MTODOS DE SOLUCIN

Ahora bien, el problema de la mochila puede ser resuelto de distintas formas,

una de ellas fundamentada en el mtodo simplex es hacer uso de algoritmos
de programacin entera, como bien fue expuesto anteriormente, aun asi esta
solucin se determinara en un tiempo No Polinomico, para empezar acercar
este programa a una solucin mucho ms rpida se hace uso de distintas
tcnicas.

Metaheursticas algoritmos bioinspirados

El termino metaheurstica proviene de las races griegas: meta (ms all),
heurisko (hallar, inventar, descubrir), en trminos de lo que nos comprende,
una heurstica es un algoritmo que contrario a su naturaleza sacrifica tiempo
de ejecucin o la bsqueda de soluciones optimas (o ambos) esencias primales
del sentido de un algoritmo bien constituido, esto con la nica finalidad de
romper con el paradigma de que el proceso lgico es el nico mejor en los
casos especficos. Este concepto es impulsado a una nueva dimensin
considerando problemas de gran alcance como lo son los NP completos, donde
se da una transicin entre una solucin y otra.
El eje transversal de este tipo de optimizacin est relacionado directamente
con el poder actual del procesamiento de datos, el modelamiento y la
simulacin, ms especficamente la simulacin basada en agentes, un agente
es un eslabn de una cadena, un punto en una poblacin con sus propios
intereses, sus propias caractersticas y acciones, en conjunto una poblacin de
agentes, sin tener una Inteligencia colectiva llega a un estado del sistema, un
comportamiento emergente, toda la poblacin pretende coordinarse, estas
consideraciones son materia de investigacin de los estudiosos de la
simulacin, pero fundamentan la idea de que si una solucin al problema de la
mochila se comporta como un agente de una poblacin, en conjunto podra
llegarse a tener un comportamiento emergente donde se llega al ptimo.
Entonces resulta que esto mismo puede ser simplificado mediante la
observacin de los sitemas de agentes que nos ofrece la naturaleza, lase
sociedades de seres vivientes (agentes) con comportamientos especficos
(emergentes) como es el caso de las hormigas, famosas por saber sortear
obstculos y encontrar la ruta ms corta para encontrar su comida,
comportamiento que se ha aprovechado para modelar flujo de redes, pero ellas
no son solo famosas por eso, se sabe que son extremadamente fuertes
pudiendo cargar muchas veces su propio peso, es esta caracterstica la que
resulta interesante para resolver el problema de la mochila.
Considerese cada hormiga como una mochila individual es decir una posible
solucin del problema, su fuerza es grande pero no ilimitada en realidad es

equivalente al peso que puede cargar, ahora este pequeo agente desea con
ansias llenarse con objetos, al caminar por un mundo lleno de objetos de su
inters va a comunicarse con sus compaeras por medio de un marcador
hormonal, asi visita un objeto se carga con el y avisa a sus compaeras que
ese objeto le result interesantes, se llega un punto en el que la hormiga tiene
su capacidad al limite o los objetos que no visit simplemente le aplastara, en
este momento la hormiga muere y es evaluada su mochila, consideraciones
adicionales deben hacerse, para lograr que un modelo de este estilo ser
eficiente por ejemplo a saber: tiempo til de la feromona y cantidad inicial de
hormigas.

