Los algoritmos de evolución diferencial están siendo muy utilizados para optimización continua. V F.
Las estructuras de las memorias en la búsqueda tabú operan solo en las dimensiones de calidad y frecuencia. V F.
El diseño de un algoritmo memético se realiza de forma sistemática. V F.
Una solución candidata a un problema puede verificar todas las restricciones. V F.
Los Sistemas de Hormigas se asemejan a las Búsquedas Multiarranque V F.
La exploración e intensificación se centran en la exploración de nuevos espacios de búsqueda no analizados hasta el momento. V F.
El algoritmo de la selección por ruleta de los algoritmos genéticos es un novedoso algoritmo con baja presión selectiva. V F.
En programación genética se emplea siempre para la construcción de los árboles una inicialización completa y/o creciente. V F.
En el modelo de optimización del agente baldwiniano el agente resultante del proceso se introduce en la población y reemplaza al agente sobre el que se inició el proceso o al más cercano. V F.
Las metaheurísticas se centran principalmente en el campo de la Inteligencia Computacional. V F.
La metaheurística de particle swarm optimization tiene características muy cercanas a la evolución diferencial. V F.
Las metaheurísticas basadas en computación evolutiva tienen como ventajas con respecto a otras técnicas: amplia aplicabilidad, alto coste en desarrollo y la posibilidad de ejecutar interactivamente, entre otras. V F.
La memoria a largo plazo de la búsqueda tabú solo permite intensificar la búsqueda después de un estancamiento. V F.
Una búsqueda local tiende hacia óptimos locales que pueden estar muy alejados del óptimo global. V F.
La matriz de feromonas de un sistema de hormigas recuerda a las estructuras de vecindad y memoria de la búsqueda tabú. V F.
Las metaheurísticas basadas en computación evolutiva no garantizan la obtención de la solución óptima en un tiempo finito. V F.
El operador de recombinación ternario del algoritmo JADE permite la obtención de nuevos individuos seleccionando, entre otros, a uno de los p mejores del momento anterior. V F.
La programación genética es una generalización de la evolución diferencial. V F.
Los sistemas de colonias de hormigas tienen buen comportamiento en problemas de tipo grafo dirigido, pero se encuentran con problemas cuando el grafo sufre cambios. V F.
El algoritmo de búsqueda tabú permite movimientos de empeoramiento. V F.
Un algoritmo de búsqueda del mejor y del primer mejor deben devolver, por regla general, distintos resultados aun ejecutándose con la misma semilla para un mismo problema. V F.
La mejor estrategia con respecto al uso de la memoria a largo plazo en un estancamiento en la búsqueda tabú es la oscilación estratégica. V F.
Una metaheurística híbrida mezcla técnicas que permitan obtener un buen equilibrio entre exploración y explotación. V F.
Los algoritmos evolutivos son las mejores técnicas de todas las vistas para resolver problemas combinatorios. V F.
El operador de recombinación ternario del algoritmo JADE permite la obtención de nuevo individuos seleccionando, entre otros, al mejor del momento anterior. V F.
Los sistemas de hormigas son métodos constructivos como la búsqueda tabú. V F.
La solución aportada por un método aproximado de búsqueda, son óptimas y en tiempo razonable, mediante la evaluación de soluciones candidatas. V F.
Los elementos que forman los métodos aproximados de búsqueda son la solución, entorno, campo de búsqueda y evaluación. V F.
Las Heurísticas son poco versátiles, por no adaptarse a múltiples problemas. V F.
La diversificación/ intensificación es un concepto que permite clasificar a las Metaheurísticas más conocidas. V F.
El Enfriamiento Simulado, si permite mejorar el problema de los óptimos locales mediante empeoramiento, pero la búsqueda Tabú no lo permite. V F.
La búsqueda por Poblaciones es más intensificativa que la búsqueda por trayectorias. V F.
La función objetivo permite describir los objetivos a conseguir, pero no las soluciones. V F.
En SA (Simulated Annealing A.K.A Enfriamiento Simulado), el criterio de aceptación de nuevos vecinos es inversamente proporcional a la diferencia de costes entre la solución actual y la nueva vecina. V F.
La Búsqueda Tabú al igual que el VNS, permite modificar estructuras de entorno. V F.
El Enfriamiento Simulado (SA), permite una mayor Intensificación al principio y una mayor diversificación al final del proceso. V F.
La tenencia Tabú permite definir el tiempo en el que una solución se mantiene Tabú activa, y es medida en número de iteraciones. V F.
La velocidad de enfriamiento del SA, se fijan con un método de aplicación de métodos constantes o de Boltzman. V F.
El SA es una técnica fácilmente aplicable a múltiples problemas tanto multi-objetivo como multidimensionales. V F.
La Búsqueda Tabú (TS), permite movimientos de empeoramiento, mediante generación de memorias a corto (Matriz de frecuencias) y largo plazo (lista tabú). V F.
Con las estrategias de Intensificación se permite reanudar el proceso de búsqueda desde la mejor solución e incluso borrar la memoria a corto plazo para empezar de 0 si es necesario. V F.
