Salamanca, Gto. a 13 de diciembre de 2018.- Estudiantes de doctorado de la División de Ingenierías (DICIS) de la Universidad de Guanajuato (UG), recibieron al Dr. Iván Mauricio Amaya Contreras, de la Escuela de Ingeniería y Ciencias del Instituto Tecnológico de Estudios Superiores (ITESM) Campus Monterrey, quien dio a conocer su participación en recientes investigaciones en inteligencia computacional.

Estudiantes de doctorado del Laboratorio de Telemática, adscrito al Departamento de Electrónica de la DICIS, conocieron el trabajo del grupo de investigación con enfoque estratégico de grupos inteligentes, al cual pertenece el invitado, en el que estudiaron el mejoramiento de la selección de hiper-heurísicas a través de aspectos de transformaciones y cuyo trabajo de investigación fue publicado recientemente por sus autores en la IEEE Computational Intelligence Magazine.

A modo de contexto, las heurísticas son aplicables a cualquier ciencia e incluye la elaboración de medios auxiliares, principios, reglas, estrategias y programas que faciliten la búsqueda de vías de solución a problemas; o sea, para resolver tareas de cualquier tipo para las que no se cuente con un procedimiento algorítmico de solución.

Una hiper-heurística es un método de búsqueda que busca automatizar, a menudo mediante la incorporación de técnicas de aprendizaje automático, el proceso de seleccionar, combinar, generar o adaptar varias heurísticas más simples para resolver eficientemente problemas de búsqueda computacional. Una de las motivaciones para estudiarla es construir sistemas que puedan manejar clases de problemas en lugar de resolver un solo problema.

En su conferencia el Dr. Amaya refirió que las hiper-heurísticas son herramientas novedosas. Se tiene que lidiar con la optimización de problemas complejos donde soluciones únicas muestran un desempeño variado. Entre esas soluciones, reside la selección de las hiper-heurísticas. Combinando las fortalezas de cada solución, esta clase ofrece una herramienta más robusta. Sin embargo, su efectividad depende primordialmente de los aspectos usados para conectarlas con el problema que está siendo resuelto.

El objetivo de su trabajo fue realizar la selección de hiper-heurísticas proponiendo dos tipos de transformaciones, explícita e implícita. La primera, cambia directamente la distribución de puntos críticos dentro del aspecto de dominio, usando una distancia Euclideana para medir la proximidad. La segunda opera indirectamente, preservando la distribución de puntos críticos, pero cambiando la distancia métrica a través de una función de Kernel.

"Nosotros probamos nuestras ideas en el dominio de Restricción de Problemas de Satisfacción (Constraint Satisfaction Problems), debido a su popularidad y sus muchas aplicaciones prácticas. Nosotros encontramos que incorporando transformaciones dentro del modelo de selección de hiper-heurísticas, el desempeño en general puede ser mejorado y se pueden obtener mejores resultados", explicó.

Galería fotográfica