Вы находитесь на странице: 1из 13

METAHEURSTICAS PARA LA PLANIFICACIN LOGSTICA*

Jos Andrs Moreno Prez y Beln Melin Batista Grupo de Computacin Inteligente. Universidad de La Laguna Febrero de 2005 1. INTRODUCCIN

Las

metaheursticas son estrategias generales para el diseo de procedimientos heursticos inteligentes. Siguiendo las pautas marcadas por las metaheursticas es posible obtener algoritmos con un alto rendimiento para la toma asistida de decisiones en tareas de planificacin logstica. Las situaciones que surgen en circunstancias reales precisan, dada la gran complejidad y el nmero de variables a tener en cuenta, la utilizacin de herramientas informticas en el anlisis del problema para determinar rpidamente propuestas de alta calidad. En estas ocasiones es de gran importancia contar con un procedimiento capaz de explorar de forma eficiente el espacio de soluciones alternativas para seleccionar una que alcance las mximas cotas posibles en los objetivos propuestos. Ante la ausencia de un procedimiento exacto que permita obtener en todas las circunstancias una solucin ptima en tiempo razonable es importante contar con un algoritmo heurstico que aporte una alternativa con una alta confianza de que es la mejor solucin posible o est muy prxima a serlo. Las metaheursticas proporcionan pautas claras para disear fcilmente tales procedimientos adaptables a las diferentes circunstancias que puedan presentarse en las labores de planificacin logstica. Adems, siguiendo la metodologa de la Inteligencia Artificial, pueden dotarse con herramientas para mejorar su propio rendimiento con la experiencia y favorecer la incorporacin de conocimiento experto para ello. En este trabajo exponemos los aspectos fundamentales de las metaheursticas en su aplicacin a los problemas de planificacin logstica. A continuacin se describen, a modo de ejemplo, diversos contextos de planificacin logstica en los que las metaheursticas pueden aportar procedimientos apropiados para adoptar decisiones. Las siguientes secciones analizan el concepto, los tipos fundamentales y las principales caractersticas deseables de las metaheursticas. El trabajo finaliza con unas breves conclusiones y las referencias.

Este trabajo ha sido parcialmente financiado por el Ministerio de Ciencia y Tecnologa a travs del con el proyecto TIC 2002-04242-C03-01 (que son en un 70% fondos FEDER).
* *

2. PLANIFICACIN LOGSTICA

En

las labores de la planificacin logstica de cualquier empresa relacionada con el transporte vamos a encontrar mltiples decisiones que darn lugar a consecuencias relevantes de distinto tipo. Una adecuada planificacin logstica 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 cada una de las alternativas posibles y de una estrategia inteligente para determinar la alternativa preferida. Generalmente, el nmero y complejidad de las decisiones a adoptar hace imposible examinar en detalle cada una de las alternativas posibles para, en base a una evaluacin exacta, elegir la mejor entre ellas. Sin embargo no es razonable prescindir de las evaluaciones imprecisas o aproximadas de las alternativas ni renunciar a realizar un anlisis de una parte seleccionada del espacio de alternativas para adoptar unas decisiones inteligentes. Las metaheursticas permiten elaborar fcilmente procedimientos que realizan una bsqueda inteligente de soluciones de alta calidad basndose en informacin aproximada para aprovechar la potencia de clculo y rapidez de los ordenadores para extender y precisar en mayor medida el anlisis efectuado. Por tanto, la aplicacin de metaheursticas para apoyar las decisiones efectuadas permitir incrementar la confianza en que las soluciones adoptadas son las mejores posibles o estn muy cerca de ello. A continuacin se describen en detalle algunas circunstancias en las que plantear problemas de optimizacin al realizar la planificacin logstica que peden resolverse adecuadamente mediante metaheursticas. En tales casos, la formalizacin de los problemas slo requiere la descripcin de las soluciones alternativas y su representacin de forma computacional, as como un mecanismo para determinar el grado de optimalidad de estas alternativas para sustentar comparaciones entre ellas. Otros aspectos susceptibles de formalizar emanados de la experiencia pueden hacerse intervenir en el diseo de la metaheurstica para mejorar su propio rendimiento. Por ejemplo, mecanismos para construir alternativas de buena calidad o muy diferentes, o para modificarlas ligeramente tratando de conseguir alguna mejora. Incluso puede incorporarse conocimiento experto sobre las caractersticas de las soluciones que tienen alta calidad o de los condicionantes que son ms relevantes para la solucin definitiva.

