[OPTIMIZACIN MULTIOBJETIVO DE RUTAS ALTERNATIVAS:

FUNDAMENTOS PAN-HEURSTICOS Y APLICACIONES PRCTICAS]

Alfonso de la Fuente Ruiz 2015 https://www.linkedin.com/in/alfonsofr
Como se ver, en multitud de problemas arquetpicos de
optimizacin, se requiere encontrar una ruta que sea la mejor
posible, en funcin de una serie de uno o ms criterios
competitivos, entre los que puede figurar el riesgo de colisin. Se
observarn diferentes variantes del problema clsico de enrutar
mercancas valiosas o peligrosas (en ingls: hazardous materials,
abreviado: hazmat) y cmo hacerlo con mayor eficiencia
mediante el cmputo de rutas alternativas por mtodos
panheursticos [cfr. infr.] que optimicen varios objetivos
simultneamente. Ello facilita, entre otras aplicaciones, la
prevencin y contencin de accidentes, emboscadas, y colisiones
as como la reduccin de la congestin en grafos o la dispersin del
riesgo de colisin a lo largo de una regin geomtrica
perfectamente determinada.
Adems de tratar este tipo de problemas desde una ptica hazmat,
se comenzar por suministrar un relato histrico del problema y
una cierta fundamentacin terica lgico-filosfica1 de las tcnicas
ms novedosas de Inteligencia Artificial (IA) dedicadas al
transporte logstico, desde la perspectiva de la Programacin
Matemtica con que se cimentan los mtodos de enrutado, con la
optimizacin metaheurstica multiobjetivo2 como campo de
estudio y haciendo nfasis en la gestin de la seguridad y en la
minimizacin del riesgo. Una parte fundamental reposa sobre
conceptos de Teora de Grafos, Optimizacin Multivariable, Teora
de Juegos3 e Investigacin Operativa en general.
Riesgo de colisin y preferencia utilitaria
El trmino colisin proviene
etimolgicamente de las
partculas co- y -lisiar, que
significan la ocurrencia de un
perjuicio conjunto. Se define
cuando dos (o ms) entidades
resultan daadas (o al menos
una de ellas) a consecuencia de su circulacin por el mismo canal o
vial, debido a la sobrecarga de ste o a un impacto de algn tipo.
En toda red de uso no exclusivo existe la posibilidad de colisin
cuando dos vehculos (o paquetes de seales digitales) circulan (o
transmiten) simultneamente por la misma va (o lnea de
telecomunicaciones)4 Por pequeo que sea el solapamiento, los
dos vehculos (o tramas de datos) se suelen dar por completamente
irrecuperables. En otros casos, el solapamiento (generalmente de
paquetes que transitan en el mismo sentido de circulacin)
produce demoras o atascos en el trnsito, lo que se denomina
congestin de la red.

de transporte de mercancas, pasajeros o datos. Imagnese por

ejemplo que, para evitar toda posibilidad de colisin, se prohibiera
sistemticamente mantener ms de un automvil circulando por la
calle mayor de una gran ciudad en hora punta,5 o no ms de un
avin en el aire simultneamente en toda una regin. Los costes y
los tiempos de espera se elevaran exponencialmente. Por ello es
imprescindible compartir el uso de las lneas por medio de algn
tipo de conmutacin o multiplexacin6 hasta rentabilizar al
mximo su ancho de banda , o capacidad mxima de flujo de
trfico por unidad de tiempo.7 Con este fin se requiere cuantificar
el riesgo de colisin a fin de optimizar el uso de las infraestructuras.
Existen muchas definiciones de riesgo en la literatura.8 En este
contexto, resulta conveniente utilizar la definicin 9 que se basa en
la escala de utilidades de Von Neumann-Morgenstern10 y en
particular sobre el concepto estadstico de lotera, entendido en
teora de juegos como una distribucin de probabilidad.
Soluciones pan-heursticas desde la Investigacin Operativa
A lo largo de esta presentacin se tratar de dar respuesta
pormenorizada a algunas de las cuestiones presentadas. Una vez
establecidas las bases tericas, se suministrar una perspectiva
algortmica del problema de enrutado alternativo hazmat (o de
mercancas peligrosas) con nfasis en la gestin adecuada del
riesgo, para contextualizar el tema y profundizar en sus orgenes e
implicaciones. Seguidamente se describirn una serie de modelos
algortmicos de resolucin eficiente para el problema y varias de
sus formulaciones derivadas e implicaciones. Finalmente se tratar
de proporcionar algunas sugerencias para la aplicacin de estos
modelos, en contextos de aplicacin diferentes, donde tambin
resultan de gran utilidad prctica. Para ello se observarn otras
aplicaciones de los algoritmos de optimizacin multiobjetivo en
campos variados de la actividad humana, en particular para los
casos de prevencin de embotellamientos y bloqueos, tanto en
redes multimodales de transporte de mercancas y pasajeros, como
en redes de telecomunicaciones digitales basadas en tecnologa
informtica o en el transporte energtico,11 as como otras
aplicaciones ms novedosas.
Los orgenes de la Investigacin Operativa (IO, o bien OR del
ingls Operations Research), como parte de la matemtica
aplicada, son muy antiguos, ya que todas las sociedades
organizadas siempre se han planteado cuestiones de optimizacin
en el uso de los recursos y la planificacin de actividades. No
obstante, el concepto de IO aparece formalmente12 en 1934, en el
marco de investigaciones conjuntas entre militares y cientficos
civiles sobre la planificacin de operaciones militares de vuelo,
motivados por el almirantazgo britnico y la II Guerra Mundial.

