See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/255647323
SCATTER SEARCH PARA LA PLANIFICACIÓN LOGÍSTICA EN FASES
Article
CITATIONS READS
0 134
6 authors, including:
Clara M. Campos Rodríguez Belen Melian
Universidad de La Laguna Universidad de La Laguna
20 PUBLICATIONS 155 CITATIONS 115 PUBLICATIONS 1,358 CITATIONS
SEE PROFILE SEE PROFILE
José Andrés Moreno-Pérez J. Marcos Moreno-Vega
Universidad de La Laguna Universidad de La Laguna
154 PUBLICATIONS 3,476 CITATIONS 131 PUBLICATIONS 1,525 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Multiple Minimum Latency Problems View project
All content following this page was uploaded by Julio Brito on 27 August 2014.
The user has requested enhancement of the downloaded file.
.
Primer Congreso de Logística y Gestión de la Cadena de Suministro
Zaragoza, 12 y 13 de Septiembre de 2007
SCATTER SEARCH PARA LA PLANIFICACIÓN LOGÍSTICA EN
FASES
C. Campos
F. J. Martínez
B. Melián
J. A. Moreno
J. M. Moreno
J. Brito
Grupo de Computación Inteligente
Instituto Universitario de Desarrollo Regional
Universidad de La Laguna
Abstract
In logistic planning usually there arise situations that demand for decision making in phases
where is nonviable to consider all the alternatives that appear when combining all the
possible options in the stages. Because of it, the first phases are tackled using some
approximation of the evaluation of the consequences. Then the subsequent phases are
approached after closing the previous phases. The Scatter Search metaheurístic provides a
suitable methodology for these circumstances because of its application in the successive
phases provides a limited set of high quality disperse solutions for the next phases. In this
way, the Scatter Search avoids the disadvantages of using only the best solution of the
previous phase following the classic heuristic searches and of using a population of solutions
as in the genetic algorithms and other evolutionary approaches
Keywords: Logistic Planning, Scatter Search, Metaheuristic, Optimization.
Resumen
Frecuentemente surgen en planificación logística situaciones que demandan la adopción de
decisiones en fases donde es inviable contemplar todas las alternativas que surgen al
combinar todas las opciones posibles en las diferentes etapas. Por ello se afrontan las
primeras fases utilizando alguna aproximación o estimación de la evaluación de las
consecuencias, para una vez cerradas éstas, abordar las fases ulteriores. La metaheurística
de Búsqueda Dispersa o “Scatter Search” (SS) proporciona una metodología apropiada para
estas circunstancias porque su aplicación en las fases sucesivas proporciona un reducido
conjunto de soluciones dispersas de alta calidad para las fases siguientes. El SS evita así los
inconvenientes de utilizar sólo la mejor solución de la fase anterior siguiendo las heurísticas
de búsqueda clásica y de usar una población de soluciones como hacen los algoritmos
genéticos y otros procesos evolutivos.
Palabras clave: Planificación Logística, Búsqueda Dispersa, Metaheurísticas, Optimización.
.
1. INTRODUCCIÓN
Las metaheurísticas son estrategias generales para el diseño de procedimientos heurísticos
inteligentes. Siguiendo las pautas marcadas por las metaheurísticas es posible obtener
algoritmos con un alto rendimiento para la toma asistida de decisiones en tareas de
planificación logística que son fácilmente adaptables a las diferentes circunstancias que
puedan presentarse. En estas tareas surgen situaciones que demandan la adopción de
decisiones en sucesivas fases en las que, además de la alta complejidad y el gran número
de aspectos a tener en cuenta, presentan la dificultad de que la influencia de las decisiones
en las fases tempranas restringe las opciones en las fases posteriores. A pesar de los claros
progresos en la capacidad de cómputo y almacenamiento informático, se hace inviable
contemplar todas las alternativas que surgen el combinar todas las opciones posibles en las
diferentes etapas. Sin embargo, la evaluación precisa de las consecuencias de las
decisiones adoptadas en las primeras fases sólo se puede obtener una vez resueltas de
manera óptima las fases posteriores, y la solución de las fases posteriores depende
enormemente de las alternativas elegidas para las fases anteriores. Por todo ello se suelen
afrontar las primeras fases de estos problemas utilizando alguna aproximación de la
evaluación de las consecuencias de las decisiones correspondientes, para una vez cerradas
estas abordar las fases ulteriores. Sin embargo este tipo de enfoque da lugar generalmente a
soluciones sub-óptimas puesto que las soluciones óptimas globales frecuentemente no
corresponden a las soluciones óptimas de las fases iniciales con las aproximaciones
razonables.
