.

1. Diseño e implementación de un algoritmo (basado en un sistema inmune artificial) para resolver problemas de "ordenamiento de redes" (sorting networks). El algoritmo sería comparado contra las heurísticas representativas del estado del arte en este tema.
   
   
2. Una nueva propuesta para optimización multiobjetivo basada en búsqueda dispersa (scatter search). El esquema se validará usando funciones de prueba y métricas estándar reportadas en la literatura especializada.
   
   
3. Incorporación de un modelo surrogado a un algoritmo evolutivo para resolver problemas de optimización global con restricciones: Se pretende incluir a lo más 2 modelos surrogados a un conjunto de algoritmos evolutivos representativos del estado del arte para resolver problemas de optimización global con restricciones. El objetivo es analizar cuáles algoritmos presentan mejores resultados al utilizar modelos surrogados y tratar de establecer las causas. Los resultados se validarán mediante pruebas estadísticas.
   
   
4. Uso de modelos de aproximación para inicializar la población y guiar a los operadores de un algoritmo evolutivo para resolver problemas de optimización global con restricciones: Se cree que el uso de modelos de aproximación para generar la población inicial de soluciones y en los operadores reduce el riesgo de errar la dirección de búsqueda, puesto que estos procesos son eminentemente aleatorios. Se quiere probar diversos modelos de aproximación sobre algunas heurísticas evolutivas para resolver problemas de opimización global con restricciones. Los resultados se validarán mediante pruebas estadísticas.
   
   
5. Hibridización de un algoritmo evolutivo con una técnica de búsqueda local (enfoque memético) para resolver problemas de optimización global con restricciones: Se busca acoplar las características de búsqueda global de un algoritmo evolutivo con las características de búsqueda local de una heurística de búsqueda local para resolver problemas de optimización global con restricciones. El comportamiento del algoritmo propuesto deberá ser evaluado usando medidas de desempeño encontradas en la literatura. Los resultados serán validados mediante pruebas estadísticas.
   
   
6. Análisis de distintos algoritmos evolutivos como motores de búsqueda usando técnicas similares de manejo de restricciones: Se pretende analizar las bondades de distintos algoritmos evolutivos (estrategias evolutivas, algoritmos genéticos, optimización mediante cúmulos de partículas, evolución diferencial, etc), al utilizar el mismo mecanismo para el manejo de restricciones en la resolución de problemas de optimización global restringida. Se utilizarán medidas de desempeño propuestas en la literatura para valorar el comportamiento de muestreo del espacio de búsqueda del problemas (de manera empírica) , así como la velocidad de llegada a la zona factible, su capacidad de progreso una vez dentro de ella, etc. Los resultados se validarán mediante pruebas estadísticas.
   
   
7. Impacto de los números aleatorios en los MOEAs: Han sido escasos los estudios en los que se analice el impacto que los generadores de números aleatorios tienen en el desempeño de un algoritmo evolutivo. En este tema, se plantea el primer estudio de este tipo en el contexto de optimización evolutiva multiobjetivo. La idea principal es analizar el impacto del generador de números aleatorios en varios algoritmos representativos del estado del arte. Así mismo, se busca proponer una metodología para generar números aleatorios cuyo sesgo sea mínimo.
   
   
8. Uso de búsqueda dispersa para optimización multiobjetivo: Aquí se buscaría desarrollar una propuesta novedosa, basada en la heurística denominada búsqueda dispersa (scatter search) para resolver problemas multiobjetivo. La propuesta se validaría usando problemas de prueba y métricas estándar de la literatura especializada.
   
   
9. Uso de optimización mediante cúmulos de partículas y conjuntos borrosos para optimización multiobjetivo: Se buscaría acoplar el uso de rough sets (conjuntos borrosos) a la optimización mediante cúmulos de partículas para realizar optimización multiobjetivo. La propuesta se validaría usando problemas de prueba y métricas estándar de la literatura especializada.
   
   

Regresar a la página personal del Dr. Carlos A. Coello Coello