El uso exclusivo del canal de circulacin habitualmente comporta

unos costes econmicos prohibitivamente elevados, en contextos

Vase [Mc Carthy & Hayes 1969] para un recorrido sobre las cuestiones
filosficas de la IA.
2 Una buena introduccin al tema es [Ros-Insa et al. 2004]
3 Vase una muy breve introduccin en [Ruiz 1971 pp. 522-523] donde se
seala el salto que sta propicia del homo conomicus al homo aleator,
esto es: a una comprensin ms exacta de la realidad econmica y social
basada en las matemticas.
4 Vase la seccin final dedicada a otras aplicaciones en el contexto de las
telecomunicaciones. En ciertos modelos pueden considerarse como
colisiones los casos en que un efecto agencial externo al canal abduce,
intercepta, detiene, corrompe o destruye la carga circulante.
5 Lo que ocurre espordicamente en eventos de gran relevancia y con
altas medidas de seguridad, como la coronacin de reyes, desfiles
militares, eventos deportivos, etc.
6 Capacidad de mantener varias comunicaciones (lneas de envo y
recepcin de paquetes) simultneas soportadas por un mismo interfaz
(arista de conexin del nodo a la red)

La ley de Shannon-Hartley establece una cota mxima para la tasa de

informacin que se puede transmitir por un canal ruidoso (entendiendo
el ruido como una medida de la desaparicin de la informacin o de la
carga transportada)
8 Vase p.ej: [Warwick 2003] sobre la naturaleza y medida del riesgo en
mercados de capital financiero
9 Vase [Teora de Juegos 2004 pp. 12-25]
10 Vase [Valenciano 2002 secc. 3] y [Milton y Savage 1948], as como
una introduccin a la Teora de la Utilidad, desde el Anlisis Estadstico,
en [Ya-Lun Chou 1972 pp. 750-768]
11 La multimodalidad o transporte combinado acontece cuando se
articulan diversos medios de transporte a lo largo de algn trayecto para
el transporte de una cierta carga, y la intermodalidad es el caso
particular en que la carga no se modifica al cambiar el medio. Conviene
diferenciar la multimodalidad en el transporte de la multimodalidad
funcional, que implica rugosidad [cfr. infr.] en el espacio de soluciones.
12 Segn [Salazar 2001, pp. 8-12]

La Programacin Matemtica (PM)

