Automejora de los métodos de resolución y evolución de algoritmos

Los algoritmos evolutivos tienen un supuesto por defecto que se pasa fácilmente por alto:lo que evoluciona son las soluciones candidatas, mientras que el método que las genera permanece inalterado. Es decir,los algoritmos evolutivos tradicionales suelen mantener fijo el método de búsqueda y solo dejan que las soluciones candidatas cambien a lo largo de las iteraciones—en toda la búsqueda lo que “se mueve” son las soluciones, y lo que “no se mueve” son las reglas. Esta página presenta precisamente una perspectiva distinta a ese supuesto: hacer que el propio método de resolución entre también en el proceso de búsqueda y mejora.

Paradigma por defecto: el método queda bloqueado, las soluciones evolucionan

En el enfoque tradicional, el modo de cruce, la estrategia de mutación y los hiperparámetros suelen fijarse de una vez antes de la ejecución, y ya no se modifican durante toda la búsqueda. Determinan directamente el mecanismo de generación de las soluciones candidatas y también influyen notablemente en el resultado de la resolución: tanto si la tarea va bien como si va mal, el método se queda donde está.

Capa de soluciónen movimiento: solución candidata → evaluación → selección → herencia, iteración tras iteración.
Capa de métodoinmóvil: la estrategia de mutación, el modo de cruce y los hiperparámetros se predefinen y se bloquean.
Consecuencia: si solo se recurre a la configuración previa y al ajuste manual de parámetros, el método de resolución en sí no evoluciona de forma continua con la retroalimentación de la tarea; la mejora depende sobre todo de la experiencia humana y del ajuste manual, y la velocidad de ajuste suele no ir al ritmo de los cambios de la tarea.

Evolución de algoritmos: convertir también el método en un objeto de búsqueda

La evolución de algoritmos consiste en: dejar de tratar el modo de cruce, la estrategia de mutación y los hiperparámetros como una configuración fija, y tomarlos como objetos que pueden sercandidatos, evaluados y reemplazadosjunto con las soluciones candidatas, sometidos a la prueba del rendimiento de resolución; es decir, hacer que el propio algoritmo de resolución entre en el proceso de búsqueda y mejora, de modo que el “método” sea también un objeto evolucionable. Así, además de la iteración original de la capa de solución, aparece un segundo bucle de retroalimentación: no solo mejoran las soluciones, también mejora el método.

Los dos bucles pueden resumirse con una secuencia sencilla de flechas:Elementos del método → Generar soluciones candidatas → Evaluación del rendimiento de resolución → Conservar o reemplazar → Actualización del método; al mismo tiempo, dentro de las soluciones candidatas sigue ejecutándose la iteración habitual de “Generar → Evaluar → Seleccionar → Heredar”. El primero cambia “cómo buscar”, el segundo cambia “qué se ha encontrado”.

Giro clave

Pasar de “usar un algoritmo fijo para encontrar mejores soluciones” a “hacer que el algoritmo se mejore a sí mismo durante el proceso de resolución”. Para juzgar si un sistema realmente hace evolución de algoritmos, hay que ver si los elementos del método se han incorporado a la búsqueda y si es el rendimiento de resolución el que decide su permanencia, en lugar de fijarlos de una vez por una persona.

Comparación entre el algoritmo fijo y la autoevolución del algoritmo

A la izquierda se ilustra el paradigma tradicional: el modo de cruce, la estrategia de mutación y los hiperparámetros se bloquean antes de la ejecución; solo las soluciones iteran mediante generación, evaluación, selección y herencia, mientras el método en sí no cambia. A la derecha aparece un segundo bucle de retroalimentación que hace que estos elementos del método también se busquen, evalúen y reemplacen, y que el rendimiento de resolución decida su permanencia; es decir, el algoritmo se mejora a sí mismo durante el proceso de resolución.

Pregunta 1

¿Cuál es el paradigma por defecto de los algoritmos evolutivos tradicionales?

El método de búsqueda permanece fijo y solo cambian las soluciones candidatas a lo largo de las iteraciones

Primero se evoluciona el método y luego se obtienen de una vez las soluciones candidatas

Solo se evolucionan los hiperparámetros y las soluciones candidatas permanecen sin cambios

Las soluciones candidatas y su método de generación se buscan y actualizan al mismo tiempo

Pregunta 2

En el enfoque tradicional, ¿cuál de los siguientes conjuntos de elementos determina directamente el mecanismo de generación de las soluciones candidatas?

El orden de numeración y los nombres mostrados de las soluciones candidatas

El modelo de hardware y el grado de paralelismo en tiempo de ejecución

La proporción de división del conjunto de datos y el formato de las etiquetas

La estrategia de mutación, el modo de cruce y los hiperparámetros

Pregunta 3

¿Por qué, si solo se recurre a la configuración previa y al ajuste manual de parámetros, el método de resolución en sí no evoluciona de forma continua con la retroalimentación de la tarea?

Porque los algoritmos evolutivos carecen de función de evaluación

Porque las soluciones candidatas no pueden generarse

Porque el ajuste manual de parámetros lo realiza una persona y los elementos del método no se evalúan ni se reemplazan automáticamente según el rendimiento de resolución

Porque los hiperparámetros no tienen rango de valores

Pregunta 4

¿Cuál es el giro clave de la “evolución de algoritmos” que plantea esta página?

