1

1. INTRODUCCION

El incremento de la tecnologa computacional a travs de los aos, ha dado lugar al

crecimiento de una de las ramas ms importantes de esta ciencia, que es la
inteligencia artificial.

La inteligencia artificial (IA) es un rea multidisciplinaria, que a travs de ciencias

como las ciencias de la computacin, la matemtica, la lgica y la filosofa, estudia la
creacin y diseo de sistemas capaces de resolver problemas cotidianos por s
mismos, utilizando como paradigma la inteligencia humana.

El concepto de Inteligencia Artificial se le debe al informtico estadounidense John

McCarthy, quien en el ao 1956 lo pronunci por primera vez en una conferencia
causando un gran impacto en el mbito de la tecnologa.

El principal objetivo que persigue la inteligencia artificial es la bsqueda de

soluciones ptimas a problemas de alta complejidad, hoy en da la inteligencia
artificial logra resolver problemas en reas de carcter social, econmicas,
financieras, control de procesos entre otras. A pesar de los obstculos que tuvo que
pasar la inteligencia artificial a lo largo de todos sus aos de desarrollo ha logrado
generar algoritmos como bsqueda tab, algoritmos genticos, recorrido simulado,
lgica difusa, redes neuronales, algoritmos de enjambre entre otros, que son
capaces de ayudar en los problemas bsicos como en problemas de alta
complejidad.

Es por lo siguiente que el Enfriamiento simulado (recorrido simulado), es el tema de

este trabajo por lo cual se explicaran el principio de funcionamiento y la lgica de la
misma para la solucin de problemas en los cuales este sea aplicado.

2. OBJETIVO DE LA INVESTIGACIN

Evaluar los conceptos y lgica del Enfriamiento Simulado, para comprender las
aplicaciones de este algoritmo dentro de la tecnologa y la resolucin de problemas.

3. DESARROLLO

A continuacin, se procede a explicar algunos trminos y conceptos que son

importantes para poder lograr entender el funcionamiento del Enfriamiento Simulado
y sus distintas aplicaciones en el rea de tecnologa y resolucin de problemas.

CONCEPTOS

3.1.

GENERALES

DEL

ENFRIEMIENTO

SIMULADO

Para lograr desarrollar el tema con xito ser necesario el empleo de algunos
conceptos de la inteligencia artificial por lo cual se dar una descripcin de los ms
empleados.

3.1.1. ENFRIAMIENTO SIMULADO

Los algoritmos SAN son algoritmos iterativos, que parten de una solucin inicial x0, y
en cada iteracin se salta de una solucin al problema a otra. Dada una solucin
actual x, se elige aleatoriamente una solucin vecina v. Si el coste de la solucin

vecina mejora el coste de la solucin actual (c(v) < c(x)), se adopta la nueva solucin
vecina como solucin actual. En caso contrario, todava es posible aceptar la nueva
solucin vecina (aunque sea de coste peor), y esto se hace con una probabilidad P
dada por:

Donde T es una variable global del sistema llamada temperatura del sistema,
cumplindose que: Cuando la temperatura es un valor alto, la probabilidad P de
aceptar una solucin que empeore la actual es alta. Por ejemplo, si T es p.e. 100
veces la cantidad c(v) c(x) en que se empeora el coste, entonces la probabilidad es
P 0,99. 1 Cuando la temperatura es un valor bajo, la probabilidad de aceptar una
solucin que empeore la solucin actual es muy pequea. Por ejemplo, si T es p.e.
10 veces inferior a c(v)c(x), entonces la probabilidad de aceptar la solucin es P
0,000045

El mtodo fue descrito independientemente por Scott Kirkpatrick, C. Daniel Gelatt y

Mario P. Vecchi en 1983, y por Vlado ern en 1985. El mtodo es una adaptacin
del algoritmo Metropolis-Hastings, un mtodo de Montecarlo utilizado para generar
muestras de estados de un sistema termodinmico.

3.1.2. ITERACIN BSICA

En cada iteracin, el mtodo de recocido simulado evala algunos vecinos del estado
actual s y probabilsticamente decide entre efectuar una transicin a un nuevo
estado s' o quedarse en el estado s. En el ejemplo de recocido de metales descrito
arriba, el estado s se podra definir en funcin de la posicin de todos los tomos del

material en el momento actual; el desplazamiento de un tomo se considerara como

un estado vecino del primero en este ejemplo. Tpicamente la comparacin entre
estados vecinos se repite hasta que se encuentre un estado ptimo que minimice la
energa del sistema o hasta que se cumpla cierto tiempo computacional u otras
condiciones.