se inscribe como disciplina rigorista
dentro del contexto de la IO y aparece
oficialmente en 1947 con los trabajos
de Dantzig13 en planificacin de tareas
y resolucin de problemas de
transporte, dentro del mando de
inteligencia militar estadounidense del
Pentgono (ver imagen). 14 En la
U.R.S.S., no obstante, Kantorovich15 ya
haba realizado trabajos en esta lnea,
como reconoci el propio Dantzig.16
Los trabajos de ste fueron motivados entre otros por un trabajo
de Leontief y Alan Strout17 en 1933 sobre el modelo de entradasalida en la economa, y dos trabajos de von Neumann, uno de 1928
sobre Teora de Juegos y otro de 1937 sobre Crecimiento
Econmico. La principal aportacin de Dantzig fue introducir
explcitamente la funcin objetivo como tal en el modelo
matemtico, al tiempo que propuso el mtodo del simplex18 para
su tratamiento en los casos lineales. Se defini as la Programacin
Lineal, y con ella la Programacin Matemtica.
Por su parte, los problemas de optimizacin combinatoria
consisten en identificar y ubicar el conjunto de soluciones ptimas
de una funcin objetivo dentro de un dominio finito llamado
espacio de bsqueda. La clasificacin original de Dantzig,19
distingua entre problemas de programacin deterministas
(lineales y no lineales) y probabilistas (sin y con oponentes). La
teora de optimizacin se sustenta y ampla con el Clculo de
Variaciones,20 que estudia los mximos y mnimos de integrales,
tales como superficies, volmenes o densidades. As, en una
funcin con una nica variable dentro de un intervalo, la solucin
ptima extremal (tambin: extremidad, pudiendo ser absoluta o
relativa) corresponde generalmente a un solo punto, o a lo sumo,
a todo el recorrido de la curva funcional.
Adems, se conoce como Programacin Multi-Objetivo o como
Programacin Multi-Criterio21 al uso de tcnicas de Programacin
Matemtica para resolver funciones con dos o ms variables, las
cuales se identifican con criterios objetivos mutuamente
conflictivos, de modo que puedan ubicarse sus puntos y regiones
de inters, tales como extremales y puntos silla. 22 Cuando el
problema se centra nicamente en la determinacin de mximos o
mnimos, entonces se denomina Optimizacin MultiObjetivo/Multi-Criterio.
La mayor dificultad de afrontar un problema en el que se deben de
optimizar varios objetivos funcionales simultneamente, cuando
el espacio de bsqueda es demasiado grande como para emplear
mtodos exactos, suele conducir a la preferencia de emplear

13

George Bernard Dantzig (1914-2005) investigador estadounidense,

principal impulsor de la Programacin Lineal. Entre sus contribuciones a
la IO se cuentan el algoritmo del smplex, sus trabajos en geometra
proyectiva, programacin cuadrtica y estocstica, y resolucin del TSP
(Junto a Fulkerson y Johnson).
14 Fuente: www.phpsimplex.com
15 Lenidas Kantorovich ( 1912-1986)
matemtico y economista ruso conocido por sus aportaciones en PL y
optimizacin infinito-dimensional de recursos. Nobel de Economa (1975)
16 Vase [Dantzig 1963, pg. 22]
17 Vanse: [Ruiz 1971, pp. 441-442], [Leontief 1966 cap. XI] y [Teora de
juegos 2004 secc. 4.6].
18 Puede verse una completa discusin en [Salazar 2001 cap. 4]
19 Procedente de [Dantzig 1963, pg. 8]
20 Vase [Baule 1949 pp. 457 y ss.] El Clculo de Variaciones nace ya en el
s. XVIII cuando Bernouilli (1667-1748) plantea por primera vez un
problema de mnimo, en donde la variable no era un nmero sino una
funcin (subintegral).
21 La distincin se suele referir a un Criterio cuando el resultado del
clculo se utiliza para una toma de decisiones, habitualmente en el

mtodos de aproximacin estocstica, como heursticas o

metaheursticas, para este cometido.23
Primeramente, para ser capaces de establecer preferencias entre
valores de funciones multivariables, es necesario desarrollar el
criterio de dominancia (tambin: eficiencia u optimalidad) de
Pareto.24
Sean y dos opciones estratgicas diferentes, dado un
conjunto compacto25 y convexo como el que queda definido sobre
los puntos del espacio formado por una serie de funciones de
utilidad (1 , 2 , , ). La solucin ptima (en sentido de Pareto)
para maximizar las utilidades conjuntamente, denotada por (),
se construye del siguiente modo:
|
((1 (), 2 (), , ()) )
{(1 (), 2 (), , ()) |: () > ()}
(1 (), 2 ()) ()
ser, pues, una solucin ptima de Pareto26 si maximiza el
producto de las utilidades:

