresión local en el proceso de exploración, aprovechando la información obtenida en evaluaciones previas para orientar la búsqueda hacia las regiones más prometedoras del dominio. Este enfoque permite reducir significativamente el número de evaluaciones necesarias, manteniendo una exploración sistemática del dominio. El artículo describe formalmente el procedimiento e ilustra su funcionamiento mediante un ejemplo.

• Referencias bibliográficas
  • Atkeson, C. G., Moore, A. W., & Schaal, S. (1997). Locally Weighted Learning. Artificial Intelligence Review, 11 (1), 11-73. https://doi.org/10.1023/A:1006559212014
  • Bremermann, H. J. (1958). The evolution of intelligence: the nervous system as a model of its environment [Also reprinted in: Self-Organizing...
  • Galperin, E. A. (1985). The Cubic Algorithm. Journal of Mathematical Analysis and Applications, 112 (2), 635-640.
  • Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley.
  • Hansen, P., & Jaumard, B. (1995). Lipschitz optimization. Handbook of Global Optimization, 407-493.
  • Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.
  • Jones, D. R., Perttunen, C. D., & Stuckman, B. E. (1993). Lipschitzian optimization without the Lipschitz constant. Journal of Optimization...
  • Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN’95 - International Conference on Neural Networks,...
  • Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220 (4598), 671-680.
  • Piyavskii, S. A. (1972). An algorithm for finding the absolute extremum of a function. USSR Computational Mathematics and Mathematical Physics,...
  • Sergeyev, Y. D. (1995). An information global optimization algorithm with local tuning. SIAM Journal on Optimization, 5 (4), 858-870.
  • Shubert, B. O. (1972). A sequential method seeking the global maximum of a function. SIAM Journal on Numerical Analysis, 9 (3), 379-388.