La TS es muy aplicada con éxito, pero es recomendable implementarla con una versión simple y después de forma automática se aplica diversificación y/o intensificación. V F.
En VNS se cambia sistemáticamente el entorno dentro de una búsqueda Local aumentándola sino avanza. V F.
Los métodos Multiarranque o de trayectorias permiten solucionar los problemas de óptimos locales y soluciones de baja calidad. V F.
Los modelos Multiarranque permiten métodos Constructivos(GRASP), Búsqueda Local Iterativa(ILS), y métodos Hibridos(Meméticos). V F.
El GRASP permite la aplicación de una solución inicial de calidad mediante Greedy Aleatorizado. V F.
La P-Metaheurísticas están basadas en: una memoria de búsqueda, una generación basada en evolución y/o en pizarra y una selección para crear una nueva población. V F.
La búsqueda Local en GRASP, no utiliza técnicas del Mejor Vecino, mediante la aplicación Búsqueda clásica, SA o TS. V F.
La ILS permite la aplicación repetida de Alg. De Blocal a una solución inicial obtenida por mutación de una solución óptima local encontrada con anterioridad. V F.
El VNS es un Alg. ILS con operador de mutación que cambia de Entorno, si la solución tras BL es peor que la Actual. V F.
Mientras ILS construye un camino en el conjunto de Soluciones optimales locales, el VNS cambia la estructura de entorno de la búsqueda. V F.
GRASP (Blocal desde diferentes Soluciones Iniciales), ILS (Blocal con misma Solución pero fuerte Mutación), VNS(Cambios sistemáticos de Ent. Vecindad en Blocal). V F.
El proceso de mejora iterativa de una población se ve aplicada en metaheurísticas como los algoritmos evolutivos y los algoritmos Scatter Search. V F.
Una búsqueda local es un proceso que, dada la solución actual en la que se encuentra el recorrido, selecciona iterativamente una solución de su entorno para continuar la
búsqueda. V F.
La búsqueda tabú permite movimientos de empeoramiento junto con mecanismos de reinicialización V F.
En la memoria a corto plazo de la búsqueda tabú cuando una solución es tabú pero cumple el nivel de aspiración es posible su aceptación como futura solución V F.
La temperatura es el parámetro fundamental del método para aceptar o rechazar movimientos de empeoramiento V F.
Para evaluar una metaheurística es necesario realizar un buen análisis cualitativo y cuantitativo de la misma V F.
La exploración y la explotación son conceptos antagónicos V F.
El informe en el análisis experimental es una pieza muy interesante tanto en la presentación de resultados como en el uso de técnicas de visualización V F.
La búsqueda del mejor no tiene porqué funcionar de forma más eficiente y/o eficaz que la búsqueda del primer mejor en un problema V F.
La principal diferencia entre las metaheurísticas de trayectorias y poblaciones es la capacidad de éstas últimas para evolucionar en la misma iteración un conjunto de
soluciones. V F.
Los elementos clave del proceso de búsqueda son:
a) solución
b) entorno
c) movimiento
d) evaluación V F.
El concepto de elitismo está muy vinculado a los enfoques estacionarios V F.
El esquema general de evolución de un algoritmo genético se puede enumerar de forma ordenada como: selección, cruce, mutación, reemplazamiento y evaluación. V F.
Mientras que una excesiva exploración nos conduciría a una búsqueda aleatoria, y difícil convergencia, una excesiva explotación nos podría llevar a rápida convergencia a óptimos locales. V F.
La principal diferencia entre un algoritmo genético generacional y un estacionario es que el primero evoluciona toda la población mientras que el segundo evoluciona solo unos cuantos individuos en el proceso evolutivo. V F.
El operador BLX-alfa es un operador de cruce de los algoritmos genéticos muy adecuado para las representaciones de valores reales, y su funcionamiento consiste en obtener la media aritmética de los valores de los padres para cada gen.
V F.
La clave de los algoritmos de evolución diferencial reside en el operador de recombinación ternario. V F.
El tamaño de la población de un algoritmo de programación genética tiene un valor inferior al de los algoritmos genéticos. V F.
La BL suele caer en óptimos locales V F.
La representación de una solución en un algoritmo genético es un componente del algoritmo. V F.
Solo a parte de las soluciones incluidas en el entorno de la solución actual, que viene delimitado por un operador de generación de soluciones, se denominan soluciones vecinas. V F.
La programación genética es una generalización de los algoritmos evolutivos V F.
Entre los elementos básicos de cualquier metaheurística se encuentran la representación de la solución, la reproducción de soluciones en el entorno, y la evaluación de la solución. V F.
La matriz de feromonas permanece sin cambios en la construcción de las soluciones en los sistemas de colonias de hormigas. V F.
Las metaheurísticas basadas en computación evolutiva siempre obtienen la solución óptima en un tiempo finito. V F.
La intensidad y frecuencia de un algoritmo memético deben estar equilibradas, baja frecuencia implica baja intensidad, y al contrario. V F.
Al igual que pasa con la temperatura del enfriamiento simulado, el valor de la tenencia tabú debe ser inicializado a un valor relacionado con el problema a resolver. V F.
|