1 () 2 () () = ()
=1

Esta condicin expresa que solamente se aceptarn como

soluciones aqullos acuerdos opcionales que sean inmejorables.
La posibilidad de no unicidad de los puntos extremales permite
desplegar una amplia variedad de soluciones cualitativas que
ubiquen uno o ms (caso de existir) extremos absolutos o bien
algunos extremos relativos cuya evaluacin sea arbitrariamente
cercana al extremo global, mientras que se reduzcan en gran
medida los recursos de cmputo necesarios para localizarlos.
En base a las definiciones anteriores, comnmente se dice que,
para minimizar las funciones de coste o valor objetivo 1 y 2 , una
poblacin o conjunto dado de soluciones factibles (una
solucin) domina a otro conjunto (solucin dominada) si:
[1 () 1 ( )]
[2 () 2 ( )]
: 1 () < 1 ( )
{
: 2 () < 2 ( )
Naturalmente, si el objetivo fuese maximizar, los signos se
invertiran correspondientemente.
Dado que la dificultad combinatoria del problema suele ser muy
alta, no siempre es posible hallar la frontera eficiente en un tiempo

contexto de sistemas informticos de apoyo a la toma de decisiones

(DSS por Decision Support Systems), y a Objetivo cuando se refiere
a la evaluacin de funciones matemticas moderadamente complejas.
22 Puede encontrarse un estudio introductorio sobre el uso de algoritmos
metaheursticos para resolver problemas multiobjetivo en [Gmez
Cmara pp. 31-36 y ss.]
23 Puede verse una introduccin en [Ros-Insa et al. 2004, pp. 3-5], una
descripcin ms explcita, p.ej. en [Gmez Cmara 2010, pp. 32 y ss.] y
una extensiva en los textos de R. Mart, M. Laguna y C. Delgado.
24 Vase una introduccin en [Gmez Cmara 2010, pp. 31-32]. MATLAB
R2014b dispone de una librera especfica para resolver problemas de
optimizacin multiobjetivo con ptimos de Pareto mediante AG.
25 Conjunto acotado y cerrado, integrable por sumas de Riemann.
26 El reciente y trgicamente fallecido John Forbes Nash dio esta
demostracin para sus equilibrios en teora de juegos. La frmula supone
que se han elegido funciones de utilidad para las que el cero se sita en
el caso de desacuerdo o statu quo. En otro caso, habr que retrotraer las
funciones al origen y la solucin ser la que maximice el producto: (1
1) (2 2) ( ), donde representa el valor de en la
situacin de partida. Vase [Valenciano 2002 pp. 580-581]

razonable. Es por ello que, en este contexto, la satisfactoriedad de

una solucin se entiende en trminos de margen de error aceptable
respecto a la frontera eficiente, cumpliendo con las restricciones
impuestas por los recursos de cmputo. Cuanto ms estrecho sea
este margen, ms cercana estar la solucin hallada de la frontera
absoluta, y por tanto ms satisfactoria ser dicha solucin.
Existen diferentes algoritmos para optimizar funciones
multiobjetivo, entre los que el ms popular es probablemente
NSGA-2 (o NSGA-II), una versin modificada del programa
original de ordenacin de soluciones no dominadas (nondominated sorting) basada en Algoritmos Genticos (Genetic
Algorithms: GA o AG). La diferencia fundamental de NSGA-II
sobre NSGA-I es su enfoque elitista,27 esto es, que preservar los
campeones generacionales.
Como regla general, cuanto ms complicada sea la funcin y cuanto
mayor sea su dominio (bien porque sea ms precisa la resolucin
de muestreo, o bien porque se considere una mayor cantidad de
variables dimensionales e instancias), tanto ms recomendable
ser el uso de mtodos heursticos aproximados, o de
metaheursticas,28 para tratar problemas de complejidad
computacional elevada, en estos dominios funcionales extensos. La
morfologa del dominio funcional, si es conocida a priori, tambin
ser un criterio de eleccin de una tcnica determinada sobre
varias alternativas a la hora de atacar un problema concreto.
Formalmente29 se llama algoritmo heurstico a cualquier algoritmo
que con poco esfuerzo computacional30 proporcione una solucin
factible cuyo valor objetivo normalmente31 est prximo al valor
objetivo ptimo del problema original. Las soluciones obtenidas
mediante una heurstica se llaman soluciones heursticas.
Naturalmente, cualquier mtodo exacto y progresivo de
computacin puede convertirse en una heurstica si se le hace
terminar prematuramente, p. ej: definiendo un lmite al tiempo o
la cantidad de nodos explorados, durante el clculo.
El concepto de metaheurstica se deriva del de heurstica, y
emerge como un marco algortmico para el desarrollo de
procedimientos heursticos de alto nivel, diseado para encontrar,
generar o seleccionar un procedimiento heurstico de optimizacin
(como p.ej. un procedimiento de bsqueda rpida) que provea una
implementacin suficientemente satisfactoria a fin de solucionar
una familia de problemas que sean computacionalmente
tratables.32
La utilizacin del trmino, aunque ciertamente arbitraria en casos
frontera, est definida con cierta precisin.33 Se acepta
comnmente que fue Fred Glover34 quien lo introdujo en 1986 en
relacin a la bsqueda tab [cfr. infr.] o de estados prohibidos.
El prefijo -meta viene a significar en torno a o de nivel superior
27