Las metaheurísticas de búsqueda permiten diseñar herramientas informáticas generales que
facilitan el análisis de los problemas explorando eficazmente el espacio de soluciones
alternativas para así determinar rápidamente una opción que alcance altas cotas en los
objetivos propuestos. Sin embargo en los problemas de planificación en varias fases, ante
las fuertes interconexiones entre las distintas fases y la gran cantidad de aspectos a tener en
cuenta, llega a ser inviable aplicar las metaheurísticas usuales al problema concebido
globalmente. No obstante, la metaheurística de Búsqueda Dispersa o Scatter Search
proporciona una metodología apropiada para estas circunstancias por sus especiales
características. El Scatter Search es una metaheurística evolutiva basada en un conjunto de
moderado tamaño de soluciones alternativas, llamado “Conjunto de Referencia”, cuyos
elementos son inteligentemente combinados y mejorados para actualizar el propio conjunto
de referencia. El conjunto de referencia evoluciona atendiendo a criterios de calidad y
diversidad entre sus miembros para ser finalmente proporcionado al decisor para que
disponga de un número moderado de soluciones de alta calidad y muy diversas. Por tanto, la
aplicación de esta metodología en cada una de las fases del problema de planificación
proporciona un reducido conjunto de soluciones dispersas de alta calidad que pueden así ser
tomadas como punto de partida en las fases siguientes. Se consigue así un enfoque que
evita los inconvenientes de la postura clásica de utilizar sólo la mejor solución encontrada en
una fase anterior y la propuesta usual de los procesos evolutivos, como los algoritmos
genéticos, de considerar un conjunto muy grande de propuestas alternativas. Además, la
metaheurística Scatter Search, siguiendo los planteamientos de la Inteligencia Artificial,
propicia la incorporación explícita de conocimiento experto en la resolución del problema
mediante el diseño específico de los procedimientos de combinación y mejora.
.
El resto del trabajo se organiza de la siguiente forma. En la siguiente sección se describen, a
modo de ejemplo, diversos contextos realistas que demandan un planteamiento en fases
sucesivas de la planificación óptima de la actividad logística. La tercera sección se discuten
los aspectos más importantes de la noción de metaheurística y sus características
deseables. En la siguiente sección se analizan los elementos más importantes de la
metaheurística Scatter Search en su aplicación a la toma de decisiones en fases
encadenadas. El trabajo finaliza con unas breves conclusiones y las referencias.
2. PLANIFICACIÓN LOGÍSTICA
En las labores de la planificación logística de cualquier empresa se afrontan múltiples
decisiones que darán lugar a consecuencias relevantes de distinto tipo. Una adecuada
planificación logística implica optar por aquellas alternativas cuyas consecuencias impliquen
un menor gasto o una mayor eficiencia en el aprovechamiento de los recursos disponibles.
Por tanto, es necesario disponer de las herramientas adecuadas para evaluar las alternativas
posibles y de una estrategia inteligente para determinar la alternativa preferida.
Generalmente, el número y complejidad de las decisiones a adoptar hace imposible
examinar en detalle cada una de las alternativas posibles para, en base a una evaluación
exacta, elegir la mejor entre ellas. Sin embargo no es razonable prescindir de las
evaluaciones “a grosso modo”, aproximadas o difusas de las alternativas ni renunciar a
realizar un análisis de una parte seleccionada del espacio de alternativas para adoptar
decisiones inteligentes.
A continuación se describen distintos tipos de decisiones a adoptar secuencialmente en la
actividad logística que constituirían fases en la concreción de una estrategia global de
planificación de la actividad logística y que pueden ser planteadas como soluciones de
problemas de optimización adecuadamente abordables mediante metaheurísticas
inteligentes de búsqueda de soluciones óptimas. La formalización de los problemas
correspondientes sólo requiere la descripción de las soluciones alternativas y su
representación de forma computacional, así como un mecanismo para evaluar la calidad de
estas alternativas que sustente las comparaciones entre ellas. La constatación de que las
decisiones adoptadas en ellas condicionan o son condicionadas por las opciones
seleccionadas en otras motiva que sean tratadas como fases en un problema global de
decisión. Estos y otros aspectos emanados de la experiencia deben hacerse intervenir en la
selección de la metodología para establecer el diseño de la metaheurística para abordarlos.
