Las tres primeras personas en venir con nosotros y decir que es "ad hoc" se ganan unas galletas caseras.
Las metaheurísticas son estrategias de optimización utilizadas para resolver problemas complejos donde encontrar una solución óptima exacta sería computacionalmente costoso o ineficiente. A diferencia de los métodos de búsqueda local, las metaheurísticas permiten explorar el espacio de soluciones de manera más amplia y evitar quedar atrapadas en óptimos locales.
Este repositorio contiene implementaciones de diversas metaheurísticas aplicadas a problemas de optimización, incluyendo:
- Búsqueda Tabú
- Templado Simulado
- Algoritmos Genéticos
La búsqueda tabú es un algoritmo basado en la mejora de soluciones mediante la exploración local, con mecanismos para evitar ciclos repetitivos y mejorar la búsqueda.
- Usa una lista tabú para evitar retrocesos inmediatos.
- Explora soluciones vecinas y permite moverse a soluciones peores temporalmente.
- Mejora la capacidad de escapar de óptimos locales.
El templado simulado se basa en el proceso de enfriamiento de los metales para aceptar soluciones subóptimas en etapas tempranas, mejorando la exploración global.
- Controlado por un parámetro de temperatura que decrece gradualmente.
- Permite aceptar soluciones peores al principio para evitar óptimos locales.
- Utiliza una función de probabilidad para tomar decisiones de aceptación de nuevas soluciones.
Los algoritmos genéticos (AG) imitan la evolución biológica mediante la selección natural, cruzamiento y mutación para mejorar soluciones a través de generaciones.
- Usa una población de soluciones que evoluciona iterativamente.
- Se aplican operadores de selección, cruce y mutación.
- Balancea exploración y explotación para mejorar la calidad de las soluciones.
Las metaheurísticas tienen aplicaciones en diversos campos, como:
- Optimización de rutas: Problema del Viajante (TSP), logística y transporte.
- Diseño de circuitos electrónicos: Minimizar movimientos en manufactura.
- Planificación y programación: Asignación de tareas y recursos.
busqueda_tabu.py- Implementación de la Búsqueda Tabú.busquedatabunoresticciones.py- Implementación de la Búsqueda Tabú sin restricciones.templado_simulado.py- Implementación del Templado Simulado sin animacion.animaciontempladosimulado.py- Implementación del Templado Simulado con algoritmo.algoritmo_genetico.py- Implementación de Algoritmos Genéticos.README.md- Este documento.
Para ejecutar cualquiera de las implementaciones, simplemente ejecuta:
python nombre_del_script.pyAsegúrate de tener instaladas las dependencias necesarias.
Para mayor información, revisa los siguientes recursos:
Las contribuciones son bienvenidas. Puedes enviar un pull request con mejoras o nuevas implementaciones.
Este proyecto está bajo la licencia MIT. Puedes usarlo libremente para propósitos educativos y de investigación.