Pasar de la optimización monoobjetivo a la optimización multiobjetivo

Pasar de “usar un algoritmo fijo para encontrar mejores soluciones” a “hacer que el algoritmo se mejore a sí mismo durante el proceso de resolución”

Pasar de la búsqueda poblacional al descenso por gradiente

Pasar del diseño manual de métricas de evaluación al diseño automático de la función objetivo

Pregunta 5

¿Cuál de las siguientes prácticas refleja mejor que “el método en sí entra en el proceso de búsqueda y mejora”?

Aumentar el tamaño de la población de 50 a 500

Aumentar el número de iteraciones de 100 a 1000

Tomar el modo de cruce, la estrategia de mutación, etc. como objetos de búsqueda, de modo que sean candidatos, evaluados y reemplazados según el rendimiento de resolución

Cambiar la función de evaluación por una más estricta

Análisis de caso: la “pérdida de eficacia” y la transformación de un solucionador de programación de líneas de producción

Lee el siguiente escenario y responde a las preguntas.

Un equipo construyó con algoritmos evolutivos un solucionador para la programación de líneas de producción de una fábrica. Al principio, cuando lo pusieron en marcha, fijaron de una vez el modo de cruce, la estrategia de mutación y todos los hiperparámetros, y a partir de entonces, en cada ronda de programación solo se regeneraban soluciones candidatas. Medio año después, la estructura de pedidos, el número de equipos y las reglas de plazo de entrega de la línea de producción cambiaron varias veces. Aunque el equipo aumentó el tamaño de la población y el número de iteraciones, la calidad de las soluciones siguió deteriorándose gradualmente, y la velocidad del ajuste manual de parámetros tampoco lograba seguir el ritmo de los cambios del negocio.

1. Basándote en el contenido de esta página, explica por qué el solucionador de este equipo fue perdiendo eficacia tras los cambios en el negocio y aclara la diferencia mecanística entre el “ajuste de parámetros” y la “evolución de algoritmos”.

Respuesta:
Puntos clave: el equipo adoptó el paradigma por defecto: el método de búsqueda (modo de cruce, estrategia de mutación, hiperparámetros) se bloqueó de una vez antes de la ejecución y durante las iteraciones solo cambiaban las soluciones candidatas. Cuando cambiaron la estructura de pedidos, el número de equipos y las reglas de plazo de entrega, también cambiaron las exigencias de la tarea respecto al mecanismo de generación, pero el método bloqueado no recibe ningún tipo de retroalimentación, por lo que las soluciones candidatas generadas encajaban cada vez menos con la nueva tarea y su rendimiento se deterioraba de forma continua.
Diferencia mecanística: el ajuste manual de parámetros lo decide una persona según su experiencia y, una vez hechos los cambios, el método vuelve a quedar bloqueado; es una ruta de “intervención humana—funcionamiento fijo”, cuya velocidad y alcance están limitados por la persona. La evolución de algoritmos, en cambio, introduce los elementos del método en la búsqueda, haciendo que, igual que las soluciones candidatas, sean candidatos, se evalúen y se reemplacen, y que el rendimiento de resolución decida automáticamente su permanencia, formando un bucle continuo de actualización del método. Ampliar la población o aumentar las iteraciones solo prolonga la búsqueda dentro de un mismo método y no modifica la capa de método.

2. Diseña un plan de transformación para este solucionador que introduzca la evolución de algoritmos: indica qué elementos deben incorporarse a la búsqueda, con qué señal se evalúa su rendimiento, cómo se decide su conservación o reemplazo y describe el flujo cerrado completo.

Respuesta:
Puntos clave:
(1) Elementos que se incorporan a la búsqueda: el modo de cruce, la estrategia de mutación, los hiperparámetros y, si es viable, otros elementos del método como la presión de selección o las condiciones de activación de la búsqueda local.
(2) Señal de evaluación: tomar como base del rendimiento del método el rendimiento de resolución de las soluciones candidatas que dicho elemento del método produce en tareas reales de programación durante un ciclo de evaluación (por ejemplo, el resultado ponderado de indicadores como el retraso en las fechas de entrega, el número de cambios de línea y la utilización de los equipos), comparando en la medida de lo posible sobre el mismo lote de instancias de tarea para reducir el ruido.
(3) Conservación o reemplazo: tratar las combinaciones de elementos del método como objetos candidatos; las combinaciones con buen rendimiento se conservan y sirven de base para la siguiente ronda, mientras que las de mal rendimiento se descartan, manteniendo además una pequeña perturbación aleatoria para preservar la diversidad y evitar una convergencia prematura.
(4) Flujo cerrado: Elementos del método → Generar soluciones candidatas → Evaluación del rendimiento de resolución → Conservar o reemplazar → Actualización del método, y de nuevo al paso de generación; al mismo tiempo, dentro de las soluciones candidatas sigue ejecutándose la iteración habitual de “Generar → Evaluar → Seleccionar → Heredar”. Así, mientras las soluciones mejoran, el método también se va mejorando.