Resumen de Current trends in designing metaheuristic algorithms: applications to machine learning
Julio Alberto López Gómez
Desde su aparición en la década de los ochenta, el diseño y la implementación de algoritmos metaheurísticos es uno de los temas esenciales en el área de la inteligencia artificial y la investigación operativa. En los últimos años, la hibridación de estos algoritmos se ha convertido en una de las vías más exitosas para mejorar su rendimiento.
Se ha empleado un enfoque macroscópico y microscópico en el diseño de algoritmos metaheurísticos híbridos. A nivel microscópico, un algoritmo es diseñado en base a los mecanismos y operaciones de otros algoritmos existentes. A nivel macroscópico, un algoritmo completo es integrado dentro de otro. Las tendencias principales de este segundo enfoque son: i) la cooperación, en la que dos o más algoritmos trabajan de forma colaborativa en la resolución de un problema, siguiendo un enfoque intrínsecamente paralelo y ii) los algoritmos matheurísticos y meméticos que ofrecen una forma de combinar algoritmos metaheurísticos con algoritmos con buenas capacidades de búsqueda local como los métodos exactos, aprovechando las ventajas de cada uno de ellos y dotando de gran versatilidad a los algoritmos desarrollados a través de una implementación sencilla.
Esta tesis doctoral se centra en el diseño, implementación y evaluación de algoritmos metaheurísticos híbridos a nivel macroscópico. Para ello, se han utilizado dos algoritmos metaheurísticos recientes y populares como base: el algoritmo basado en la tormenta de ideas o brainstorming (BSO), que modeliza un proceso de resolución de problemas y el algoritmo de búsqueda gravitacional (GSA) que se apoya en los modelos de física Newtoniana. Así, se han implementado estrategias cooperativas basadas en BSO y BSO con el algoritmo Nelder-Mead. Por otra parte, se han implementado enfoques matheurísticos usando el algoritmo BSO junto con un algoritmo de punto interior. Finalmente, se han implementado variantes meméticas del algoritmo GSA utilizando el método quasi-Newton e introduciendo mapas caóticos para mejorar el balance entre exploración y explotación en el algoritmo resultante.
Actualmente, el campo de las redes neuronales está experimentando una revolución debida, especialmente, a la aparición de las redes neuronales profundas (deep learning). En esta tesis, las metodologías convencionales de redes neuronales así como las redes neuronales profundas son analizadas para, posteriormente, aplicar los nuevos algoritmos meméticos propuestos al entrenamiento de redes neuronales clásicas, mejorando los resultados obtenidos por algoritmos metaheuristicos del estado del arte sobre este problema.