2.1. Rutas de distribucin y recogida

Las rutas seguidas por las unidades de transporte para la distribucin o recogida de bienes o
documentos forman parte de las polticas de distribucin de una gran cantidad de empresas. El nmero de rutas posibles de un vehculo que incluyen una serie de puntos concretos es muy grande. Los efectos econmicos, tanto en el gasto producido como en otras medidas de la efectividad del servicio, varan de forma considerable de unas rutas a otras. Las decisiones sobre las rutas a seguir se adoptan de forma diaria siguiendo criterios ms o menos razonables. Para adoptar estas decisiones sera de gran utilidad contar con herramientas que pudieran examinar el espacio de las rutas alternativas y, teniendo en cuenta la evaluacin de dichas rutas y posiblemente otro tipo de restricciones adicionales, seleccionar opciones de un alto grado de optimalidad empleando un tiempo razonable. Las metaheursticas pueden facilitar el diseo y construccin de tales herramientas [4].

2.2. Carga y descarga

Aparte

de las rutas de las unidades de distribucin, el otro tipo de decisiones que hay que adoptar de forma prcticamente diaria en un proceso de distribucin logstica es la de la forma de efectuar la carga y descarga de dichas unidades. En estas actividad, en mayor medida que la anterior se suele acudir al conocimiento experto para establecer pautas o estrategias de organizar estas tareas. Sin embargo, al aumentar la cantidad de elementos a tener en cuenta se hace necesario combinar estos conocimientos con herramientas de clculo y anlisis automtico de alternativas que conjuntamente permitan seguir adoptando las decisiones con similar efectividad. Las metaheursticas presentan caractersticas 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 distribucin.

2.3. Localizacin de puntos de servicio

Otras

decisiones presentes en la planificacin logstica es la de establecer la ubicacin o localizacin de puntos en la red de transporte desde la que articular un sistema de distribucin. 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 ms relevantes. En este caso, las decisiones deben contemplar posiblemente un conjunto considerablemente grande de localizaciones posibles con caractersticas muy diversas de entre las que se seleccionan un subconjunto determinado. La evaluacin de cada una de las alternativas posibles puede implicar la solucin de otro problema logstico muy complejo, e incluso llegar

a precisar algn tipo de simulacin. Por tanto, el anlisis de las decisiones a adoptar en este contexto debe evitar la evaluacin innecesaria de una gran cantidad de alternativas por lo que son apropiadas las tcnicas de bsqueda inteligentes [2].

2.4. Asignacin de zonas de distribucin

Frecuentemente

se acude a la descomposicin del problema en zonas de distribucin para facilitar el anlisis pormenorizado de las decisiones a adoptar en cada una de ellas en lugar de un estudio completo de todo el campo de actuacin. Sin embargo, esta distribucin puede llevarse a cabo de multitud de formas y cada una de ellas dar lugar a efectos muy distintos. Por tanto, nos volvemos a encontrar frente a situaciones donde hay que realizar una seleccin 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 evaluacin.

2.5. Diseo de redes

El resultado de las decisiones a adoptar en la planificacin logstica dan lugar a una solucin
estructurada que suele tener una estructura de red. As, por ejemplo, el establecimiento de una red de distribucin compuesta por la ubicacin de distintos tipos de unidades y la especificacin de las conexiones determina en muchos casos el coste global y la eficiencia de toda la poltica de distribucin. En estos problemas mixtos se pueden identificar subproblemas de cada uno de los tipos anteriores por lo que se configuran como problemas mixtos de planificacin.

3. CONCEPTO DE METAHEURSTICA

El estudio del concepto de metaheurstica debe centrarse en la formacin del trmino y en el


uso que se le ha venido dando desde su primera aparicin en el entorno cientfico y tecnolgico. Esta concepcin no es uniforme, sino que est condicionada por el ambiente en el que se han desarrollado las metaheursticas ms importantes y el empleo de las herramientas formales y computacionales obtenidas. Esta mltiple concepcin se ve reflejada en las distintas ontologas asociadas, en las que es clarificadora la especificacin de los distintos tipos de metaheursticas que llegan a constituirse en paradigmas centrales para diversos entornos cientficos y tecnolgicos.

