option
Cuestiones
ayuda
daypo
buscar.php

meta UJA recopilación

COMENTARIOS ESTADÍSTICAS RÉCORDS
REALIZAR TEST
Título del Test:
meta UJA recopilación

Descripción:
Preguntas tipo test

Fecha de Creación: 2021/01/14

Categoría: Otros

Número Preguntas: 79

Valoración:(3)
COMPARTE EL TEST
Nuevo ComentarioNuevo Comentario
Comentarios
NO HAY REGISTROS
Temario:

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.

Denunciar Test
Chistes IA