2.1 Carga y descarga
La forma de organizar la carga y descarga de las unidades que van a realizar el transporte
tiene frecuentemente una gran incidencia en la evaluación global de la función logística. En
esta fase intervienen también cuestiones de empaquetado o de organización de la
disposición de objetos en los contenedores correspondientes. En estas actividades se suele
acudir al conocimiento experto para establecer pautas o estrategias para optimizar estas
tareas. Sin embargo, al aumentar la cantidad de elementos a tener en cuenta se hace
necesario combinar estos conocimientos con herramientas de cálculo y análisis automático
de alternativas que conjuntamente permitan seguir adoptando las decisiones
correspondientes con similar efectividad. El Scatter Search presenta características
.
apropiadas para poder incorporar este tipo de conocimiento en su funcionamiento y permitir
consolidar y extender los efectos beneficiosos de la experiencia adquirida en la mejora del
rendimiento de la tarea de distribución. La asignación y ejecución de la tarea de carga de los
vehículos viene condicionada por la configuración de las rutas de reparto o recogida.
2.2 Rutas de Distribución y Recogida
Aparte de la carga y descarga de las unidades de distribución, el otro tipo de decisiones que
hay que adoptar de forma prácticamente diaria en un proceso de distribución logística es la
de determinar las rutas precisas que van a seguir cada una de estas unidades. El
establecimiento de las rutas seguidas por las unidades de transporte para la distribución o
recogida de bienes o documentos constituyen la parte central de las políticas de distribución
de una gran cantidad de empresas. Por lo general, el número de rutas posibles de un
vehículo que recorra un conjunto de puntos moderados es muy grande y crece
exponencialmente con el número de puntos. Los efectos económicos, tanto en el gasto
producido como en otras medidas de la efectividad del servicio, varían de forma considerable
de unas rutas a otras. Para determinar las rutas a seguir por los vehículos es de gran utilidad
contar con herramientas para examinar el espacio de las rutas alternativas y, teniendo en
cuenta la evaluación de dichas rutas, y posiblemente otro tipo de restricciones adicionales,
seleccionar opciones de un alto grado de optimalidad empleando un tiempo razonable. Las
metaheurísticas pueden facilitar el diseño y construcción de tales herramientas conociendo la
ubicación de los puntos de distribución y recogida asignados a cada vehículo.
2.3 Localización de puntos de servicio
Otras decisiones presentes en la planificación logística es la de establecer la ubicación o
localización de puntos en la red de transporte desde la que articular un sistema de
distribución. Esta labor de localizar puntos de servicio no suele tomarse con la frecuencia
casi diaria con la que se establecen rutas o las cargas de las unidades de transporte, pero su
incidencia en los costes y la calidad del servicio pueden llegar a ser mucho más relevantes.
En este caso, las decisiones deben contemplar posiblemente un conjunto considerablemente
grande de localizaciones posibles con características muy diversas de entre las que se
seleccionan un subconjunto determinado. La evaluación de cada una de las alternativas
posibles podría implicar la solución de otro problema logístico muy complejo que incluye
rutas y cargas, e incluso llegar a precisar algún tipo de simulación. Por tanto, el análisis de
las decisiones a adoptar en este contexto debe evitar la evaluación innecesaria de una gran
cantidad de alternativas por lo que son apropiadas las técnicas de búsqueda inteligentes.
2.4 Asignación de zonas de distribución
Frecuentemente se acude a la descomposición del problema logístico mediante la
configuración de zonas de distribución lo que facilita el análisis pormenorizado de las
decisiones a adoptar en cada una de ellas en lugar de un estudio completo de todo el campo
de actuación. Sin embargo, esta distribución puede llevarse a cabo de multitud de formas y
cada una de ellas dará lugar a efectos muy distintos. Por tanto, se trata de situaciones donde
hay que realizar una selección de una alternativa dentro de un conjunto considerablemente
grande de posibilidades y en base a criterios que permitan establecer comparaciones entre
ellas a partir de distintos procesos de evaluación, que precisarán información sobre las
soluciones a adoptar con cada zona de distribución.