Al anlisis del trmino Metaheurstica se llega desde el trmino ms usual de Heurstica. En Inteligencia Artificial se emplea el calificativo heurstico, en un sentido muy genrico, para aplicarlo a todos aquellos aspectos que tienen que ver con el empleo de conocimiento en la realizacin dinmica de tareas [15]. Se habla de heurstica para referirse a una tcnica, mtodo o procedimiento inteligente para realizar una tarea que no es producto de un riguroso anlisis formal, sino de razonamiento comn con conocimiento experto sobre la tarea. En especial, se aplica el trmino heurstico a un procedimiento si trata de aportar soluciones a un problema con un buen rendimiento, en lo referente tanto a la calidad de las propuestas como a los recursos empleados, pero sin una garanta total de su optimalidad.

3.1. Las metaheursticas en Inteligencia Artificial

Conviene

relacionar este concepto con la estrategia de la Inteligencia Artificial que ms frecuentemente ha conducido a los xitos ms relevantes en su vertiente tecnolgica, la de la Ingeniera Informtica. En la resolucin de problemas especficos de la Inteligencia Artificial han surgido procedimientos heursticos exitosos, de los que se ha tratado de extraer lo que es esencial en su xito para aplicarlo a otros problemas o en contextos ms extensos. Como en otros campos de la Inteligencia Artificial (especialmente en el rea de los Sistemas Expertos [16]), esta lnea de investigacin ha contribuido tanto al desarrollo cientfico del campo de las heursticas como a extender el xito de sus resultados a diversas reas de aplicacin. Con esta estrategia se han obtenido, tanto tcnicas y recursos computacionales especficos, como pautas de diseo generales para procedimientos heursticos de resolucin de problemas. Las metaheursticas son bsicamente estas estrategias generales para construir algoritmos, que quedan por encima de las heursticas, y van algo ms all (ver [6] y [13] como referencias actuales). Por tanto, las metaheursticas son el resultado de aplicar la estrategia general de la Inteligencia Artificial en el rea de las heursticas. Adems, las metaheursticas 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 genrico a la vez que mejorar su rendimiento. En este sentido, el concepto an ms novedoso de las hiperheursticas obedece al enfoque de los agentes inteligentes pues consisten en estrategias para determinar en cada momento de un proceso global de bsqueda de una solucin la eleccin de la metaheurstica ms apropiada para abordar la etapa en la que se encuentra el proceso utilizando el conocimiento y la informacin disponible acerca del problema y del propio proceso de solucin.

El trmino metaheursticas se obtiene de anteponer a heurstica el sufijo meta que significa ms all o a un nivel superior. El trmino metaheurstica apareci por primera vez en el artculo seminal sobre bsqueda tab de Fred Glover en 1986 [5]. A partir de entonces han surgido multitud de propuestas de pautas para disear buenos procedimientos para resolver ciertos problemas que, al ampliar su campo de aplicacin, merecen la denominacin de metaheursticas. Tomando como base este hecho, se adopta como concepcin ms comn del trmino la siguiente definicin: las metaheursticas son estrategias inteligentes para disear procedimientos heursticos generales y con un alto rendimiento.

