Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Recibido: Julio2014.
Aceptado: Agosto 2014.
1.
INTRODUCCIN
________________________
1
Sandoya Snchez Fernando, Ph.D., Profesor, Departamento
de Matemticas, Facultad de Ciencias Naturales y
Matemticas, Escuela Superior Politcnica del Litoral
(ESPOL)
variedad
de
aplicaciones,
incluyendo
planificacin de la produccin, modelizacin
financiera, muestreo estratificado, planificacin
de la capacidad de instalaciones, etc., como se
observa en [1]. Adems de sus potenciales
aplicaciones, el KP es de particular inters por sus
caractersticas combinatorias y su estructura
sencilla, que lo vuelven un problema ideal para el
diseo de mtodos de bsqueda inteligente. Con
el tratamiento del problema KP se pueden evaluar
las ventajas y desventajas de estos algoritmos,
sobretodo su robustez, precisin y rapidez.
El KP es un problema combinatorio que es NPduro, como se puede ver en [2], con respecto a la
codificacin binaria estndar y consta en la lista
de 21 problemas NP-completos de Karp, por tanto
es improbable que, en algn momento, pueda ser
encontrado un algoritmo que pueda resolverlo en
tiempo polinomial. Sin embargo KP no es del tipo
fuertemente NP-duro, y por tanto puede ser
resuelto
en
tiempo
seudo-polinomial,
particularmente por programacin dinmica,
como se demuestra en [3]; es decir, que en su
codificacin uniaria el problema es resoluble
polinomialmente. De esta manera, incluso grandes
instancias del problema pueden ser resueltas de
manera exacta con solvers que utilizan mtodos
exactos como la bsqueda dinmica o
branch&bound (en particular Cplex), y el
planteamiento de mtodos aproximados, como los
algoritmos basados en metaheursticas, se da para
probar la eficiencia de estos procedimientos.
2.1 FORMULACIN
Demostracin:
Si
representamos
con
, el algoritmo glotn
3.
Si representamos con ,
y , entonces:
1. es una cota inferior para el ptimo de KP
2.
DISEO DE UN ALGORITMO
EFICIENTE PARA RESOLVER EL
KP
uniformemente en , y
tal que
ptimo de KP
44
F. SANDOYA
, ;.
Y se actualiza \
En caso contrario, si , se
elimina del conjunto de elementos no
seleccionados, \ y se regresa a 2.
En la seccin 5 se reportan los resultados
obtenidos al aplicar este mtodo voraz y su
comparacin con las heursticas propuestas.
F. SANDOYA
4. SOLUCIN DEL KP EN UN
OPTIMIZADOR DE PROPSITO
GENERAL
5.
RESULTADOS NUMRICOS
47
Desviacin
promedio
porcentual
#
Factibles
#
ptimo
Tiempo
promedio
(seg.)
GRASP_KP
GRASP_1
Glotn
Evolver
(300
seg)
Evolver
(600
seg)
0.021%
0.102%
5.100%
4.740%
3.470%
24
24
24
24
24
12
39.37
198.94
0.792
300
600
FIGURA 2
El problema de la mochila, complejidad, cotas y mtodos
de bsqueda eficientes
41024
F.O
41 000
GRASP 1
40 900
40 850
0
TABLA II
El problema de la mochila, complejidad, cotas y mtodos
de bsqueda eficientes
GRASP_KP
GRASP_1
Glotn
Evolver_KP
0.012%
0.099%
5.05%
8.212%
24
24
24
24
11
511.20
6
693.15
5
6.726
4
600
GRASP KP
40 950
48
100
200
300
400
tiempo
F. SANDOYA
FIGURA 3
El problema de la mochila, complejidad, cotas y mtodos
de bsqueda eficientes
ptimo
8.19
10 6
8.18
10 6
8.17
10 6
8.16
10 6
GRASP KP
GRASP 1
FIGURA 5
10
20
30
40
8196 827
F.O
8.19
10 6
8.18
10 6
8.17
10 6
8.16
10 6
GRASP KP
GRASP 1
200
400
600
800
1000
1200
tiempo
49
6. CONCLUSIONES
El algoritmo desarrollado en base al nuevo
esquema de la metaheurstica GRASP muestra un
mejor desempeo que el algoritmo desarrollado
en base a la propuesta clsica de GRASP, en ese
sentido conjeturamos que puede ser una mejor
manera de aplicar esta metaheurstica para la
solucin de otros problemas de optimizacin
combinatoria.
El algoritmo GRASP_KP se muestra como el de
mejor rendimiento, considerando velocidad,
eficiencia y calidad de las soluciones obtenidas,
esto es algo que destacar, porque adems va de la
mano con el hecho, demostrado empricamente,
de la sencillez de su formulacin.
Los optimizadores de propsito general, basados
en algoritmos genticos, tienen la caracterstica de
que facilitan enormemente el proceso de
modelacin, y el proceso de bsqueda no tiene
que ser diseado, sino que es determinado por el
propio programa, pero esta aparente ventaja es a
costa de una mala calidad de las soluciones
encontradas, por tanto no hay un equilibrio entre
precisin, eficiencia y calidad.
El algoritmo GRASP utilizando su versin
modificada; es decir GRASP_KP, permite hallar
soluciones que incluso en su peor construccin
son mejores que las obtenidas por un
procedimiento voraz determinista, esto implica
que el algoritmo es altamente eficiente y robusto,
y es probable que con una sola construccin se
pueda obtener una solucin de excelente calidad.
TABLA III
El problema de la mochila, complejidad, cotas y mtodos
de bsqueda eficientes
Peor
construccin
GRASP_1 vs.
Glotn
Mejor construccin
GRASP_KP vs. Mejor
construccin GRASP_1
Observaciones
24
24
24
Estadstico
2.4151
1.9747
1.7199
0.0120
0.0302
0.0494
1.7139
1.7139
1.7139
una cola
Valor crtico
de (una cola)
al 95%
50
F. SANDOYA
51