Metaheurísticas

Una búsqueda con arranque múltiple es un algoritmo de búsqueda local que no necesita generar soluciones iniciales. Verdadero. Falso.

En la búsqueda multiarranque, cada iteración consta de la generación de una solución inicial y la aplicación de una búsqueda local. Verdadero. Falso.

El objetivo de aplicar la búsqueda local en un punto inicial S es obtener una solución optimizada S’. Verdadero. Falso.

Los pasos de generación de soluciones iniciales y búsqueda local se realizan una única vez en los algoritmos de arranque múltiple. Verdadero. Falso.

Una búsqueda con arranque múltiple es un ejemplo de búsqueda global, ya que explora varias regiones del espacio de soluciones. Verdadero. Falso.

En la búsqueda multiarranque, la generación de la solución inicial siempre garantiza que se encontrará la mejor solución global. Verdadero. Falso.

El algoritmo de búsqueda multiarranque devuelve como salida la primera solución optimizada que encuentra. Verdadero. Falso.

En la búsqueda multiarranque básica, las soluciones iniciales se generan de forma aleatoria. Verdadero. Falso.

El algoritmo multiarranque asegura encontrar la solución global óptima de manera determinista. Verdadero. Falso.

El criterio de selección de la solución final en la búsqueda multiarranque se basa en el mejor valor de la función objetivo obtenido entre todas las iteraciones. Verdadero. Falso.

Generar soluciones iniciales de manera aleatoria permite explorar distintas regiones del espacio de soluciones. Verdadero. Falso.

Una variante básica de la búsqueda multiarranque utiliza soluciones iniciales cuidadosamente diseñadas en lugar de aleatorias. Verdadero. Falso.

La variable Mejor_Solución se inicializa con la primera solución generada antes de comenzar el ciclo. Verdadero. Falso.

Dentro del bucle, Sact se actualiza con una nueva solución generada después de aplicar la búsqueda local. Verdadero. Falso.

El algoritmo devuelve siempre la última solución generada por la búsqueda local, independientemente de su valor. Verdadero. Falso.

El pseudocódigo utiliza un criterio de parada para finalizar la repetición del ciclo. Verdadero. Falso.

Si la solución optimizada S’ es peor que Mejor_Solución, Mejor_Solución se actualiza igual. Verdadero. Falso.

El pseudocódigo garantiza que todas las regiones del espacio de soluciones serán exploradas. Verdadero. Falso.

El algoritmo puede ser considerado un método iterativo que combina búsqueda global y local. Verdadero. Falso.

En algunos casos, la Etapa 1 de la búsqueda multiarranque se limita únicamente a la generación aleatoria de soluciones. Verdadero. Falso.

Siempre se emplean métodos sofisticados de construcción para generar soluciones iniciales en la Etapa 1. Verdadero. Falso.

El uso de métodos de construcción sofisticados permite generar soluciones iniciales de mayor calidad al considerar las características del problema. Verdadero. Falso.

La Etapa 1 determina la calidad de las soluciones finales de manera absoluta. Verdadero. Falso.

En la práctica, se puede combinar generación aleatoria con métodos heurísticos para obtener soluciones iniciales. Verdadero. Falso.

En la Etapa 2, siempre se utiliza una búsqueda local básica sin posibilidad de otros métodos. Verdadero. Falso.

Los procedimientos de búsqueda basados en trayectorias más sofisticados permiten explorar el espacio de soluciones de manera más estructurada que una búsqueda local básica. Verdadero. Falso.

La Etapa 2 tiene como objetivo optimizar la solución generada en la Etapa 1. Verdadero. Falso.

Utilizar procedimientos sofisticados en la Etapa 2 garantiza encontrar la solución global óptima. Verdadero. Falso.

Se pueden combinar métodos básicos y sofisticados en la Etapa 2 dependiendo de la aplicación y los recursos disponibles. Verdadero. Falso.

Un criterio de parada simple puede ser finalizar la búsqueda después de un número fijo de iteraciones. Verdadero. Falso.

Los criterios de parada pueden ser más sofisticados y basarse en el análisis de la evolución de la búsqueda. Verdadero. Falso.

En la literatura especializada, es común fijar un número máximo de iteraciones de la búsqueda local como criterio de parada. Verdadero. Falso.

El criterio de parada siempre debe garantizar que se encontrará la solución óptima global. Verdadero. Falso.

Se pueden combinar varios criterios de parada en un mismo algoritmo de búsqueda multiarranque. Verdadero. Falso.

El algoritmo multiarranque básico genera sus soluciones iniciales de manera aleatoria dentro de la región factible. Verdadero. Falso.

La etapa de búsqueda del algoritmo multiarranque básico se realiza mediante procedimientos de búsqueda local. Verdadero. Falso.

El algoritmo multiarranque básico garantiza encontrar la mejor solución global del problema. Verdadero. Falso.

El algoritmo básico puede ser considerado un enfoque híbrido que combina búsqueda global y local. Verdadero. Falso.

En la versión básica, se emplean métodos sofisticados de construcción de soluciones iniciales que aprovechan características del problema. Verdadero. Falso.