.
2.5 Diseño de redes
El resultado global de todas las decisiones a adoptar en la planificación logística es una
solución estructurada configurada como una red. Por ejemplo, el establecimiento de una red
de distribución compuesta por la ubicación de distintos tipos de unidades y la especificación
de las conexiones determina en general el coste global y la eficiencia de toda la política de
distribución. En los problemas complejos reales que surgen en la práctica se deben
identificar subproblemas de cada uno de los tipos anteriores por lo que se configuran como
problemas mixtos de planificación.
3. CONCEPTO DE METAHEURISTICA
El análisis del concepto de metaheurística se sustenta de la formación del término (al que se
llega desde el término más usual de Heurística) y del uso que se le ha dado desde su
primera aparición en el entorno científico y tecnológico (Melián, Moreno Pérez y Moreno
Vega, 2003). En Inteligencia Artificial se emplea el calificativo heurístico, en un sentido muy
genérico, para aplicarlo a todos aquellos aspectos que tienen que ver con el empleo de
conocimiento en la realización dinámica de tareas (Russell y Norvig, 2003). Una heurística es
una técnica, método o procedimiento inteligente para realizar una tarea que, más que
producto de un estricto análisis formal, se fundamenta en razonamiento común con
conocimiento experto sobre la tarea. En particular, una heurística para resolver un problema
de optimización es un procedimiento que aporta soluciones del problema con un buen
rendimiento, en lo referente tanto a la calidad de las soluciones como a los recursos
empleados. La inclusión del prefijo meta al término heurística indica que se trata de un
concepto que rebasa la simple idea de heurística y queda por encima de ella.
En la resolución de problemas específicos han surgido procedimientos heurísticos exitosos,
de los que se ha tratado de extraer lo que es esencial en su éxito para aplicarlo a otros
problemas o en contextos más extensos. Como en otros campos de la Inteligencia Artificial
(especialmente en el área de los Sistemas Expertos), esta línea de actuación ha contribuido
tanto al desarrollo científico del campo de las heurísticas como a extender el éxito de sus
resultados a diversas áreas de aplicación (Simon, 1995). Las metaheurísticas surgen al
aplicar a las heurísticas esta estrategia de desarrollo que es la que más frecuentemente ha
conducido a éxitos relevantes de la Inteligencia Artificial en su vertiente tecnológica, la de la
Ingeniería Informática. Fruto de la aplicación de esta estrategia a las heurísticas han sido,
tanto técnicas y recursos computacionales específicos, como pautas de diseño generales
para procedimientos heurísticos de resolución de problemas. Las metaheurísticas son
básicamente estas estrategias generales para diseñar algoritmos, que quedan por encima de
las heurísticas, y van algo más allá. Además, las metaheurísticas se configuran como un
elemento propio de la Inteligencia Artificial ya que pueden integrarse con otras herramientas
para actuar como un sistema experto y facilitar su uso genérico a la vez que mejorar su
rendimiento con la adquisición de conocimiento derivado de la experiencia.
El término metaheurística apareció por primera vez en el artículo seminal sobre búsqueda
tabú de Fred Glover (Glover, 1986). A partir de entonces han surgido multitud de propuestas
de pautas para diseñar buenos procedimientos de búsqueda para resolver problemas que, al
ampliar su campo de aplicación, merecen la denominación de metaheurísticas (ver Glover y
.
Kochenberger (2003) y Moreno Pérez y Moreno Vega (2003)). Se trata generalmente de
estrategias para construir soluciones y transformarlas de forma iterativa tratando de alcanzar
soluciones óptimas o de muy alta calidad. Para el desarrollo y aplicación de las
metaheurísticas es conveniente estudiar cómo ciertas propiedades favorecen su interés
práctico y teórico, y analizar que metaheurísticas las poseen en mayor grado. Cada una de
ellas indica una dirección a la que dirigir los esfuerzos para contribuir a la mejora de las
metaheurísticas pero presumible que no será posible mejorar todas a la vez. Algunas de
estas propiedades son parcialmente contrapuestas aunque también varias apuntan en la
misma dirección y pueden ser mejoradas simultáneamente.