3.2. Tipos fundamentales de metaheursticas

Dado

que las metaheursticas son estrategias para disear procedimientos heursticos generales con alto rendimiento, los tipos de metaheursticas se establecen, en primer lugar, en funcin del tipo de procedimientos a los que se refiere. Por tanto, algunos de los tipos fundamentales son las metaheursticas para los mtodos de relajacin, las metaheursticas para los procesos constructivos, las metaheursticas para las bsquedas por entornos y las metaheursticas para los procedimientos evolutivos. Estos tipos de metaheursticas se describen en trminos de los procedimientos a que dan lugar de la siguiente manera: 1. Las metaheursticas de relajacin se refieren a procedimientos de resolucin de problemas que usan relajaciones del modelo original (es decir, modificaciones del modelo que hacen al problema ms fcil de resolver), cuya solucin facilita la solucin heurstica del problema original, tanto proporcionando directamente soluciones del modelo relajado como usndolas para conducir el proceso global para su resolucin. 2. Las metaheursticas constructivas se orientan a los procedimientos que tratan de la obtencin de una solucin a partir del anlisis y seleccin paulatina de las componentes que la forman. Frente a las alternativas extremas de seleccionar arbitrariamente o al azar las sucesivas componentes, o seleccionar con una estrategia voraz o greedy la componente que presenta las mximas ventajas inmediatas, se tiende a estrategias mixtas o intermedias como las de la metodologa GRASP (Greedy Randomized Adaptive Search Procedure [14]) que selecciona al azar una de las mejores con un criterio adaptativo. 3. Las metaheursticas de bsqueda guan procedimientos que usan transformaciones o movimientos para recorrer el espacio de soluciones alternativas y explotar las estructuras de entornos asociadas y se analizan a continuacin.

4.

Las metaheursticas evolutivas estn enfocadas a los procedimientos basados en conjuntos de soluciones que evolucionan sobre el espacio de soluciones alternativas. La novedad fundamental con respecto a la ejecucin simultnea de procesos de bsquedas individuales est en la interaccin entre los elementos del conjunto de soluciones que evolucionan. Esta interaccin se traduce en la combinacin de la informacin proporcionada por varias soluciones para crear otros que los hagan evolucionar. Existen dos tipos fundamentales de formas de combinar esta informacin para producir nuevos elementos: mediante procedimientos aleatorios o sistemticos. Los algoritmos genticos (AG), los algoritmos Memticos y los algoritmos de estimacin de distribuciones (EDA) utilizan bsicamente procedimientos aleatorios [9], mientras los mtodos de reencadenamiento de caminos (Path-Relinking) y la Bsqueda dispersa (Scatter Search) usan procedimientos sistemticos [10]. Esta ltima se est mostrando recientemente ms atractiva porque el conjunto de soluciones que evoluciona tiene un tamao moderado (lo que facilita su utilizacin integral frente a la de una nica propuesta o la de una poblacin de ellas) y la combinacin se realiza de forma inteligente aprovechando el conocimiento disponible del problema sin dejar apenas margen al azar.

3.2. Las Metaheursticas de bsqueda

Las metaheursticas de bsqueda constituyen histricamente el paradigma central del campo


de las metaheursticas. Bsicamente se trata de estrategias para recorrer el espacio de soluciones del problema transformando de forma iterativa soluciones de partida. Las primeras heursticas que se propusieron fueron de este tipo y se obtenan a partir de alguna regla inteligente para mejorar la solucin de un problema que se aplicaba iterativamente mientras fuera posible obtener nuevas mejoras. Esto ha dado lugar a numerosas estrategias de bsquedas montonas (descendentes o ascendentes) o algoritmos escaladores (hillclimbing), denominadas comnmente como bsquedas locales. Sin embargo, el trmino local hace referencia a que la mejora se obtiene en base al anlisis de soluciones similares a la de bsqueda; llamadas soluciones vecinas. Por tanto, siendo estrictos una bsqueda local es la que basa su estrategia en el estudio de soluciones del vecindario o entorno de la solucin que realiza el recorrido. Las metaheursticas de bsqueda local son estrategias para disear mtodos de bsqueda local; examinando el entorno de soluciones vecinas. Las soluciones vecinas se establecen generalmente como las que se obtienen realizando una transformacin o movimiento elemental en el espacio de soluciones. Los procedimientos ms exitosos para los problemas de establecer rutas de vehculos se basan en varios de estos tipos de movimientos, denominados 1, 2 o 3-intercambio, que modifican la ruta por la se