El cdigo fuente de NSGA-2 se ha liberado bajo licencias libres GPLv3 y

BSD. Puede encontrarse una descripcin en [Seshadri 2006]. Existen
diversas variantes de NSGA-2, p. ej: con seleccin de caractersticas
(feature selection) - vanse a este respecto: [Pacheco, Casado, ngelBello y lvarez 2013] y: [Gmez, Pacheco y Gonzalo-Orden 2015, secc. 6],
donde se propone una alternativa ad hoc ms eficiente para el problema
de recogida de residuos urbanos. Otras variantes relacionadas con NSGA,
junto con su cdigo fuente, pueden verse en:
http://www.iitk.ac.in/kangal/codes.shtml
28 Se han diseado ciertos algoritmos hbridos especficamente para
localizar valores en torno a la frontera de Pareto, como es el caso de la
Estrategia Evolutiva de Pareto con Memoria (PAES: Pareto Archived
Evolution Strategy) y su versin Adaptativa (APAES). Vanse p. ej:
[Knowles & Corne 1999] y [Oltean et al. 2005]. Cdigo fuente y ms
referencias: http://www.cs.man.ac.uk/~jknowles/multi/
29 [Salazar 2001, pp. 374 y ss.]
30 Se entiende el esfuerzo en trminos de su eficiencia medida respecto a
su complejidad ciclomtica.
31 La normalidad de la proximidad al ptimo se interpreta en trminos
estadsticos, y puede darse como un intervalo de confianza.
32 Los problemas tratables computacionalmente se definen dentro de
restricciones econmicas, medidas en trminos de recursos de cmputo.

a y se refiere a un grado de abstraccin superior en la

comprensin del problema respecto a la inteligencia de los
artificios estratgicos que se aplican, motivo por el cual suelen
englobarse dentro del campo ms amplio de las tcnicas
computacionales para el desarrollo de IA aplicada.
En teora, ninguna de las metaheursticas conocidas mejoran, por
trmino medio, a las dems en todos los casos posibles, lo que deja
su seleccin al criterio, ms o menos sofisticado, de investigadores
y usuarios. Dicha eleccin se realiza en base a cuestiones tales
como las dinmicas de ejecucin de alto nivel, la naturaleza del
problema, el pragmatismo35 o las caractersticas del espacio de
bsqueda, que impactan sobre la dificultad del problema.
Desde una perspectiva emprica, sera ms interesante identificar
los algoritmos que funcionan mejor, bajo ciertos supuestos, para
problemas de diferente tipo. Sin embargo, no se conoce un marco
estndar, ampliamente aceptado, para comparar y testar varios
mtodos diferentes. Un criterio de comparacin puramente
emprico no resulta apropiado porque incluso la obtencin de un
resultado numrico excelente puede ser mejorado o empeorado
por la eleccin de una semilla aleatoria diferente, un ajuste en los
parmetros o un conjunto de datos especfico para ser utilizado
como espacio de bsqueda.
El Teorema NFL (No Free Lunch in search and optimization)
introducido por Wolpert y Macready, es un teorema, muy popular
en contextos de optimizacin y bsqueda de soluciones, cuyo
nombre proviene del adagio anglosajn There Ain't No Such Thing
As A Free Lunch.36 ste adagio fue popularizado por el autor de
ciencia ficcin Robert A. Heinlein y tambin por el economista
Milton Friedman, quien lo us para describir el coste de
oportunidad para una determinada eleccin, o lucro cesante
derivado de no elegir las alternativas disponibles.
Resumidamente: implica37 la inexistencia de algoritmo alguno (ni
siquiera bayesiano) que sea mejor a priori que la bsqueda
aleatoria,38 es decir, que cualquiera de los dems algoritmos, si se
evala en promedio para cualquier tipo39 de conjunto de datos de
entrada. O, ms concretamente, que existen problemas tericos
que son irresolubles mediante un programa (p.ej: del tipo
ejecutable sobre Mquinas de Turing) por muy inteligente o
eficiente que ste sea.
En contextos heursticos,40 el teorema NFL generaliza el problema
de Hume por el cual las experiencias pasadas no permiten
garantizar el resultado de los experimentos futuros para todos los
casos. Se relaciona por tanto con el segundo teorema de
incompletitud de Gdel, por cuanto que las propias matemticas (o
ms generalmente, cualquier dispositivo que simule un sistema
fsico) son incapaces de proporcionar garantas absolutas sobre las
33