Una propuesta de relación de propiedades deseable es la siguiente:
1. Simple. Debe estar basada en un principio sencillo y claro; fácil de comprender.
2. Coherente. Los elementos que la componen deben deducirse de sus principios.
3. Precisa. Los pasos y fases deben estar formulados en términos concretos.
4. Efectiva. Deben proporcionar soluciones óptimas o de muy alta calidad; casi óptimas.
5. Eficaz. Deben alcanzar soluciones óptimas de casos realistas con alta probabilidad.
6. Eficiente. Debe realizar un buen aprovechamiento de recursos computacionales.
7. General. Debe tener buen rendimiento en una amplia variedad de problemas.
8. Adaptable. Debe ser capaz de adaptarse a diferentes modelos o contextos de
aplicación.
9. Robusta. Debe ser poco sensible a pequeñas alteraciones del modelo o del contexto.
10. Interactiva. Debe permitir al usuario aplicar sus conocimientos para su mejora.
11. Múltiple. Debe suministrar al usuario diferentes soluciones alternativas de alta calidad.
12. Autónoma. Debe permitir un funcionamiento libre de parámetros o autónomo.
Estas propiedades se pueden agrupar de forma correlativa en cuatro bloques en torno a los
objetivos de comprensión, rendimiento, aplicabilidad y utilidad (Melián, Moreno Pérez y
Moreno Vega, 2003). Esto facilita el análisis de cómo afectan a la posible aplicación de estas
técnicas en la planificación logística y cómo el Scatter Search las cumple en un alto grado.
a) Comprensión. Las propiedades de simplicidad, coherencia y precisión son determinantes
para facilitar la comprensión y aceptación de la metaheurística por usuarios y
programadores. La simplicidad favorece la generalización de su uso y posibilita su
aplicabilidad inmediata. La coherencia con sus principios facilita la traducción de la
formulación de la metaheurística en procedimientos de solución de los problemas. La
precisión en la descripción de los elementos que la componen permite implementar
directamente un algoritmo que ejecute la metaheurística. Estas propiedades son muy
importantes para permitir la aceptación del uso de las metaheurísticas en las distintas áreas
de planificación logística.
b) Rendimiento. El rendimiento de los procedimientos derivados de las metaheurísticas se
mide en términos de tres características: la efectividad, la eficacia y la eficiencia. Estas tres
propiedades, aunque son similares, tienen incidencia diferente en el éxito de la aplicación de
los algoritmos; pueden argumentarse en base a características de la metaheurística, pero
tienen que validarse experimentalmente. Para validar su efectividad y eficacia deben afrontar
.
con éxito casos reales (o simulados) de soluciones óptimas conocidas pero, la eficiencia se
contrasta experimentalmente en el empleo de un tiempo computacional moderado para
alcanzar el éxito. Para disponer de los casos apropiados para la validación debe contarse
con conocimiento e información sobre las características y dimensiones de los problemas
reales en la planificación logística. La complejidad y dimensión de los casos utilizados en
este debe ajustarse a las necesidades de los usuarios potenciales; frente a problemas
grandes y casos complejos es cuando surgen las fortalezas y debilidades de los
procedimientos. Muchas metaheurísticas, Scatter Search entre ellas, mejoran su rendimiento
incorporando conocimiento experto del problema y recursos computacionales más potentes.
c) Aplicabilidad. La aplicabilidad de una metaheurística en la planificación logística se
sustenta en su generalidad, adaptabilidad y robustez. La robustez se refleja en que el
número de parámetros que hay que fijar en una aplicación se mantiene bajo. La generalidad
se refleja en la diversidad de áreas de la planificación logística para las que se utiliza con
éxito. La adaptabilidad permite que las conclusiones obtenidas al afrontar un conjunto de
problemas particular puedan ser aprovechadas en otros contextos. Para evaluar el grado de
aplicabilidad de una metaheurística en planificación logística su rendimiento debe que ser
contrastado frente a variaciones razonables en las características de los distintos problemas
derivados de las circunstancias realistas en las que se aplicaría.