recorren los puntos a visitar en una, dos o tres posiciones. Por ejemplo, la estrategia miope, voraz o greedy aplicada a estos procedimientos establece como pauta elegir iterativamente la mejor de las soluciones vecinas, o equivalentemente el mejor de alguno de estos movimientos, mientras exista alguna mejora posible. El principal inconveniente de estas bsquedas locales es que quedan atrapadas en un ptimo local (solucin que no puede ser mejorada por un anlisis local). El propsito fundamental de las primeras propuestas, posteriormente calificadas como metaheursticas, era extender una bsqueda local para continuarla ms all de los ptimos locales, denominndose bsqueda global. En general, las metaheursticas proponen tres formas de escapar de los ptimos locales de baja calidad: 1) volver a iniciar la bsqueda desde otra solucin, 2) modificar la estructura de entornos que se aplica y 3) permitir movimientos que no sean de mejora. Surgen as, las metaheursticas de arranque mltiple (MultiStart) [11], las metaheursticas de entorno variable (VNS; Variable Neighborhood Search) [8] y las metaheursticas de bsqueda no montona. Entre estas ltimas distinguimos las de estrategias probabilsticas, siendo el recocido simulado (o Simulated Annealing) [3] la ms representativa, y las estrategias con memoria, representadas por la bsqueda Tab o Tabu Search [7], que usan tanto memoria a corto plazo, mediante una Lista Tab, y memoria a largo plazo, como una Bsqueda Reactiva. Una visin global de las metaherursticas se obtiene en [12].

4. PROPIEDADES DESEABLES DE LAS METAHEURSTICAS

Para

el desarrollo y aplicacin de las metaheursticas es conveniente analizar cuales son las propiedades deseables de las metaheursticas. Podemos convenir que stas son todas las propiedades que favorecen el inters prctico y terico. Cada una de ellas indica una direccin a la que dirigir los esfuerzos para contribuir al desarrollo cientfico y tecnolgico de las metaheursticas. Sin embargo, es presumible que no ser posible mejorar todas a la vez; algunas son parcialmente contrapuestas aunque tambin varias apuntarn en la misma direccin. Una propuesta de relacin de propiedades deseable es la siguiente: 1. Simple. La metaheurstica debe estar basada en un principio sencillo y claro; fcil de comprender. 2. Precisa. Los pasos y fases de la metaheurstica deben estar formulados en trminos concretos. 3. Coherente. Los elementos de la metaheurstica debe deducirse naturalmente de sus principios.

Efectiva. Los algoritmos derivados de la metaheurstica deben proporcionar soluciones de muy alta calidad; ptimas o muy cercanas a las ptimas. 5. Eficaz. La probabilidad de alcanzar soluciones ptimas de casos realistas con la metaheurstica debe ser alta. 6. Eficiente. La metaheurstica debe realizar un buen aprovechamiento de recursos computacionales; tiempo de ejecucin y espacio de memoria. 7. General. La metaheurstica debe ser utilizable con buen rendimiento en una amplia variedad de problemas. 8. Adaptable. Debe ser capaz de adaptarse a diferentes contextos de aplicacin o modificaciones importantes del modelo. 9. Robusta. El comportamiento debe ser poco sensible a pequeas alteraciones del modelo o contexto de aplicacin. 10. Interactiva. Debe permitir que el usuario pueda aplicar sus conocimientos para mejorar el rendimiento del procedimiento. 11. Mltiple. Debe suministrar diferentes soluciones alternativas de alta calidad entre las que el usuario pueda elegir. 12. Autnoma. Debe permitir un funcionamiento autnomo, libre de parmetros o que se puedan establecer automticamente. Estas propiedades se pueden agrupar de forma correlativa en cuatro bloques en torno a los objetivos de comprensin, rendimiento, aplicabilidad y utilidad.

4.

4.1. Comprensin

Las

propiedades de simplicidad, precisin y coherencia son determinantes para facilitar la comprensin y aceptacin por los usuarios y programadores. La simplicidad favorece la generalizacin su uso y posibilita su aplicabilidad inmediata. La descripcin formal de las operaciones debe liberarse de la analoga fsica o biolgica que haya sido la fuente inicial de inspiracin para permitir mejoras que no respeten la analoga. La precisin en la descripcin de los elementos que componen la metaheurstica es crucial para concretar un procedimiento de alta calidad; fcil de implementar. La coherencia con sus principios implica que los procedimientos bsicos de los algoritmos deben traducirse coherentemente de los principios; debe huirse de sentencias sin sentido o vagas. Estas propiedades son muy importantes para permitir la aceptacin de las tecnologas relacionadas en reas de planificacin logstica.