3.1.3. VECINDARIO DE UN ESTADO

El vecindario de un estado s est compuesto por todos los estados a los que se
pueda llegar a partir de s mediante un cambio en la conformacin del sistema. Los
estados vecinos son generados mediante mtodos de Montecarlo.
El mtodo de evaluacin de estados vecinos es fundamental para encontrar una
solucin ptima global al problema dado. Los algoritmos heursticos, basados en
buscar siempre un estado vecino mejor (con energa ms baja) que el actual se
detienen en el momento que encuentran un mnimo local de energa. El problema
con este mtodo es que no puede asegurar que la solucin encontrada sea un
ptimo global, pues el espacio de bsqueda explorado no abarca todas las posibles
variaciones del sistema.

3.1.4. PROBABILIDAD DE TRANSICIN

La probabilidad de hacer la transicin al nuevo estado s es una funcin P( E, T) de

la diferencia de energa E=E(s')-E(s) entre los dos estados, y de la variable T,
llamada temperatura por analoga con el concepto fsico de temperatura.
Si E es negativo, es decir, la transicin disminuye la energa, el movimiento es
aceptado con probabilidad P=1. Es importante remarcar que la condicin de que el
sistema siempre pase a un sistema de menor energa cuando se encuentra una no
es en absoluto necesaria para el xito del mtodo. Cuando E es positivo la

probabilidad de transicin P es siempre distinta de cero, an, es decir, el sistema

puede pasar a un estado de mayor energa (peor solucin) que el estado actual. Esta
propiedad impide que el sistema se quede atrapado en un ptimo local.
A medida que la temperatura tiende al mnimo, la probabilidad de transicin a un
estado de mayor energa tiende a cero asintticamente. Cuando T llega a cero, el
algoritmo solo aceptar cambios a estados con menor energa. Debido a esta
propiedad, la temperatura juega un papel muy importante en el control de la
evolucin del sistema. A temperaturas altas, el sistema tender a saltos de energa
grandes entre los estados, mientras que a temperaturas ms bajas, los cambios en
energa sern menores.
As, en cada iteracin el algoritmo tiende a encontrar estados con menor energa
total. Hay muchas maneras de disminuir la temperatura, siendo la ms usual
la exponencial, donde T disminuye por un factor <1 en cada paso.

3.1.5. PROTOCOLO DE RECOCIDO

Como el nombre del algoritmo sugiere, la variacin de la temperatura durante la

computacin es una caracterstica distintiva de este mtodo. El algoritmo comienza
con un valor de T muy alto, que va decreciendo en cada iteracin siguiendo un
cierto protocolo de recocido, que puede ser diferente para cada problema, pero que
siempre debe terminar con T=0. As el sistema ser libre inicialmente de explorar una
gran porcin del espacio de bsqueda, ignorando pequeas variaciones de la
energa entre los estados vecinos evaluados, para ms tarde centrarse en regiones
con estados de baja energa y, al final, cambiar solo a estados con energa menor
que la inicial, hasta alcanzar un mnimo.

Ejemplo ilustrando la importancia del protocolo de enfriamiento: El problema consiste

en disponer los pxeles en la imagen de tal manera que se minimice una funcin
de energa potencial que causa que los colores similares se atraigan a distancias
cortas y se repelan a distancias largas. En cada iteracin se intercambian las
posiciones de dos pxeles adyacentes. La imagen de la izquierda es obtenida con un
protocolo de enfriado rpido, en el que la temperatura desciende rpidamente, y la
de la derecha, con un protocolo lento, equiparables a los procesos de formacin de
slidos amorfos y cristalinos respectivamente.

La probabilidad de que el algoritmo acabe encontrando el mnimo global para un

problema dado se aproxima a 1 a medida que el protocolo de recocido se extiende.

3.1.6. HEURISTICA

Heurstica es un concepto que viene desde la Grecia clsica, originado de la

palabra griega heuriskein cuyo significado es encontrar o descubrir; segn la historia
se deriva de eureka, famosa exclamacin atribuida a Arqumedes.