Vanse una serie de definiciones en [Delgado 2001 pp. 17 y ss.] y

[Gmez Cmara 2010 pp. 16-17]
34 Vase una definicin actualizada en [Srensen 2013 pp. 6-7]. Se asume
generalmente que el primer ejemplo de metaheurstica es el conocido
como aleacin, recocido o temple simulado (SA: simulated
annealing).
35 Entendido como tal: el asociado a la razn instrumental como
estructura de pensamiento que considera los objetos (matemticos)
como medios para alcanzar un fin determinado, en base a la idea de
utilidad, tal como se expone en teora de juegos.
36 Vase [Wolpert & Macready 1997]. Podra traducirse al castellano
como teorema del: nadie regala nada, no pedir peras al olmo, no
hay barra libre, no hay caf para todos o mejor an, teorema del:
nadie da duros a cuatro pesetas (NDDA4P) puesto que es no binario.
37 Vanse: [Braun 17/02/2014] y [Trilema de Agripa]. En realidad son
dos teoremas: uno para bsqueda u optimizacin y otro para aprendizaje
automtico supervisado (Supervised Machine Learning).
38 Vase el estudio sobre la bsqueda aleatoria guiada en: [Clerc 2015]
39 En Teora de la Complejidad se puede demostrar que casi todos los
elementos del conjunto de todas las funciones posibles son aleatorios en
el sentido de Kolmogorov, o algortmicamente entrpicos, significando
que requieren elevados recursos de cmputo.
40 De aprendizaje automtico supervisado.

conclusiones que por ellas se alcanzan. Enlaza tambin con la

hiptesis filosfica del determinismo causal conocida como
demonio de Laplace41 (s. XIX) que impone lmites al conocimiento
de un agente computacional inteligente respecto al universo del
cual forma parte.
No obstante, para aplicaciones prcticas, los problemas derivados
del teorema NFL pueden soslayarse en gran medida, puesto que de
hecho existen algoritmos universales de aprendizaje. Adems,
Wolpert y Macready han descrito algn caso, como la optimizacin
bioinspirada por evolucin concertada (coevolucin competitiva
entre varias especies, en el contexto de Algortmica Gentica),
donde s existe cierto gnero de dominancia, siempre que se
puedan definir campeones generacionales absolutos (lo que no
acostumbra a ser el caso en el contexto biolgico). En cualquier
caso no se implica dominancia algortmica, sino mera dominancia
entre campeones.42 Por otro lado, para realizar comparaciones
experimentales de mtodos meta/heursticos existen una serie de
pruebas no paramtricas tales como el test de Friedman43 y
otros.44
Efectivamente, es posible construir, o ms bien ensamblar, un
algoritmo metaheurstico capaz de seleccionar una estrategia
determinada u otra en funcin de una tipologa predefinida o
marco procedimental, que sea capaz de resolver correctamente
una amplsimo rango de problemas prcticos, de frecuente
ocurrencia, en tiempos breves y con recursos moderados de
cmputo.
Es complicado establecer una regla apriorstica sobre el tipo de
algoritmo a elegir para cada tipo de problema, si bien algunos
autores45 sealan que para problemas relacionados con enrutado
de vehculos (VRP), es frecuente encontrarse con mtodos que
incorporen el mecanismo de exploracin de la vecindad de la
solucin. Tal como se expone en relacin con la optimizacin
global, este mecanismo solamente aporta ventajas efectivas si el
espacio de bsqueda es poco rugoso. Sin embargo, como
advierte Srensen,46 la hibridacin de mtodos heursticos da lugar
con frecuencia a mtodos collage innecesariamente intrincados,
con muchos operadores diferentes.
Lo mismo se advierte sobre efectuar meros ajustes paramtricos47
a conjuntos de datos predeterminados, con el fin de producir
soluciones mejores. No basta, porque hacerlo causa prdida de
generalidad en la aplicabilidad prctica de los modelos tericos,
medida sta en trminos de versatilidad. Aunque sin duda aporta
confianza sobre la hiptesis, en trminos racionales.
Para evitar estos y otros problemas que amenazan la credibilidad
de los mtodos, Srensen propone un adelgazamiento de los
programas (lean metaheuristics) que permita sintetizar la esencia

subyacente al motor matemtico-lgico

metaheurstico en cuestin.