4.2. Rendimiento

El

rendimiento de las metaheursticas, como el de los algoritmos heursticos, se mide en trminos de tres propiedades que, aunque son similares, tienen definiciones diferentes: la efectividad, la eficacia y la eficiencia. Aunque pueden argumentarse en base a caractersticas de la metaheurstica, tienen que validarse experimentalmente. Para validar la efectividad y eficacia los procedimientos deben afrontar con xito un banco de casos reales (o simulados prximos a los reales) de solucin conocidas. Sin embargo, la eficiencia se contrasta experimentalmente en el empleo de un tiempo computacional moderado para alcanzar xito. Para disponer de los casos reales o de caractersticas similares debe contarse con conocimiento sobre el campo de aplicacin. Por tanto, para calibrar el rendimiento en un sector empresarial de aplicacin es importante contar con la colaboracin de una variedad de empresas del sector. Frente a problemas grandes y casos complejos es cuando surgen las fortalezas y debilidades de los procedimientos. En cualquier caso, todas las metaheursticas pueden y deben mejorar su rendimiento incorporando conocimiento del problema, recursos computacionales e hibridizndose. Cabe resaltar que frecuentemente en los esfuerzos por mejorar el rendimiento los algoritmos se complican y se usan muchos parmetros. Esto, aunque mejore su eficiencia, enmascaran las razones de ello. En algunos casos la especializacin lleva a un ajuste fino de parmetros sobre algn conjunto de entrenamiento concreto que en ocasiones se puede realizar de forma automtica por el procedimiento aprovechando la experiencia obtenida con su propio funcionamiento.

4.3. Aplicabilidad

La

aplicabilidad de una metaheurstica se sustenta en su generalidad, adaptabilidad y robustez. La robustez se refleja en que el nmero de parmetros que hay que fijar en una aplicacin se mantiene bajo. La generalidad se refleja en la diversidad de los campos de aplicacin para los que se han utilizado con xito. La adaptabilidad permite que las conclusiones obtenidas al afrontar un conjunto de problemas particular puedan ser aprovechadas en otros contextos. En cualquier caso, la aplicabilidad de las metaheursticas tiene que ser contrastada experimentalmente analizando el rendimiento frente a variaciones en las caractersticas de los problemas. Para analizar estas caractersticas en las aplicaciones a la planificacin logstica hay que considerar variaciones, tanto en los distintos problemas a resolver para una misma empresa como para empresas de caractersticas diferentes.

4.4. Utilidad

Para favorecer la

utilidad de una metaheurstica en aplicaciones reales, incorporndola a un Sistema de Ayuda a la Decisin, es importante que se propicie un interface amigable. La interactividad de los sistemas basados en las metaheursticas favorece la colaboracin con otros campos que proporcionan conocimientos especficos de los problemas para mejorar el rendimiento de la metaheurstica. La posibilidad de ofrecer mltiples soluciones de alta calidad, realmente diferentes, entre las que los decisores puedan optar contribuye a diseminar su uso en ambientas de alta responsabilidad que no se contentan con una nica propuesta. La relativa autonoma de implementaciones de la metaheurstica permite ganarse la confianza de usuarios poco expertos en las metaheursticas o en los campos de aplicacin al comprobar como el sistema aporta soluciones de calidad sin necesidad de intervencin especializada. La popularidad que llegan a alcanzar algunas metaheursticas es un objetivo secundario cuyo efecto ha podido ser determinante en su desarrollo. Una caracterstica que contribuye a divulgar una metaheurstica es la novedad y originalidad de los principios que la inspiran y de los campos de repercusin social a los que se aplica. Algunos claros ejemplos de este hecho son la inspiracin en fenmenos naturales de los algoritmos genticos (y otras metaheursticas como los Sistemas de Hormigas o las Redes Neuronales), la aplicacin a la demostracin matemtica de la metaheurstica de entorno variable (VNS) o la aplicacin a la ingeniera gentica de las tcnicas FANS [1]. Sin embargo, en entornos cientficos, tecnolgicos, ingenieriles o empresariales el aspecto ms relevante es el xito asociado a la eficiencia y efectividad de los algoritmos derivados de la metaheurstica en la solucin de casos de gran tamao o aplicaciones reales y en su incorporacin a sistemas de apoyo a las decisiones con herramientas ampliamente disponibles.

