Los problemas de optimización combinatoria se encuentran a menudo en diversas aplicaciones del mundo real, incluida la logística, la programación y el diseño de redes. Estos problemas implican encontrar la mejor solución posible a partir de un conjunto finito de opciones discretas maximizando o minimizando una función objetivo sujeta a restricciones específicas. En tales problemas, el número de soluciones factibles aumenta exponencialmente con el tamaño del problema, lo que hace casi imposible encontrar soluciones óptimas. Para abordar estos problemas, se han desarrollado muchos algoritmos heurísticos y metaheurísticos para obtener soluciones aproximadas de manera eficiente.
Un estudio reciente propone un enfoque novedoso que mejora la estabilidad y la calidad de la solución de algoritmos de búsqueda caóticos para resolver problemas de optimización. Crédito de la imagen: Universidad de Ciencias de Tokio.
La búsqueda caótica (CS) se encuentra entre los algoritmos que utilizan dinámicas caóticas para buscar soluciones. La dinámica caótica sigue reglas precisas pero puede parecer impredecible debido a su extrema sensibilidad a cambios minúsculos en los parámetros iniciales. A diferencia de los métodos puramente estocásticos, CS genera trayectorias de búsqueda deterministas pero muy irregulares que pueden promover una exploración exhaustiva del espacio de soluciones. Este enfoque puede ayudar a que el proceso de búsqueda evite quedar atrapado en soluciones locales.
A pesar de su fuerte capacidad de exploración global, el rendimiento de los algoritmos CS es muy sensible a varios parámetros de control. Cuando los parámetros coinciden con las características de un problema, CS funciona bien, pero incluso una ligera discrepancia puede provocar un comportamiento inestable. Para mejorar la solidez, los investigadores han ampliado previamente el método CS con un enfoque de ajuste de parámetros (CST), introduciendo mecanismos de retroalimentación heurística. Sin embargo, en CST, todos los parámetros se actualizan uniformemente según las estadísticas globales, lo que limita la adaptabilidad y la estabilidad en problemas complejos.
Para superar estas limitaciones, un equipo de investigación dirigido por el profesor Tohru Ikeguchi de la Facultad de Ingeniería de la Universidad de Ciencias de Tokio (TUS), Japón, propuso un nuevo método de ajuste adaptativo basado en el aprendizaje que integra la CS con la optimización del enjambre de partículas (CSPSO). El equipo incluía al estudiante de doctorado de tercer año, el Sr. Fengkai Guo de TUS, el profesor asociado Takafumi Matsuura del Instituto Nippon de Tecnología y el profesor Takayuki Kimura de la Universidad de la ciudad de Tokio, Japón. Su estudio fue publicado en Teoría no lineal y sus aplicaciones, IEICE (NOLTA), el 01 de julio de 2026.
«En Particle Swarm Optimization (PSO), que se inspira en bandadas de pájaros y colonias de hormigas, un grupo de partículas, denominado «enjambre», se mueve colectivamente a través del espacio de búsqueda, convergiendo en regiones prometedoras mientras mantiene la diversidad». explica el profesor Ikeguchi. «Debido a su implementación relativamente simple y eficiencia computacional, PSO se ha aplicado a muchos problemas de optimización. En nuestro enfoque, PSO se utiliza para controlar dinámicamente los parámetros de la red neuronal caótica durante la búsqueda, mejorando la calidad y la solidez de la solución».
En el enfoque CSPSO propuesto, el ajuste de parámetros de CS se logra externamente utilizando PSO. Primero, se inicializa un enjambre de partículas, donde cada partícula representa un vector de parámetro candidato. Para cada partícula, se realiza CS y se evalúa la aptitud de cada partícula en función de la solución obtenida al final de la ejecución. A continuación, PSO actualiza cada partícula según los resultados de aptitud. Estos pasos se repiten hasta que se cumple una condición específica.
Esta interacción iterativa esencialmente forma un marco de optimización de dos capas donde la capa externa de PSO ajusta los parámetros de manera eficiente y adaptativa, regulando así la fuerza de la excitación caótica, mientras que la capa interna de CS mejora la solución usando los parámetros. Al adaptar continuamente los parámetros durante el proceso de búsqueda, el marco tiene como objetivo mantener una actividad caótica útil al tiempo que promueve una convergencia estable.
Los investigadores probaron el método CSPSO en problemas de generación de rutas de vehículos capacitados (CVRP), un problema fundamental de optimización logística en el que una flota de vehículos debe atender a clientes con demandas conocidas respetando al mismo tiempo los límites de capacidad de los vehículos. Los resultados mostraron que CSPSO logró consistentemente una mejor calidad de la solución y una mayor solidez en comparación con los métodos convencionales de CS y CST.
En particular, el algoritmo se mantuvo estable en una amplia gama de configuraciones de PSO. Aunque CSPSO requirió más tiempo de cálculo que CST, los investigadores señalan que no es fácil configurar los parámetros de redes neuronales caóticas en CS y CST convencionales para lograr una búsqueda eficiente. Además, dado el enorme costo computacional de buscar exhaustivamente el espacio de parámetros, CSPSO ofrece un medio práctico para mejorar el rendimiento de CS y CST.
Búsqueda caótica propuesta con optimización de búsqueda de partículas: el enfoque propuesto forma un marco de optimización de dos capas: la capa de optimización del enjambre de partículas externa maneja el ajuste de parámetros, mientras que la búsqueda caótica interna mejora la solución utilizando los parámetros ajustados. Crédito de la imagen: Profesor Tohru Ikeguchi de la Universidad de Ciencias de Tokio, Japón/CC-BY-NC-ND 4.0
«En CSPSO, el aprendizaje basado en enjambre absorbe la carga de ajuste de parámetros, lo que reduce la necesidad de una calibración manual cuidadosa». comenta el profesor Ikeguchi. «Proporciona una técnica de mejora eficaz para la informática, haciéndola más flexible y adaptable a diferentes escenarios, incluida la programación de turnos, la planificación de la producción en fábrica y las redes de tecnología de la información».
Este enfoque podría mejorar la eficiencia y solidez de los métodos de optimización utilizados en aplicaciones como logística, transporte y programación.
Fuente: Universidad de Ciencias de Tokio