El algoritmo multiarranque básico converge al óptimo global con probabilidad 1 cuando el número de puntos generados tiende a infinito. Verdadero. Falso.

El procedimiento es siempre eficiente, incluso cuando se generan muchos puntos cercanos entre sí. Verdadero. Falso.

Generar múltiples soluciones iniciales cercanas entre sí no aporta diversidad a la búsqueda. Verdadero. Falso.

El problema de ineficiencia del algoritmo básico puede mitigarse con técnicas que eviten generar soluciones demasiado próximas. Verdadero. Falso.

Aunque es ineficiente, el algoritmo básico siempre encuentra el óptimo global en pocas iteraciones. Verdadero. Falso.

Existen múltiples propuestas que se pueden considerar técnicas de búsqueda multiarranque. Verdadero. Falso.

GRASP y los métodos constructivos se enfocan en la generación de soluciones iniciales. Verdadero. Falso.

ILS y VNS son técnicas iterativas que buscan mejorar la solución ya encontrada. Verdadero. Falso.

Los algoritmos meméticos y la búsqueda dispersa combinan exploración y explotación, funcionando como hibridaciones. Verdadero. Falso.

Todas las técnicas multiarranque se basan únicamente en generar soluciones aleatorias sin usar heurísticas. Verdadero. Falso.

La clasificación de modelos multiarranque incluye tres categorías principales: constructivos, iterativos y de hibridación. Verdadero. Falso.

GRASP es un algoritmo que puede considerarse un método multiarranque. Verdadero. Falso.

En GRASP, cada iteración consiste en construir una solución greedy aleatorizada y luego mejorarla mediante búsqueda local. Verdadero. Falso.

La construcción de la solución en GRASP es completamente determinista y no involucra aleatoriedad. Verdadero. Falso.

La búsqueda local en GRASP siempre se aplica sobre la solución inicial generada por la fase greedy aleatorizada. Verdadero. Falso.

GRASP no utiliza la información del problema para construir soluciones iniciales. Verdadero. Falso.

GRASP repite su procedimiento varias veces durante la ejecución del algoritmo. Verdadero. Falso.

Al final, GRASP devuelve como resultado la última solución encontrada en la última iteración. Verdadero. Falso.

El procedimiento de cada iteración de GRASP combina dos fases: construcción greedy aleatorizada adaptativa y búsqueda local. Verdadero. Falso.

El enfoque iterativo de GRASP permite que cada iteración explore una región diferente del espacio de soluciones. Verdadero. Falso.

En GRASP, no es necesario comparar las soluciones de cada iteración, ya que todas son igualmente válidas. Verdadero. Falso.

GRASP repite su procedimiento mientras no se cumpla un criterio de parada. Verdadero. Falso.

En cada iteración, se construye una solución inicial mediante un procedimiento greedy aleatorizado. Verdadero. Falso.

Después de construir la solución inicial, se aplica una búsqueda local sobre S para obtener S’. Verdadero. Falso.

No es necesario actualizar la mejor solución encontrada; el algoritmo devuelve automáticamente la última solución generada. Verdadero. Falso.

El pseudocódigo de GRASP finaliza devolviendo la mejor solución encontrada tras todas las iteraciones. Verdadero. Falso.

En GRASP, la construcción de la solución utiliza una lista restringida de candidatos (LRC). Verdadero. Falso.

La selección de elementos de la LRC en GRASP es completamente determinista. Verdadero. Falso.

La función de selección en GRASP se adapta dinámicamente durante la construcción de la solución. Verdadero. Falso.

En la fase de búsqueda local de GRASP, solo se puede usar un método sencillo; no se permiten búsquedas más sofisticadas. Verdadero. Falso.

El uso de LRC en la construcción greedy aleatorizada ayuda a mejorar la eficacia de la búsqueda local al aportar diversidad. Verdadero. Falso.

La ILS se basa en la aplicación repetida de un algoritmo de búsqueda local. Verdadero. Falso.

La solución inicial de cada iteración de ILS se obtiene por mutación de un óptimo local previamente encontrado. Verdadero. Falso.

Los componentes principales de ILS incluyen solución inicial aleatoria, mutación, búsqueda local y criterio de parada. Verdadero. Falso.

ILS no utiliza mutaciones; cada búsqueda local se inicia siempre desde la misma solución inicial. Verdadero. Falso.

El criterio de parada en ILS puede basarse en número de iteraciones, tiempo máximo o ausencia de mejoras. Verdadero. Falso.

En ILS, se genera una solución inicial aleatoria antes de aplicar la búsqueda local. Verdadero. Falso.

La primera búsqueda local se aplica sobre la solución inicial generada. Verdadero. Falso.

En cada iteración, ILS genera una nueva solución mediante modificación o mutación de la solución actual. Verdadero. Falso.

La aceptación de la solución generada en cada iteración no depende de criterios; siempre se reemplaza la solución actual. Verdadero. Falso.

El algoritmo ILS actualiza continuamente la mejor solución encontrada durante todas las iteraciones. Verdadero. Falso.

El procedimiento de ILS no requiere condiciones de terminación; se ejecuta indefinidamente. Verdadero. Falso.