Algoritmos Genticos y multiobjetivo, un modelo

conceptual.
Continuando Inspirados los estados biolgicos que nos rodean el mundo en la
dcada del 70 John Holland, desarrollo la tcnica de los algoritmos genticos no
fue sino hasta unos 15 aos ms adelante, David Goldberg,(con un poco de
desconfianza por parte de su mentor) trat de aplicar estos algoritmos a
problemas de materia industrial (Merelo Guervs), rompiendo asi con los
lmites de aplicacin de esta metodologa. Los objetivos de este tipo de
programacin son bsicamente dos imitar los procesos adaptativos de la
naturaleza y disear sistemas que retengan los aspectos importantes de estos
procesos
A primera vista pareciera que no tiene relacin un proceso biolgico
reproductivo con el problema de seleccionar que objeto es ms importante
llevar dentro de la mochila para asistir a su ctedra de optimizacin, es
razonable esta conjetura cuando se obvia el hecho de que cada solucin al
problema representa una sucesin de nmeros binarios que puede representar
directamente el cdigo gentico de una poblacin, una poblacin de soluciones
al problema.
Es fcil comprender porque en el trasfondo biolgico un cromosoma
representado por una celda (Obitko, 1998) indica la introduccin o no de un
objeto especifico, una cadena del ADN con tantos alelos como n objetos en el
problema, habra que decir tambin que la Salud de ese individuo es ms
sencilla de evaluar con el valor de la funcin objetivo (Hidalgo Snchez &
Turrado Martnez) y sus restricciones especficas, por otro lado los dems
conceptos bsicos de algoritmos genticos siguen iguales, la reproduccin, la
mutacin y la definicin de la poblacin inicial mediante una parametrizacion
que puede entrar en conflicto con el ideal para un problema especfico y la
capacidad de datos existente.
Esta descripcin estar incompleta si no se hace nfasis en la necesidad de
considerar las restricciones del problema es decir la capacidad de carga que se
tiene en la mochila, mas no se trata tan solo de establecer como criterio nico

la maximizacin del beneficio pues se llegara a que el individuo optimo resulta

en una sucesin de n veces 1. Naturalmente estaramos hablando de
programacin multiobjetivo o por metas.
se infiere que un individuo es ms saludable cuando se acerca a un valor
mximo siempre que no se aleje de la capacidad de la mochila, dndole
siempre ms peso a esa segunda consideracin, pues bajo ningn pretexto es
posible exceder la capacidad limite, aqu es donde vemos el enfoque por
metas, donde la primera meta es no perder la factibilidad y la segunda meta es
llegar a un valor mximo. Si por el contrario atacamos el problema con la
capacidad limite como un simple parmetro del cual es permisible alejarse
hablaramos de garantizar optimalizad pero con una no factibilidad tan severa
que aplicar el mtodo simplex dual entero (planos cortantes) no sera efectivo,
matando a los individuos no factibles (Hidalgo Snchez & Turrado Martnez)
no se tendra un caso tan complejo pero se llegara a un problema en que la
poblacin disminuye con una rapidez grande, y en todo caso sera muy difcil
salir de ptimos locales.
Recapitulando la mejor solucin para el problema
en este tipo de
acercamientos es establecer una funcin objetivo por metas, asi evitar
encapsularse en ptimos locales y adems confiar en la capacidad de
procesamiento de datos actual, para poder considerar poblaciones iniciales
grandes y conservar cadenas de ADN tan complejas como los distintos objetos
entre los cuales es posible escoger.

Bibliografa
Blum, C., & IRIDIA. (s.f.). Institut de Recherches Interdisciplinaires et
Dveloppementes en Intelligence Artificielle (IRIDIA). Obtenido de
metaheuristics: http://www.metaheuristics.net/index.php?main=3
Dorigo, M. (s.f.). Optimization, Learning and Natural Algorithms (in Italian).
Euskal Herriko Unibertsilatea. (s.f.). Obtenido de Universidad del Pais Vasco:
http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/temageneticos.pdf
Hidalgo Snchez, j., & Turrado Martnez, J. (s.f.). Departamento de Ingeniera
Telematica. Obtenido de UNIVERSIDAD CARLOS III DE MADRID.
Merelo Guervs, J. J. (s.f.). Informtica Evolutiva. Obtenido de
http://geneura.ugr.es/~jmerelo/ie/ags.htm
Obitko, M. (1998). obitko. Obtenido de http://www.obitko.com/tutorials/geneticalgorithms/