Professional Documents
Culture Documents
INTRODUCCIÓN
la heurística codiciosa.
MetaHeuristica:
Minimizar z = F(x), x ϵ S
Esta sección presenta dos ejemplos que utilizan la heurística codiciosa para estimar el
óptimo de una función de una sola variable discreta
Pasos:
100
80
60
40
20
0
1 2 3 4 5 6 7 8
Series1
Resolución
Iteraciones
k xk N(Xk) F(xk-1) F(xk+1) Acción
Inicia 0 3 x*=3, F(x*)=50; xk+1=3
1 3 [2 , 4] 60 80 F(xk+1)>F(x*),estab x*=4, F(x*)=80
2 4 [3 , 5] 50 100 F(xk+1)>F(x*),estab x*=5, F(x*)=100
F(xk-1)F(xk+1)<F(x*,,estab xk-1=5, máximo
fin 3 5 [4 , 6] 80 40 local
:
Series1
RESOLUCIÓN
1. Repitiendo la heurística con puntos de inicio aleatorios y expandiendo
el tamaño de la vecindad para llegar a más puntos de solución factible
Iteraciones
k xk F(xk) N(Xk) Rk x'k F(x'k) Acción
Inicia 0 1 90 x*=1, F(x*)=90; xk+1=1
1 1 90 [2,3,4,5,6,7,8] 0.4128 3 50 F(x'k)<F(x*),establecer x*=3,xk-1=3
2 3 50 [1,2,4,5,6,7,8] 0,2039 7 20 F(x'k)<F(x*),establecer x*=7,xk+1=7
F(x'k+1)>F(x*),volver a muestrear
3 7 20 [1,2,3,4,5,6,8] 0,0861 6 40 desde N(xk)
F(x'k+1)>F(x*),volver a muestrear
fin 4 7 20 [1,2,3,4,5,6,8] 0,5839 2 60 desde N(xk)
Minimizar F(x), L ≤x ≤ U
𝑈−𝐿 𝑈−𝐿
1. El desplazamiento se basa en una distribución uniforme en el intervalo (-2
, 2 )
Dado que R es un número aleatorio (0,1), entonces
X(k+1)= xk + (R - 0.5)(U - L)
Ejemplo
Minimizar z = F(X), X e S
Siendo xo=0.5 y x’k=xk+4(R-5) en el intervalo , 0 ≤x ≤ 4
Para lo cual
Iteraciones
k xk F(xk) Rk x'k F(x'k) Acción
Inicia 0 0,5 3,281 x*=1, F(x*)=90; xk+1=1
1 0,5 3,281 0.4128 0,151 2,602 F(x'k)<F(x*),establecer x*=0.1512
2 0,15 2,602 0,2039 -1,033 Fuera del intervalo, volver al muestreo, kk+1=xk
3 0,15 2,602 0,0861 1,801 -0,757 F(x'k+1)>F(x*),volver a muestrear desde N(xk)
4 1,8 -0,757 0,5839 2,086 0,339 F(x'k+1)>F(x*),volver a muestrear desde N(xk)
fin 5 1,8 -0,757 0,8718 3,288 -1,987 F(x'k)<F(x*),establecer x*=3,288 F(x*)=-1,987
El resultado buscado es x= 1.801, F(x)= -7.57, ocurre en la iteración 3 Mínimo exacto global
x*= 3.64438, F(x*)= -3.631
METAHEURÍSTICA
La heurística codiciosa presentada en la sección 10.2 comparte una estrategia
común. En la iteración k la búsqueda se mueve a un nuevo punto Xk11 H N(Xk)
sólo si el nuevo punto mejora el valor de la función objetivo F(X). Si no se
puede hallar una Xk11 mejor en N(Xk) o si se llega a una cantidad de
iteraciones especificada por el usuario, la solución se encuentra atrapada en un
óptimo local y la búsqueda termina.
cantidad especificada.