En ILS, una perturbación de la solución puede ser más efectiva que generar una nueva solución aleatoria. Verdadero. Falso.

El método de perturbación debe ser sesgado, controlado y equilibrado. Verdadero. Falso.

Si la perturbación es demasiado pequeña, puede generar ciclos en la búsqueda sin ganancia. Verdadero. Falso.

Si la perturbación es demasiado grande, puede eliminar información valiosa de la búsqueda local. Verdadero. Falso.

Cuanto más efectiva sea la búsqueda local (BL), menor debe ser la perturbación. Verdadero. Falso.

Las perturbaciones en ILS pueden ser de tamaño fijo o variable, y aleatorias o semideterminísticas. Verdadero. Falso.

VNS es una metaheurística para resolver problemas de optimización. Verdadero. Falso.

La idea básica de VNS es cambiar sistemáticamente el entorno dentro de una búsqueda local. Verdadero. Falso.

En VNS, el tamaño del entorno se mantiene siempre constante durante la búsqueda. Verdadero. Falso.

VNS no requiere aplicar búsqueda local, solo cambia el entorno de forma sistemática. Verdadero. Falso.

El enfoque de VNS permite escapar de óptimos locales aumentando el tamaño del entorno. Verdadero. Falso.

Un mínimo local con una estructura de entornos no necesariamente es un mínimo local en otra estructura de entornos. Verdadero. Falso.

Un mínimo global es mínimo local con todas las posibles estructuras de entornos. Verdadero. Falso.

Para muchos problemas, los mínimos locales con la misma o distinta estructura de entorno están relativamente alejados entre sí. Verdadero. Falso.

VNS aprovecha la proximidad de los mínimos locales para moverse sistemáticamente entre diferentes entornos y mejorar soluciones. Verdadero. Falso.

Los principios de VNS sugieren que cambiar la estructura de la vecindad no aporta información útil sobre la calidad de los mínimos locales. Verdadero. Falso.

En VNS, se genera una solución inicial antes de iniciar el ciclo de búsqueda basada en entornos variables. Verdadero. Falso.

VNS utiliza un índice k que representa el entorno actual y se incrementa sistemáticamente hasta un valor máximo kmax. Verdadero. Falso.

En cada iteración, se aplica una mutación dentro del entorno Ek sobre la solución actual. Verdadero. Falso.

Después de mutar, se aplica una búsqueda local sobre la solución generada. Verdadero. Falso.

Si la solución obtenida de la búsqueda local no es mejor que la actual, k se reinicia a 1. Verdadero. Falso.

Al finalizar el procedimiento, VNS devuelve la mejor solución encontrada durante la exploración de entornos. Verdadero. Falso.

En VNS, es posible seleccionar diferentes heurísticas para aplicar en cada iteración de la búsqueda local. Verdadero. Falso.

Una opción para variar la estructura del vecindario es cambiar los parámetros de los métodos existentes en cada iteración. Verdadero. Falso.

Otra estrategia consiste en utilizar movimientos de diferente tamaño k para generar vecindarios que crecen según el valor de k. Verdadero. Falso.

No es posible combinar cambios de parámetros y movimientos de tamaño variable; solo se puede usar una estrategia a la vez. Verdadero. Falso.

La selección adecuada de estructuras de vecindario ayuda a que VNS evite estancarse en mínimos locales. Verdadero. Falso.

La principal diferencia entre ILS y VNS radica en la filosofía subyacente de cada metaheurística. Verdadero. Falso.

ILS tiene como objetivo explícito construir un camino dentro del conjunto de soluciones óptimas locales. Verdadero. Falso.

VNS se basa en la idea de cambiar sistemáticamente de entorno durante la búsqueda. Verdadero. Falso.

ILS y VNS siguen exactamente la misma estrategia de búsqueda y no presentan diferencias conceptuales. Verdadero. Falso.

VNS no considera la estructura de vecindarios ni el cambio sistemático entre entornos durante la búsqueda. Verdadero. Falso.

La búsqueda multiarranque siempre genera soluciones iniciales de alta calidad sin necesidad de búsqueda local. Verdadero. Falso.

En el algoritmo multiarranque básico, aumentar el número de soluciones iniciales generadas incrementa la probabilidad de encontrar el óptimo global. Verdadero. Falso.

GRASP combina aleatoriedad en la construcción de la solución con búsqueda local adaptativa, lo que lo convierte en un método híbrido. Verdadero. Falso.

ILS siempre reemplaza la solución actual con la nueva mutada, independientemente de si es mejor o peor. Verdadero. Falso.

En VNS, los mínimos locales pueden no ser mínimos locales en otras estructuras de vecindario, lo que justifica la exploración de diferentes entornos. Verdadero. Falso.

La selección de estructuras de vecindario en VNS no influye en la eficacia de la búsqueda, ya que todos los entornos generan resultados equivalentes. Verdadero. Falso.

La diferencia filosófica entre ILS y VNS permite elegir uno u otro según el problema: ILS es más adecuado cuando se quiere explorar caminos de óptimos locales, y VNS cuando se desea variar sistemáticamente el entorno. Verdadero. Falso.