del

algoritmo

A los ensamblajes de componentes metaheursticos, tanto

enfoques ideolgicos como operadores sofisticados, se les ha dado
en llamar matheursticas 48 (con a, transformando el prefijo
meta-, o en torno a, en mate-, para sugerir un enfoque
matemtico rigorista), sugirindose que su desarrollo es preferible
al de idear metforas novedosas que aporten escaso valor aadido.
La idea que subyace es que, de igual manera que un mtodo exacto
puede convertirse en una heurstica, es la hibridacin eficiente de
los mtodos exactos, con los heursticos o aproximados, lo que se
conoce como matheurstica.
Por su parte, ciertos investigadores han acuado el trmino de
hiperheurstica49 para referirse a la cuestin de qu mtodo
heurstico se ha de elegir, de entre un conjunto dado, para ciertos
tipos de problema. Se trata ste de un subconjunto del Problema
de Seleccin de Algoritmo (ASP: Algorithm Selection Problem)50
en contextos heursticos probabilistas.
De la propia definicin de una metaheurstica, y del teorema NFL,
se deriva que no es posible suministrar una prueba estadstica
formal de la dominancia estricta de una metaheurstica sobre
cualquiera otra, en todos los casos, ya que sera como comparar
dos estilos culinarios o dos sabores: la respuesta siempre ser
subjetiva y determinada por los contextos de investigacin,
desarrollo, implementacin y aplicacin. Es por ello que merece la
pena considerar la investigacin de la calidad de cdigo algortmico
y del uso de informacin, para as enlazar las nociones adquiridas
en Investigacin Operativa con las prevalentes dentro del campo
de la IA y en particular, del Aprendizaje Automtico.51
Todo ello sugiere la introduccin de un trmino que se podra
llamar hipermetaheurstica, o quiz ms correctamente
Panheurstica, trmino que se deriva de sus races griegas
queriendo significar todo lo relacionado con la heurstica, esto es,
al conocimiento de buena calidad [heuriskein]), pretendiendo
utilizar una denominacin que asimile herramientas prcticas para
la Investigacin Operativa desde las ciencias matemticas, la
filosofa comparada, la gestin de sistemas y la ingeniera
informtica. Se han propuesto tambin trminos en contraposicin
al de IA como los algoritmos meta-IA o de Imaginacin
Artificial,52 en la lnea de trabajo que pretende localizar el mejor
algoritmo para un conjunto de datos determinado, dentro del
contexto de Machine Learning. Otras denominaciones
alternativas seran -heurstica (alfa-heurstica) o: -heurstica
(estrella-heurstica star-heuristic), si bien estas notaciones son
ms complejas de incorporar a un discurso textual, debido a su
composicin simblica.
El trmino Panheurstica se define aqu como el marco
epistemolgico, holstico y pragmtico de tcnicas de

41

Enunciada por el celebrrimo Pierre-Simon, marqus de Laplace, hacia

1814, en su ensayo filosfico sobre las Probabilidades.
42 Vanse [Wolpert & Macready 2006], [Service & Tauritz 2008]
43 Este test asume hiptesis de orden total e independencia mutua de los
resultados obtenidos sobre las instancias. Vase el resumen de Juan G.
Villegas en base a Conover: [Using nonparametric tests to compare the
performance of metaheuristics] en: http://or-labsticc.univubs.fr/sites/default/files/Friedman%20test%20-24062011_0.pdf
44 Vase p.ej. el recin publicado: [Clerc 2015]. Ms detalles en:
http://or-labsticc.univ-ubs.fr/content/using-nonparametric-testscompare-performance-metaheuristics
45 Vase p. ej: [Srensen 2015, pg. 15] en ref. a su artculo de 2008.
46 [Srensen 2015, pg. 14], en referencia a los Frankenstein methods
de Michalewicz y Fogel.
47 Para ello existen ya diversas pruebas como las reseadas en la seccin
anterior sobre el th. NFL, y herramientas software como Bonesa:
http://sourceforge.net/projects/tuning/
48 Estos principios sobre la investigacin en Bsqueda Heurstica han sido
adoptados por algunas gacetas relevantes tal como el Journal of
Heuristics