En términos de la función F(x) de la figura 10.1, los valores factibles son 1,2,..8. En la iteración
k, el conjunto de vecindades de xk puede definirse como N(xk) = {xk — q,. xk — 1, xk + 1,.,xk +
q} — Lk donde q es una constante entera. La definición excluye implícitamente los
Mejor solución heurística: x = 7, F(x) = 20, en la iteración 5 (sucede que también es óptima).
Defina
jik = La tarea j ocupa la posición i durante la iteración
k sk = Secuencia de tareas utilizada en la iteración
k N(sk) = Secuencias de las vecindades de
sk Lk = Lista tabú en la iteración k
t = Periodo de permanencia expresado en cantidad de iteraciones
sucesivas
zk = Costo total (retención + penalización) de la secuencia
sk s* = Mejor secuencia disponible durante la búsqueda
z* = Costo total asociado con s*
mostrar los cálculos de los costos en la tabla, el valor de z para la secuencia S2 = (3-1-2-4) de la
iteración 2 se determina en el siguiente orden.
Tarea: 3 1 2 4
Tiempo de 6 10 8 7
Fecha límite: 10 15 20 30
procesamiento:
Fecha de terminación: 6 16 24 31
Tiempo de retención: 4 0 0 0
Tiempo de retardo: 0 1 4 1
Costo de retención: 20 0 0 0
Costo de penalización por 0 10 88 8
retraso
Tarea: 3 1 2 4
Tiempo de procesamiento: 6 10 8 7
Fecha límite: 10 15 20 30
Fecha de terminación: 6 16 24 31
Tiempo de retención: 4 0 0 0
Tiempo de retardo: 0 1 4 1
Costo de retención: 20 0 0 0
Costo de penalización por 0 10 88 8
Por lo tanto, z = Costo de retención + Costo de penalización
retraso
Resolución
tareas 1 2 3 4 5
Tiempo de 10 12 5 7 9
procesamiento
Fecha Limite 12 30 9 25 40
Fecha de término 10 22 27 34 43
Tiempo de Retención 2 8 0 0 0
Tiempo de Retardo 0 0 18 9 3
Costo de Retencion 6 8 0 0 0 14
Costo de Retardo 0 0 216 72 45 333
347
tareas 1 3 2 4 5
Tiempo de
procesamiento 10 5 12 7 9
Fecha Limite 12 9 30 25 40
Fecha de término 10 15 27 34 43
Tiempo de Retención 2 0 3 0 0
Tiempo de Retardo 0 6 0 9 3
Costo de Retencion 6 0 3 0 0 9
Costo de Retardo 0 72 0 72 45 189
198
tareas 3 1 2 4 5
Tiempo de
procesamiento 5 10 12 7 9
Fecha Limite 9 12 30 25 40
Fecha de término 5 15 27 34 43
Tiempo de Retención 4 0 3 0 0
Tiempo de Retardo 0 3 0 9 3
Costo de Retencion 20 0 3 0 0 23
Costo de Retardo 0 30 0 72 45 147
170
tareas 3 2 1 4 5
Tiempo de 5 12 10 7 9
procesamiento
Fecha Limite 9 30 12 25 40
Fecha de término 5 17 27 34 43
Tiempo de Retención 4 13 0 0 0
Tiempo de Retardo 0 0 15 9 3
Costo de Retencion 20 13 0 0 0 33
Costo de Retardo 0 0 150 72 45 267
300
tareas 3 1 4 2 5
Tiempo de 5 10 7 12 9
procesamiento
Fecha Limite 9 12 25 30 40
Fecha de término 5 15 22 34 43
Tiempo de Retención 4 0 3 0 0
Tiempo de Retardo 0 3 0 4 3
Costo de Retencion 20 0 6 0 0 26
Costo de Retardo 0 30 0 80 45 155
181
tareas 3 1 4 5 2
Tiempo de 5 10 7 9 12
procesamiento
Fecha Limite 9 12 25 40 30
Fecha de término 5 15 22 31 43
Tiempo de Retención 4 0 3 9 0
Tiempo de Retardo 0 3 0 0 13
Costo de Retencion 20 0 6 36 0 62
Costo de Retardo 0 30 0 0 260 290
352
Realizando 6 iteraciones se tiene
Es todo Gracias