d) Utilidad. Finalmente, para favorecer la utilidad de una metaheurística en aplicaciones
reales, incorporándola a un Sistema de Ayuda a la Decisión, es importante que se propicie
una interacción amigable. La interactividad de los sistemas basados en las metaheurísticas
facilita la integración en entornos de planificación logística donde los conocimientos
específicos de los problemas son aprovechados para mejorar el rendimiento de la
metaheurística. La posibilidad de ofrecer múltiples soluciones de alta calidad, realmente
diferentes, entre las que los gestores del sistema logístico puedan optar contribuye a su
aceptación en contextos de alta responsabilidad que no se contentan con una única
propuesta. La relativa autonomía de implementaciones de la metaheurística permite ganarse
la confianza de usuarios poco expertos en las tareas de planificación logística al comprobar
como el sistema aporta soluciones de calidad sin necesidad de intervención especializada.
5. LA METAHEURÍSTICA SCATTER SEARCH
Scatter Search es una metaheurística reciente, traducida como Búsqueda Dispersa, que
permite incorporar el conocimiento experto, tanto en métodos para construir soluciones
diversas y de alta calidad, como para mejorarlas individualmente e incluso para identificar
soluciones de alta calidad y combinarlas aprovechando sus buenas características en la
obtención de mejoras significativas. Se trata de una metodología que surge a principios de
los 70 (Glover, 1977), basada en estrategias para combinar reglas de decisión y restricciones
cuyos fundamentos aparecen en Glover (1998). Detalles de procedimientos concretos
aparecen en el libro de Laguna y Martí (2003) y en el artículo de Martí y Laguna (2003).
El método de Scatter Search es un proceso evolutivo basado en un moderado conjunto de
soluciones llamado conjunto de referencia cuyos elementos son inteligentemente
combinados para producir otras soluciones que, una vez mejoradas, pueden incorporarse al
.
conjunto de referencia. El conjunto de referencia está constituido por soluciones dispersas de
alta calidad y evoluciona por criterios de tanto de calidad como de dispersión. La información
finalmente proporcionada por el procedimiento consiste en todo el conjunto de referencia.
Las características fundamentales que la distinguen de otros procedimientos evolutivos como
los algoritmos genéticos es que el conjunto de soluciones que evoluciona sobre el espacio
de búsqueda es de tamaño reducido o moderado (el tamaño típico de los conjuntos de
referencia es 10, o 20 a lo sumo, frente a las poblaciones de los algoritmos genéticos que
tienen cientos o miles de elementos) y en que la combinación de las soluciones no se basa
en el efecto del azar. Sin embargo, la diferencia más importante desde la perspectiva del
usuario, con respecto a otras metaheurística es que no proporciona una única solución como
las búsquedas puntuales, ni un conjunto muy grande como los algoritmos genéticos sino un
conjunto moderado de soluciones diversas de alta calidad entre las que se puede elegir la
preferida por el usuario particular.
Una búsqueda dispersa (Scatter Search) empieza con un primer conjunto de referencia que,
a falta de otra alternativa, se obtiene creando una población de muchas soluciones de
calidad entra las que se seleccionan las mejores y más diversas para el conjunto de
referencia. Del conjunto de referencia se seleccionan subconjuntos de soluciones que son
combinadas para obtener nuevas soluciones que, una vez mejoradas, se utilizan para
actualizar el propio conjunto de referencia. Un procedimiento típico de búsqueda dispersa
involucra a 5 procedimientos y 2 criterios de parada. Los procedimientos se encargan de la
generación del conjunto de referencia inicial, la selección de los subconjuntos a combinar,
realizar la combinación de las soluciones seleccionadas, aplicar la mejora a las soluciones y
actualizar el conjunto de referencia. Un criterio de parada interno decide cuando actualizar el
conjunto de referencia y un criterio de parada externo determina cuando finalizar el proceso.
Un pseudocódigo de esta metaheurística es el siguiente:
Procedure ScatterSearch ;
Begin
repeat
Generate_Reference_Set(Ref_Set, Ref_Set_Size);
Repeat
Select_Subset(SubSet, SubSetSize);
Combine_Solutions(SubSet, Current_Sol);
Improve_Solution(Current_Sol, Improved_Sol);
until (Inner_Stop_Criterion);
Update_Reference_Set(Ref_Set);
until (Outer_Stop_Criterion);
end.