5. CONCLUSIONES

Para la resolucin prctica de problemas reales de inters que surgen con mucha frecuencia
en la planificacin logstica, no resulta apropiado utilizar procedimientos diseados a propsito para cada modelo y dependientes de su estructura particular. Ante la necesidad de utilizar algoritmos heursticos, las metaheursticas proporcionan pautas y estrategias generales de diseo para obtener heursticas con un alto rendimiento. De esta forma se dispone de soluciones de alta calidad con un consumo de recursos razonable aprovechando la experiencia y funcionando de forma transparente. Este es uno de los principales motivos para que el impacto prctico de las metaheursticas est siendo inmenso en reas de la

industria y de los negocios. Las caractersticas de los problemas que surgen al planificar los aspectos logsticos de la actividad de muchas empresas, junto con la variedad de situaciones puntuales, propician que las metaheursticas constituyan elementos fundamentales para abordarlos de forma inteligente. Esta metodologa permitira crear herramientas inteligentes que ayuden a dar respuesta eficaz y eficiente a los problemas planteados diariamente.

6. REFERENCIAS [1] Blanco, A., Pelta, D.A., Verdegay, J.L. (2003) FANS: una Heurstica basada en [2] [3] [4] [5] [6] [7] [8] [9] [10]
[11]

[12] [13]

Conjuntos Difusos para problemas de Optimizacin. Inteligencia Artificial. Numero 19, Volumen 2. Pginas 103-122 Daskin, M.S, (1995) Network and Discrete Location, Wiley. Dowsland, K.A., Diaz, A.. (2003) Diseo de Heursticas y Fundamentos del Recocido Simulado, Inteligencia Artificial. Numero 19, Volumen 2, 2003. Pginas 93-102. Gendreau, M., Laporte, G., Potvin, J.-Y. (1997) Vehicle routing: modern heuristics, in: Aarts, E.H.L., Lenstra, J.K., (Eds.), Local search in combinatorial optimization, Wiley, Chichester, 1997, 311-336. Glover, F. (1986) Future Paths for Integer Programming and Links to Artificial Intelligence, Computers and Operations Research 13, 533-549. Glover, F. y Kochenberger, G.A. (2003), Handbook of Metaheuristics, Kluwer, Boston. Glover, F., Melin, B. (2003) Bsqueda Tab. Inteligencia Artificial. Numero 19, Volumen 2. Pginas 29-48 Hansen, P., Mladenovic, N., Moreno, J.A. (2003) Bsqueda de Entorno Variable, Inteligencia Artificial. Numero 19, Volumen 2, 2003. Pginas 77-92. Larraaga, P., Lozano, J.A., Mhlenbein, H. (2003) Algoritmos de Estimacin de Distribuciones en Problemas de Optimizacin Combinatoria. Inteligencia Artificial. Numero 19, Volumen 2. Pginas 149-168 Mart, R., Laguna, M. (2003) Scatter Search: Diseo Bsico y Estrategias avanzadas, Inteligencia Artificial. Numero 19, Volumen 2, 2003. Pginas 123-130 Mart, R., Moreno-Vega, J.M. (2003) Mtodos Multiarranque, Inteligencia Artificial. Numero 19, Volumen 2, 2003. Pginas 49-60. Melin, B., Moreno Perez, J.A., Marcos Moreno-Vega, J.M. (2003) Metaheuristicas: Una visin global. Inteligencia Artificial. Numero 19, Volumen 2, 2003. Pginas 7-28 Moreno Prez, J.A., Moreno Vega, J.M. (eds.) (2003) Monografa: Metaheursticas. Inteligencia Artificial. Numero 19, Volumen 2.

[14] Resende, M., Gonzlez Velarde, J.L. (2003) GRASP: Procedimientos de bsquedas
miopes aleatorizados y adaptativos. Inteligencia Artificial. Numero 19, Volumen 2. Pginas 61-76 [15] Russell, S., Norvig, P. (2003) Inteligencia Artificial: un enfoque moderno, Prentice Hall. [16] Simon, H.A. (1995). Artificial intelligence: an empirical science. Artificial Intelligence, 77(1), 95-127.