49

Vase una revisin de marcos hiperheursticos en [Ryser-Welch &

Miller 2014]
50Conviene consultar el estudio sobre seleccin de algoritmos para
problemas de optimizacin continua de caja negra [Halgamuge, Muoz
et al. 2015], y su modelo asociado de prediccin de eficiencia algortmica
[Muoz, Kirley y Halgamuge 2012].
51 En cuanto a la aplicacin de tcnicas de Machine Learning para
resolver el VRP, vase p.ej. [Rasku 2011]
52 Vase [Harris 09/04/2014]. Una propuesta es utilizar para ello tcnicas
de validacin cruzada u otras bioinspiradas [Dorard 07/05/2014] tales
como los algoritmos evolutivos. Otra sera el uso de mtodos de
Conocimiento Artificial (A.K.: Artificial Knowledge) que, siguiendo el
modelo piramidal DIKW (o Jerarqua del Conocimiento) deberan
conducir finalmente, por medio de la agregacin, ordenacin y
estructuracin, a un programa cognitivo de Sabidura Artificial (A.W.:
Artificial Wisdom). Vanse tambin las referencias que se sealan al
respecto en [Srensen 2015, pg. 16]: Barr, Rardin, Uzsoy et al.

programacin
matemtica,
heurstica,
metaheurstica,
matheurstica, hiperheurstica y, en general, algortmicas,
procedimentales o funcionales, que desde una perspectiva coral
estudian la resolucin de problemas de bsqueda, optimizacin y
aprendizaje automtico, en el contexto de la inteligencia
computacional, o desde el ms amplio de la IA, contemplando
desde sus races filosficas hasta sus aplicaciones prcticas,
pasando por sus connotaciones socioeconmicas, e incluyendo el
estudio de su implementacin siguiendo directrices ingenieriles.
Una definicin ms ambiciosa podra englobar tambin a la
epiheurstica como subconjunto propio, entendida sta como53
todo lo relacionado con la heurstica pero sin involucrar
directamente ningn factor estocstico, en contextos de bsqueda
y optimizacin de soluciones a problemas de aplicacin tanto
prctica como terica, como p.ej: el estudio de mtodos
deterministas de resolucin exacta.
Se trata, pues, de lograr estructurar y explicar los progresos que se
han sucedido en el, desde esta perspectiva, angosto campo de la
optimizacin de rutas alternativas, con un enfoque panheurstico
robusto.54 Puede entenderse pues, que la lnea de pensamiento a
seguir debe tambin optimizarse como si fuese una ruta por un
grafo de estados lgicos, en base a tres variables principales: la
calidad de las soluciones, la eficiencia de los mtodos y la robustez

53

Una definicin inspirada por el concepto de epigentica, con una

clara orientacin finalista, positivista y pragmtica.
54 Vanse los comentarios de Ackley al respecto de la redundancia
[Robust first computing] que, en cierto modo, ponen el contrapunto a
los expresados por Srensen respecto a las matheursticas, y esp.

de su implementacin. Por as decirlo, se intenta progresar, con un

decidido enfoque pragmtico, en la anchura del conocimiento de
buena calidad, divulgndolo en formato didctico, sin renunciar a
profundizar en las facetas de mayor inters para descubrir pautas
y principios, de modo que se evite el tratamiento de situaciones
genricas como si se tratase de una mera serie de acontecimientos
excepcionales.
El estudio general de mtodos metaheursticos para problemas de
rutas de vehculos (VRP) revela que los mejores de estos mtodos
son capaces de ubicar soluciones excelentes, y a menudo ptimas,
siempre que se consideren a lo sumo algunos cientos de nodos,
aunque el tiempo de cmputo es notable con los medios actuales.
La bsqueda tab es uno de los mtodos ms prometedores
respectos a mtodos deterministas o bioinspirados
(principalmente de algoritmos genticos y redes neuronales),
aunque se han especificado y desarrollado muchos otros durante
la ltima dcada. Las estrategias hiperheursticas tambin
aparecen como una ruta a transitar en el futuro prximo, toda vez
que su implementacin cuenta con una elevada barrera de
entrada. En general, los mtodos metaheursticos tienden a
consumir un mayor tiempo de cmputo, pero producen soluciones
de mucha mejor calidad, por lo que constituyen un complemento
perfecto a la batera convencional de mtodos exactos ms
comnmente utilizados en aplicaciones industriales.

[Beyond efficiency David H. Ackley 2013], por cuanto que la

reiteracin de metforas metodolgicas y lneas de pensamiento, si bien
ciertamente engordan los procedimientos, degradando su eficiencia,
aportan la imprescindible robustez que permite hacer frente a los
siempre presentes errores aleatorios o sucesos inesperados.