Fig. 1 – Pseudocódigo del Scatter Search
.
Para el éxito del Scatter Search es conveniente que el conjunto de referencia sea un
conjunto representativo del conjunto de buenas soluciones. Por tanto, los criterios para
seleccionar las soluciones que constituyan el conjunto de referencia deben ser tanto criterios
de diversidad como de calidad. Para iniciar una búsqueda dispersa se suele generar en
primer lugar una amplia población de soluciones dispersas y de calidad. Existen dos formas
básicas posibles para obtener esta población: aplicar un método de generación al azar y
mejorar esas soluciones por una búsqueda local sencilla u obtener directamente soluciones
buenas y dispersas por un procedimiento adaptativo como el GRASP (Resende y González
Velarde, 2003). De esta población se obtiene el primer conjunto de referencia eligiendo las
mejores soluciones que sean dispersas entre si.
Para aplicar Scatter Search a un problema formulado en fases, como los que frecuentemente
aparecen en las tareas de planificación logística, en el que las alternativas en una fase
dependen de las opciones elegidas en una fase anterior, se utiliza el conjunto de referencia
final de la fase anterior para construir sobre ellas las soluciones que componen el conjunto
de referencia inicial. Para iniciar el proceso de resolución de las primera fase se obtiene el
conjunto de referencia utilizando la estrategia usual en la implementación del Scatter Search.
En las siguientes fases se aplica procesos constructivos del tipo GRASP para generar
soluciones a partir del conjunto de referencia final de la fase anterior.
El tamaño del conjunto de referencia se fija inicialmente, aunque en un proceso por fases
puede variar de unas fases a otras. La evolución del conjunto de referencia se desarrolla
mediante los procedimientos de combinación y mejora. La selección de subconjuntos de
soluciones del conjunto de referencia a combinar sigue también criterios de calidad y
dispersión. Generalmente se toman subconjuntos de un tamaño fijo r; en la mayoría de las
aplicaciones se toman todos los subconjuntos de tamaño r = 2. Otro método de selección
usual consiste en usar ternas pero donde sólo dos de ellos cubren todas las posibilidades.
Ya que el conjunto de referencia se actualiza sólo parcialmente, en las sucesivas iteraciones
se evita la combinación de un mismo subconjunto ya seleccionado anteriormente. El método
de combinación se encarga de obtener, a partir del subconjunto seleccionado, nuevas
soluciones que capturen las buenas características de las soluciones combinadas. Debe
estar dotado de parámetros para modular la intensificación/diversificación de la búsqueda.
Los métodos de combinación más usuales utilizan la técnica de conocida como Path-
relinking (Glover, 1998) que utiliza los caminos de soluciones situadas entre las combinadas.
Las soluciones combinadas son mejoradas aplicando un método de mejora que persigue
alcanzar nuevos y diferentes mínimos locales El método de mejora es típicamente una
búsqueda local. Si se diseña las combinaciones pueden no ser factibles, el método de
mejora debe también tratar de conseguir la factibilidad. Las soluciones combinadas y
mejoradas se utilizan para actualizar el conjunto de referencia haciéndolo evolucionar. Los
criterios de actualización del conjunto de referencia obedecerán a criterios de calidad y
diversidad. La actualización se realiza una vez combinados todos los subconjuntos
seleccionados del conjunto de referencia, con la correspondiente mejora, aplicar el
procedimiento de mejora a las, qué soluciones se incorporan al conjunto de referencia. La
actualización implica decidir qué soluciones se incorporan al conjunto de referencia y
también qué soluciones son eliminadas del conjunto de referencia para mantener el tamaño
.
fijo.
El criterio de parada interno decide cuando actualizar el conjunto de referencia con las
soluciones obtenidas combinando sus soluciones. El criterio de parada externo decide
cuando detener la búsqueda en cada fase y pasar a la siguiente. Los criterios de parada
usuales en todos los procedimientos de búsqueda heurística son los que fijan un número de
iteraciones o tiempo de ejecución total para cada fase, o desde la última mejora producida.