La heurstica se orienta al estudio del descubrimiento y la invencin, (debidos a la

reflexin y no al azar). En consecuencia, todos los factores y elementos no
racionales que puedan jugar un papel en la invencin y el descubrimiento deben

quedar por fuera de la heurstica. De esta forma podemos relacionar la heurstica con
la tarea de resolver problemas inteligentemente utilizando la informacin disponible
(Suarez, 2011)

Podemos usar mtodos heursticos cuando en un problema de optimizacin,

determinstico o no, se encuentren algunas de las siguientes caractersticas (Melian
& Perez, 2003):

a) El problema es de una naturaleza tal que no se conoce ningn mtodo exacto

para su resolucin.
b) Aunque exista un mtodo exacto para resolver el problema, su uso es
computacionalmente muy costoso o inviable.
c) El mtodo heurstico es ms flexible que un mtodo exacto, permitiendo, por
ejemplo, la incorporacin de condiciones de difcil modelizacin.
d) El modelo matemtico es demasiado grande, demasiado NO lineal o
demasiado complejo desde el punto de vista lgico.
e) El asumir suposiciones o aproximaciones para simplificar el problema, tiende a
destruir estructuras del modelo que son vitales en el contexto del mundo real,
haciendo la solucin no viable
f) El mtodo heurstico se utiliza como parte de un procedimiento global que
garantiza el ptimo de un problema.
3.1.7. METAHEURISTICA

Los profesores Osman y Kelly (1995) introdujeron la siguiente definicin:

Los procedimientos Metaheursticos son una clase de mtodos aproximados que

estn diseados para resolver problemas de difcil optimizacin combinatoria, en los
que los heursticos clsicos no son efectivos.

En la bsqueda de mejores soluciones y de mayor calidad, la investigacin en este

campo en los ltimos veinticinco aos, ha centrado su atencin en el diseo de
tcnicas de propsito general para orientar la construccin de soluciones en las
distintas heursticas. Estas tcnicas se llaman comnmente meta heursticas y son
estrategias para disear y/o mejorar los procedimientos heursticos orientados a
obtener un alto rendimiento (Suarez, 2011).

Conociendo las definiciones bsicas de heurstica y metaheurstica se podr

determinar la principal diferencia entre estas, como ser:

Los mtodos metaheursticos pueden ser una mezcla de varios mtodos

heursticos de distintas reas.

La metaheurstica busca soluciones ptimas a problemas definidos.
La metaheurstica debe buscar el mejor aprovechamiento de los recursos.

4. CONCLUSIONES Y RECOMENDACIONES

En el campo de la inteligencia artificial existen varios mtodos para la resolucin de

problemas, muchos de estos basado en formas biolgicas y como estas se
desenvuelven con el medio.

Es por lo anterior que fue posible la breve explicacin y entendimiento de esta

tcnica de bsqueda de solucin ms ptima segn el peso que implica esta solucin
(esfuerzo, valor, etc), a medida que se van buscando posibles soluciones al problema
general, y finalmente llegando a la solucin global para el problema.

Se recomienda realizar un poco ms de bsquedas en profundidad para este tipo de

tema ya que la solucin que plantea esta lgica puede ser aplicado en varias
situaciones, encontrando la solucin con menor recursos necesarios para lograr ese
objetivo.

BIBLIOGRAFIA
Andaluz, A. M. (2001). Algoritmos evolutivos y algoritmos geneticos. Madrid:
Universidad Carlos III de Madrid.
Araujo Hernandez, A., Mendez, A., & Moreno, T. (2013). Inteligencia de enjambre:
colonias de abejas artificiales. Merida, Venezuela: Universidad de los Andes.
Avadi, J. (2014). Cibernetica e inteligencia artificial. Universidad de Guayaquil.
Cardenas Montes, M., & Gomez Iglesias, A. (15 - 19 de Octubre de 2011). Centro de
Investigaciones Energeticas Medioambientales y Tecnologicas . Recuperado
el
07
de
02
de
2016,
de
CIEMAT:
http://wwwae.ciemat.es/~cardenas/docs/curso_AE/Hormigas_Abejas.pdf
Garca Nieto, J. M. (2007). Algoritmos Basados en Inteligencia Colectiva. Malaga:
Universidad de Malaga.
Melian, B., & Perez, J. (2003). Metaheuristica: una vision global. Revista
Iberoamericana de inteligencia artificial.
Mezura, E., Otina, O., & Hernandez, B. (2010). Nuevas heuristicas inspiradas en la
naturaleza para optimizacion numerica. Mecatronica, 249-272.
Muoz, M. A., Lopez, J. L., & Eduardo, C. (2008). Inteligencia de enjambres:
sociedades para la solucin de problemas. Ingenieria e investigacin, 119-130.
Ozcan, E., & Mohan, C. K. (1999). Particle swarm optimization. Memorias del IEEE
Congress on Evolutionary Computation.
Saquicela, V. G. (2012). Introduccin a la inteligencia artificial. Universidad de
Cuenca, facultad de ingenieria.
Suarez, O. d. (2011). Una aproximacion a la heuristica y metaheuristica. Universidad
Antonio Nario.

10