6. CONCLUSIONES
Para la resolución práctica de problemas en fases que surgen en la planificación logística, no
es viable tratar de resolverlos globalmente sino contemplar sucesivamente las distintas fases
de decisión. Los problemas que aparecen en cada fase del proceso de decisión suelen ser
inabordables con procedimientos exactos por lo que es necesario acudir a soluciones
heurísticas. Por la gran diversidad de aspectos relevantes en estos problemas no es
apropiado utilizar procedimientos diseñados a propósito para cada modelo y dependientes
de su estructura particular por su rigidez. Ante la necesidad de utilizar algoritmos heurísticos,
las metaheurísticas proporcionan pautas y estrategias generales para diseñar fácilmente
procedimientos heurísticos de solución con un alto rendimiento. Las buenas metaheurísticas
aportan soluciones de alta calidad con un consumo de recursos razonable mediante una
exploración inteligente del espacio de soluciones aprovechando la potencia de cálculo y
rapidez de los ordenadores. Las metaheurísticas pueden utilizar información imprecisa y
aprovechar el conocimiento emanado de la experiencia para mejorar su rendimiento.
En los procesos de decisión en fases, en los que es necesario conocer las opciones
adoptadas en una fase para construir las alternativas en las siguientes y las evaluaciones de
calidad están relacionadas, no es recomendable trabajar en cada fase sólo con una solución
de la fase anterior, como hacen los procedimientos de búsqueda puntuales más usuales, ni
con una gran cantidad de soluciones como ocurre con los métodos evolutivos como los
algoritmos genéticos. La metaheurística Scatter Search, además de su probado alto
rendimiento en multitud de problemas, permite abordar cada fase aportando un conjunto de
tamaño moderado de soluciones diversas y de alta calidad. Con esto se consigue eludir los
inconvenientes de utilizar sólo una solución o una gran cantidad de ellas. Además el Scatter
Search puede mejorar su rendimiento aprovechar el conocimiento emanado de la
experiencia sobre procesos constructivos de soluciones de alta calidad, sobre las
características de dichas soluciones o sobre la forma de modificar una solución para
conseguir alguna mejora.
AGRADECIMIENTOS
Este trabajo ha sido parcialmente financiado por los proyectos TIN2005-08404-C04-03 (70%
FEDER) del el Ministerio de Educación y Ciencia y PI042005/044 del Gobierno de Canarias.
.
REFERENCIAS
Glover, F., 1977. Heuristics for Integer Programming Using Surrogate Constraints. Decision
Sciences 8, 156-166.
Glover, F., 1986. Future Paths for Integer Programming and Links to Artificial Intelligence.
Computers and Operations Research 13, 533-549.
Glover F., 1998. A Template for Scatter Search and Path Relinking. In: Hao JK, Lutton E,
Ronald E, Schoenauer M, and Snyers D (Ed.), Artificial Evolution. Lecture Notes in
Computer Science; 1363, pp. 13-54.
Glover, F. Kochenberger, G.A., 2003, Handbook of Metaheuristics, Kluwer.
Laguna, M., Martí, R., 2003. Scatter Search: Methodology and Implementations in C, Kluwer.
Martí, R., Laguna, M., 2003. Scatter Search: Diseño Básico y Estrategias avanzadas.
Inteligencia Artificial 19(2), 123-130.
Melián, B., Moreno Pérez, J.A., Moreno-Vega, J.M., 2003. Metaheuristicas: Una visión global.
Inteligencia Artificial 19(2), 7-28.
Moreno Pérez, J.A., Moreno Vega, J.M. (Ed.), 2003. Monografía: Metaheurísticas.
Inteligencia Artificial 19(2).
Resende, M.G.C.; González Velarde, J.L., 2003. GRASP: Procedimientos de búsquedas
miopes aleatorizados y adaptativos. Inteligencia Artificial 19(2), 61-76.
Russell, S., Norvig, P., 2003. Inteligencia Artificial: un enfoque moderno, Prentice Hall.
Simon, H.A., 1995. Artificial intelligence: an empirical science. Artificial Intelligence 77(1), 95-
127.
CORRESPONDENCIA
José Andrés Moreno Pérez
Instituto Universitario de Desarrollo Regional
Universidad de La Laguna
Departamento de Estadística, I.O. y Computación
Campus de Viesques, s/n.
E-38271 La Laguna - S.C. de Tenerife (España)
Tfno: +34 92 231 81 86
Fax: +34 92 231 81 70
E-mail: [email protected]
View publication stats
